Hvordan bestemme om en datavitenskapgrad er verdt det, og velg riktig program

Er en datavitenskap grad verdt det? Dataforskere er etterspurt, men en mastergrad i feltet åpner kanskje ikke så mange dører som du tror.

Få karrierer har opplevd den samme mengden sprøytenarkoman som dataforsker de siste årene. Utpekt av den beste jobben i Amerika av Glassdoor de siste fire påfølgende årene, er dataforskere lovet en mengde stillinger og høye startlønninger, noe som fører til økt interesse for feltet både fra de som går inn på college og de som allerede er i arbeidsstyrken.

Med en kraftig økende etterspørsel etter dataforskere i bedriften, dukker det opp en rekke masterstudier innen datavitenskap, forretningsanalyse, informasjonssystemer og andre relaterte felt over hele USA, og lover å lære ferdighetene som trengs for å skaffe virksomhetsinnsikt fra data og til bidra til å fylle talentgap.

Mer om Big Data

  • Datahåndtering: Et jukseark
  • Hvordan integrere robotprosessautomatisering i big data-prosjekter
  • Programmereren Hadley Wickham utpeker mangfoldet av R-samfunnet
  • Hvordan velge riktige dataanalyseverktøy: 5 trinn

"Datavitenskap er noe som ikke bare er en midlertidig glipp, men noe som kommer til å trengs mye og i lang tid, " sa Andrea Danyluk, professor i informatikk ved Williams College og medformann i Association for Computing Machinery sin arbeidsstyrke for data science. "Høgskoler og universiteter begynner å forstå behovet for dataforskere, og begynner å utvikle programmer."

Mange av disse nye programmene er fremdeles i ferd med å lage den rette læreplanen som blander matematikk, statistikk og informatikk - og det er et stort utvalg når det gjelder programkvalitet, dybde og bredde kunnskap som tilbys, sa Danyluk. De krever ofte en investering på minst ett til to år for et masterprogram, og kan koste tusenvis av dollar.

Skal du få en datavitenskap?

Den beste veien til å bli dataforsker avhenger av individets bakgrunn, sa Danyluk. "Den gode nyheten er at det nå utvikles flere akademiske programmer som gjør at folk kan fylle ut hullene når det gjelder prosess og programmer, " la hun til.

Mange mennesker som for tiden jobber innen datavitenskap kommer fra bakgrunn i matematikk, statistikk eller informatikk. Begrepet "data scientist" er relativt nytt, og har ført til noe av ansettelsesmangelen, sa Meta S. Brown, forretningsanalytikonsulent og forfatter av Data Mining for Dummies .

"Vi har presset ideen om at dataforskere på en eller annen måte er annerledes enn enhver analytiker som noen gang har eksistert før, " sa Brown. "Mange organisasjoner ser for seg at det er noe som er urealistisk som kan løse alle problemene deres."

Mange masterprogrammer i datavitenskap lærer studentene verdien av analyse, og hjelper dem å bli mer utdannet i faget, sa Brown. Imidlertid kan noen av disse programmene, spesielt de nyeste, risikere at de overpromitterer og underleverer fremtidig sysselsetting, la hun til.

"Min bekymring for eksplosjonen i datavitenskapelige programmer er at noen av de nyutdannede vil få jobber de liker veldig godt som betaler dem veldig bra, " sa Brown. "Men jeg tror ikke at alle nyutdannede på alle programmene kommer til å være så heldige. Den eneste måten en person kan vite hva som er utsiktene for et bestemt utdanningsprogram, er å bare snakke med å ansette ledere og diskutere ikke bare programmet, men deres egen bakgrunn. "

Før de går inn på et masterprogram, bør potensielle dataforskere sørge for at de faktisk er interessert i hva arbeidet vil innebære, sa Brown. "Mange av menneskene som sier at de vil gå inn på dette, har ikke hatt nok involvering av det til å vite det, " la hun til. En student kan være lurt å ta en statistikklasse som utgangspunkt, mens en profesjonell kanskje vil finne en mulighet til å jobbe med data i sin nåværende jobb for å få både eksponering og erfaring, anbefalte Brown.

"Hvis du elsker det og har penger og tid til å få en annen grad, står jeg aldri i veien for en person som ønsker å bli utdannet, " sa Brown. "Jeg tror bare det er veldig viktig å være realistisk om hva du investerer og hva du får til gjengjeld."

Spesielt bør de som ønsker å gå inn i datavitenskap først og fremst for den høye lønnen finne en måte å lette på utenfor et tradisjonelt program, sa Brown.

"Det er så mange dyktige mennesker der ute som har verdifull erfaring. Det mest verdifulle det de kan gjøre for samfunnet er ikke å kaste det bort og være en dataforsker, " sa Brown. "Det er å bringe disse meningsfulle elementene fra statistikk og moderne teknologi inn i sitt yrke. Og jeg tror at mange mennesker vil få god profesjonell avkastning i det."

Hvordan velge et datavitenskapelig program

De som er interessert i å gå videre med å søke på et datavitenskapstudium, bør vurdere følgende spørsmål:

  • Hvilken vei vil du ta?

Hvis du ønsker å gå videre med å søke på et datavitenskap-studium, må du først bestemme hvilken vei du vil: Datavitenskap, forretningsanalyse, eller noe annet, sa Kristen Sosulski, klinisk førsteamanuensis i informasjon, drift og ledelsesvitenskap i Leonard N. Stern School of Business ved New York University, og forfatter av Data Visualization Made Simple .

"Kraften til en mastergrad eller annen grad i forretningsanalyse er at du setter veier for deg selv å være ledende på det feltet, " sa Sosulski. "Det er veldig kraftig for noen som kommer tilbake til skolen som ønsker å gjøre en klar endring."

  • Hva er skolens rykte?

Hvis en datavitenskap eller et beslektet program er nytt, bør potensielle studenter vurdere anseelsen til institusjonen som en helhet, spesielt programmene for matematikk og informatikk, sa Danyluk.

"Datavitenskapsmann som stilling krever mye bredde og dybde på en rekke viktige områder, " sa Danyluk. "Det bærer et enormt ansvar. Så jo mer bakgrunn og dypere bakgrunn noen har, jo bedre."

  • Hvor omfattende er læreplanen?

Hvis du er i stand til å få en fullstendig studium i datavitenskap som inkluderer beregnings-, statistiske og profesjonelle praksisaspekter, inkludert etikk og juridiske krav, vil det sannsynligvis være mer omfattende enn et sertifikat eller til og med et masterprogram, sa Danyluk.

Læreplanen skal også fokusere på å lære deg hvordan du kommuniserer datafunn med virksomheten, da dette er et sentralt element i jobben som ansettelsesledere søker, la hun til.

  • Hva har tidligere avgangselever gjort?

Forutsatt at minst en klasse allerede er uteksaminert fra studiet, eller fra beslektede programmer, finn ut hva slags jobber nyutdannede har nå, og hvor mange som jobber i feltet, sa Danyluk.

  • Er det nettverksmuligheter?

Når du velger et program, må du sørge for at det er nettverksmuligheter og et sterkt alumninettverk innebygd i programmet og fortsette etter endt utdanning, da dette til syvende og sist vil hjelpe deg å få en jobb i feltet, sa Sosulski.

  • Er det muligheter for å gjøre prosjekter og bygge porteføljen din som en del av programmet?

"Du vil aldri ønske å gå bort med bare å kunne vise noen få lekseroppgaver, " sa Sosulski. "Du vil være sikker på at det er et robust kapsteinsprosjekt på slutten."

Ansette ledere vil være på jakt etter et rikt sett med ferdigheter som Python, R og SQL. "Å kunne formidle resultatene av funnene dine til et publikum av forskere som ikke er data, er en kritisk ferdighet, " sa Sosulski. "Du vil være sikker på at det kommer i CV-en, og at de eksemplene du viser oss er din portefølje."

  • Verdsetter arbeidsgivere programmet og ferdighetene det lærer?

Folk som utforsker programmer bør nå ut til potensielle arbeidsgivere for å finne ut om de verdsetter programmet, sa Brown.

"Hvis du håper å ha en karriere innen datavitenskap, er det første du trenger å gjøre å sørge for at du faktisk forstår hva det er, hva det er du vil gjøre for arbeidet ditt, og hvorfor det er viktig for deg, " sa Brown . "Og så må du komme deg ut og snakke med virkelige arbeidsgivere. Du må høre fra virkelige ansettelsesledere hva de er og ikke kommer til å betale for.

Til syvende og sist er den potensielle fremtidige dataforskeren i førersetet når det gjelder å velge den beste utdannelsen, sa Sosulski.

"Det er en mengde muligheter for deg å utvikle dine ferdigheter innen datavitenskap på forskjellige nivåer, " sa Sosulski. Det betyr imidlertid ikke at det alltid er verdt det å gå med det billigste alternativet, la hun til. "Du vil forsikre deg om at du bruker tiden din med omhu og ut av hvert innspill eller ut av hvert kurs du tar, du vil forsikre deg om at du får noe som du kan legge til i porteføljen din eller CVen din i termer av en ferdighet, et sertifikat, et merke - noe som fremmer deg fremover, "la hun til.

Data, Analytics og AI Nyhetsbrev

Få eksperttips for å mestre grunnleggende grunnleggende analyser av data, og følg med på den siste utviklingen innen kunstig intelligens. Leveres mandager

Registrer deg i dag

© Copyright 2020 | mobilegn.com