He visto dos lados de esta ecuación :
- Twitter publicó y la posición de “Científico de datos de nivel de entrada” hace un tiempo. Se requiere un doctorado. Bien, eso tiene sentido para la etiqueta de “Científico”. ( Hice un buen uso satírico en mi feed de Twitter, debido al punto # 2 a continuación ) .
- Por otro lado, he tenido reclutadores que se han puesto en contacto conmigo para conocer las posiciones de “Científico de datos”. Hacen preguntas y, por lo general, no saben de qué demonios están hablando, y ustedes se pasan por alto en un segundo. ( Como si un científico reclutado por una compañía de renombre no pasara por alto la cabeza de un reclutador de bajo nivel ) .
EDITAR 1: La respuesta en bruto es: las expectativas son variables de empresa a empresa; hable con un par de compañías al respecto, o con cualquier compañía que se le acerque.
EDITAR 2: No debería haber hecho una sátira de la posición de Twitter: estoy muy de acuerdo con que la “ciencia” es más una variante de doctorado que una “somos una empresa que busca captar palabras de moda: solo contratamos a los mejores, pero , oh, no podemos competir, así que solo encontraremos al candidato que mejor conozca las palabras de moda “.
- ¿Cómo se acercó a la jubilación y cuáles fueron sus experiencias después de unos años?
- ¿Hay posibilidades de conseguir un buen trabajo después de hacer ingeniería automotriz?
- ¿Cómo es la vida de un ingeniero marino?
- ¿Qué curso debo seguir si me encanta hacer las siguientes cosas?
- Cómo decirle a mi jefe que obtuve una mejor oferta de trabajo de manera diplomática teniendo en cuenta que estamos muy cerca en todos los niveles
EDITAR 3: El problema central con tal pregunta es que un verdadero “científico” o posición científica no es de “nivel de entrada” en la naturaleza. Se necesitan años de estudio para llegar a este nivel.
EDITAR 4: Piense en las posiciones de “Ciencia de datos”, en una capacidad pura , como PNL mezclada con ciencia actuarial. Está extrayendo datos no discretos para obtener información, y necesita habilidades tales como PNL para analizar datos antes de realizar transformaciones e integrarse con la información de preferencia del usuario junto con el tipo actuarial de inferencia estadística, sin mencionar algunas habilidades de programación para hacer estas rutinas usted mismo, probar, volver a probar, validar y verificar (método científico – ciencia empírica – no palabras de moda).
==========
Aliento.
==========
Reanude la respuesta inicial a continuación …
Entonces, ahí lo tienes :
Los requisitos para el “nivel de entrada” {insertar palabra de moda / frase aquí} no son más variables que describir la frase sustantiva con una frase adjetiva.
==========
Aparte (nota adicional sobre la evolución de las palabras de moda de negocios de mierda) :
Cuando la mayoría de la gente habla “big data” y la palabra de moda anterior, “minería de datos”, no sabían de qué demonios estaban hablando. He trabajado con Gig’s de datos. Eso a menudo suena algo impresionante para el reclutador medio / típico de bajo nivel de ingenio débil. Cuando trabajas en la industria, podrías estar trabajando en problemas que abarcan cientos de terabytes de datos. Optimizar estos datos para la búsqueda es una cosa. Programar una solución contra ella (optimizada o no) es otra. No es que todos tengan las herramientas de Google a su disposición. Dejando a un lado las API públicas, que en realidad consumen recursos a escala de Google, SI ( y solo si ) tiene el talento para hacer ese trabajo … para hacer minería de datos / inferencia en un rol científico requiere tales recursos, que la mayoría de las empresas ahora buscan “Data Scientist” las posiciones en realidad no tienen acceso, ni pueden permitirse a nivel de Twitter, Google, Facebook o quien sea.
Moraleja de la historia :
Cuando habla de “ciencia de datos”, asegúrese de saber de qué está hablando.
( Berkeley o Stanford, uno de esos dos, me contactaron acerca de su programa de Maestría en Ciencia de Datos, aparte del costo por unidad … estaba más orientado a los negocios que específicamente la ciencia de trabajar, manipular, transformar, extraer y buscar valiosos / información útil sobre los datos. En otras palabras, como cualquier otra palabra de moda comercial, nadie más que los expertos realmente saben de qué se trata. Y, finalmente, la palabra de moda / frase será suplantada por el siguiente título ingenioso, “atractivo” o palabra de moda / frase: larga vida a la minería de datos, Big Data, Agile y Data Science. )
Mis disculpas por ser cínico: demasiada mala experiencia con personas que no saben lo que están haciendo en esos frentes, y mucho menos entender la diferencia entre los datos y sus métodos de acceso y procesamiento: medidas de eficiencia.