Как жить дальше жене-технарю?

[kyk]

найти заинтересованного профессора.

а чем жена-технарь его заинтересует?

[Физик-Лирик]

А мне кажется с PhD и опытом программирования как раз и можно попробовать каким-нибудь data scientist. Наверняка же вы знаете математику и статистику, можно повторить быстро и выучить какие-нибудь пакеты.

Нереально. Если надо учить "какие нибудь" пакеты, значит база нулевая. Минимум год усиленных фул тайм занятий, да и то вряд ли.

Инфы полной нет, но по тому описанию, что было в начале, похоже, что так. Сейчас еще конторы хотят опыт в решении бизнес-задач. Согласен, что с "какими-нибудь" пакетами дело так просто не пройдёт. Но опять же зависит от целей ТС. Я говорил, что наиболее простой путь видится как "программирование".

[RedPanda]

А мне кажется с PhD и опытом программирования как раз и можно попробовать каким-нибудь data scientist. Наверняка же вы знаете математику и статистику, можно повторить быстро и выучить какие-нибудь пакеты.

Нереально. Если надо учить "какие нибудь" пакеты, значит база нулевая. Минимум год усиленных фул тайм занятий, да и то вряд ли.

Инфы полной нет, но по тому описанию, что было в начале, похоже, что так. Сейчас еще конторы хотят опыт в решении бизнес-задач. Согласен, что с "какими-нибудь" пакетами дело так просто не пройдёт. Но опять же зависит от целей ТС. Я говорил, что наиболее простой путь видится как "программирование".

Мне лично российское образование и PhD как раз кажется более подходящим заделом для data science. В программировании нужно больше знать технологий и конкуренция больше, в data science с таким образованием основы должны быть, а технологии проще, осваиваются на пользовательском уровне.

[Физик-Лирик]

Мне лично российское образование и PhD как раз кажется более подходящим заделом для data science. В программировании нужно больше знать технологий и конкуренция больше, в data science с таким образованием основы должны быть, а технологии проще, осваиваются на пользовательском уровне.

На самом деле, в Дейта сайнс технологий тоже хватает (мы это как раз сейчас в двух топиках в "Работе" обсуждаем). Если работать в ЕТЛ, то это больше как программирование, а если идти на машинное обучение и статистику, то там своя специфика. Не уверен, что химики этим особо занимаются в повседневной работе. Опять-таки, резюме нет, сложно сказать. Что более интересно для ТС - это вопрос. Но при одинаковом интересе, "программирование", безусловно, проще и быстрее освоить.

[RedPanda]

Мне лично российское образование и PhD как раз кажется более подходящим заделом для data science. В программировании нужно больше знать технологий и конкуренция больше, в data science с таким образованием основы должны быть, а технологии проще, осваиваются на пользовательском уровне.

На самом деле, в Дейта сайнс технологий тоже хватает (мы это как раз сейчас в двух топиках в "Работе" обсуждаем). Если работать в ЕТЛ, то это больше как программирование, а если идти на машинное обучение и статистику, то там своя специфика. Не уверен, что химики этим особо занимаются в повседневной работе. Опять-таки, резюме нет, сложно сказать. Что более интересно для ТС - это вопрос. Но при одинаковом интересе, "программирование", безусловно, проще и быстрее освоить.

Я была в немного похожей ситуации, за программирование само по себе не решилась браться.

[kairy]

Как я понимаю, биостатистика, которую имеет ввиду Снежная Королева-это именно статистика, то есть по сути математика в применении к биологии. Типа "При статистической обработке данных 1373-х случаев воспаления хитрости, было показано, что применение препарата А в среднем на 5 % понижает частоту перехода в хроническую форму по сравнению с препаратом Б". И чихать при этом на механизмы действия препаратов А и Б.

Sorry, что до сих пор не успела конкретизировать свой опыт в биологии, обязательно постараюсь отписать всем интересовавшимся.

По совокупности постов, пока напрашиваются следующие выводы.
-постдоком в химии - можно поискать для смены визового статуса, но гарантий успеха нет-как повезёт
-программирование забрасывать не стоит, пока на H4, возможно стоит позаниматься open source проектами в Web, ну и ботать матчасть и фреймворки параллельно.
-со смежными биолого-айтишными областями надо разбираться, анализировать вакансии и требования, что там есть и стоит ли овчинка выделки. Со статистикой у меня к сожалению на уровне расчёта доверительного интервала через коэффициент Стьюдента все закончилось. С одной стороны, интересно было бы объединить знания в биологии и умение прогать - возможно настанет тогда гармония со Вселенной. С другой - понятно, что там много областей, и по крайней мере часть из них требует серьёзной математической подготовки. Заморочек много, выхлоп - хз.
За информацию о непопадании универов под квоту спасибо, буду иметь ввиду.

RedPanda, стадия когда страшно браться за программирование, уже пройдена к счастью)

[Физик-Лирик]

Как я понимаю, биостатистика, которую имеет ввиду Снежная Королева-это именно статистика, то есть по сути математика в применении к биологии. Типа "При статистической обработке данных 1373-х случаев воспаления хитрости, было показано, что применение препарата А в среднем на 5 % понижает частоту перехода в хроническую форму по сравнению с препаратом Б". И чихать при этом на механизмы действия препаратов А и Б.

Как я упоминал выше, сейчас биостатистика / биоинформатика сводится либо к обработке геномных данных либо работе в области клинических испытаний (clinical trials). Приведённый выше пример больше из второй области. Там своя специфика, но что более серьёзно, свой софт, который за бесплатно не получить (вопрос знатокам: угадайте какой? ). Т.е. одним языком R здесь не отделаться. Безусловно, не все сводится к двум вышеприведенным областям. Есть и другие. Но многие статистические работы - это те две области и контроль качества. Остаётся еще эпидемиология и хелф экономики, но там тоже своя специфика. Скорее это статистика и машинное обучение.
Еще есть химия, но про неё я ничего не знаю.
Математика в применении к биологии не сводится только к выше сказанному. Есть очень большая область вычислительной биологии, но она основана на применении дифференциальных уравнений. В частности, те же подходы используются в вычислительной эпидемиологии.

Как я -со смежными биолого-айтишными областями надо разбираться, анализировать вакансии и требования, что там есть и стоит ли овчинка выделки. Со статистикой у меня к сожалению на уровне расчёта доверительного интервала через коэффициент Стьюдента все закончилось. С одной стороны, интересно было бы объединить знания в биологии и умение прогать - возможно настанет тогда гармония со Вселенной. С другой - понятно, что там много областей, и по крайней мере часть из них требует серьёзной математической подготовки. Заморочек много, выхлоп - хз.

В общем подход правильный. Самое простое прямо сейчас залезть на один из сайтов работ, набрать название специальности, например, статистик или Дейта сайнтист, и все сразу прояснится. Будут видны требования на позиции. Собственно, Дейта сайнс -это вариант, но придется много учить, включая софт.

[Физик-Лирик]

Я была в немного похожей ситуации, за программирование само по себе не решилась браться.

Выбор, безусловно, вещь очень индивидуальная, и для некоторых статистика и математика могут быть проще, если был предыдущий опыт, а в программировании нет.
Я уже неоднократно говорил, что сейчас самое выгодное стать программером. По сравнению с математикой и физикой (а так же биологией и химией), все гораздо проще, учить гораздо меньше, а зарплаты очень хорошие и работу найти не так сложно. Короче, все еще не определившиеся - в программисты!

[flip_flop]

Я сильно извиняюсь, но data science на порядок сложнее программирования в среднем (исключения бывают). Российская кандидатская по химии практически не имеет никакой связи с data science. Непонятно, вы не решились браться за программирование, но успешно нашли работу data scientist-ом?

Не совсем так, я вот помню в советские времена (в конце 80-х, если быть точным) среди аспирантских курсов было что-то типа "планирование и обработка эксперимента", где было и то, что здесь называется DOE и соответствующая статистика. Готовясь к защите, я основательно усвоил материал из нескольких солидных томов по прикладной статистике. Как сейчас с этим обстоит дело на просторах бывшего союза - не знаю и не берусь выносить суждения априорно.

Мне кажется, что сложность и исключительность того, что сейчас называется Data Science, несколько преувеличена, в том числе самими так называемыми "Data Scientists", на гребне конъюнктуры.

[flip_flop]

найти заинтересованного профессора.

а чем жена-технарь его заинтересует?

Его может заинтересовать не жена технаря, а PhD с соответственным опытом, чему PhD подтверждение. Ну и местный народ в постдоки как правило не идёт.

[Физик-Лирик]

Мне кажется, что сложность и исключительность того, что сейчас называется Data Science, несколько преувеличена, в том числе самими так называемыми "Data Scientists", на гребне конъюнктуры.

Согласен с тем, что преувеличены, потому что Дейта сайнтистами стали называть себя и ЕТЛьщики и аналитсты (аналитики). Отнюдь не принижая роли этих двух направлений, я все-таки к Дейта сайнс больше отношу предиктив аналитикс. Короче, сейчас идёт большая игра слов, во многом вызванная появлением Биг даты. То, что Вы описали выше (анализ и обработка эксперимента) - эта статистика. Она, конечно, часть дата сайнса, но все-таки, современный Дейта сайнс - это не чистая статистика. Одним знанием анализа эксперимента и связанной с ним прикладной статистикой вряд ли обойтись. Да и какие "эксперименты" обрабатывать? В основном - это клинические испытания. Но я уже говорил, что там своя специфика и свой софт. Анализ качества (quality control)- другая распространённая область. Что еще? Я не могу сказать про химию и биологию. Может там что есть. Но это уже не Дейта сайнс. Собственно, Королева правильно говорит, что современный Дейта сайнс с упором на предикатов моделинг - это много чего учить. ЕТЛ - там другое.

[Физик-Лирик]

Его может заинтересовать не жена технаря, а PhD с соответственным опытом, чему PhD подтверждение. Ну и местный народ в постдоки как правило не идёт.

Все правильно, можно попробовать. Проблема в том, что был перерыв в работе и про человека мало что известно. Надо будет все подробно описывать профессору, присылать статьи.
Но вопрос в том, что хочет ТС. С точки зрения денег, например, постдок - явный проигрыш. Так стоит ли терять время? Плюс, какие перспективы после постдока? Короче, нужно среднесрочное / долгосрочное планирование.

[flip_flop]

Пожалуйста объясните не программисту и не Data Scientist-у - что такое ETL? Мои знакомые в старое время кванты на Wall Street, которые "вышли" из обычной физики, вроде бы тоже занимались predictive analytics, нет? Machine learning тоже сто лет в обед, ну за исключением последних новшеств, типа deep learning.

Что составляет особенность и исключительность Data Science от совокупности методов прикладной статистики, machine learning, и Big Data?

[flip_flop]

Его может заинтересовать не жена технаря, а PhD с соответственным опытом, чему PhD подтверждение. Ну и местный народ в постдоки как правило не идёт.

Все правильно, можно попробовать. Проблема в том, что был перерыв в работе и про человека мало что известно. Надо будет все подробно описывать профессору, присылать статьи.
Но вопрос в том, что хочет ТС. С точки зрения денег, например, постдок - явный проигрыш. Так стоит ли терять время? Плюс, какие перспективы после постдока? Короче, нужно среднесрочное / долгосрочное планирование.

Категорически согласен.

[Noskov Sergey]

Полностью согласен про планирование, да и про дата-саенс тоже. Было это уже, и machine learning и прочая, прочая. Причем обучение машин и машинистов активно применялось в химии (моделирование реакторов c бесконечными decision trees и random forests) и ,именно, в биотехнологии - такие же бесконечные metabolic pathway engineering, годов так с 80-х. Все движется циклами. Кстати, не заметил, чтобы для обработки данных клинических испытаний требовалась супер-подготовка в проф. области. Я, в своей ипостаси, бюрократа-нанимателя, был вовлечен в найм data-scientist на большой clinical trial с деньгами от фармы, правительства и университетами (включая наш) 6 стран. Комиссия в которой были представители всех заинтересованных сторон наняла парня с HEP/statistical physics background и долгим листом всяких проектов слабо связанных с медициной + приличным траком в HPC. Насколько я знаю дела идут неплохо. В этой же ипостаси, мне приходится общаться с народом из genomic science centers, hospitals, etc. на предмет адаптации их деяний к HPC (high-performance computing) ресурсам. Основная проблема, чаще всего, обеспечения анонимности при огромных потоках данных.

Пост-док в ситуации топик-стартера не желателен, в нормальном месте шансов особо нет, а в плохое особо и не надо. Надо определиться с тем, что хочется. В местном северо-американском IT народа без степеней в CS хватает. Если прямо таки хочется в health informatics (биостатистика намного шире того, о чем пишет Снежная), то, возможно стоит и поучиться. Но кто сказал, что надо получать еще одно PhD, мастера хватит за глаза. Можно в School of Public Health податься, если есть программа подходящая. Ну и география, во многом, определяет.

[Физик-Лирик]

Пожалуйста объясните не программисту и не Data Scientist-у - что такое ETL? Мои знакомые в старое время кванты на Wall Street, которые "вышли" из обычной физики, вроде бы тоже занимались predictive analytics, нет? Machine learning тоже сто лет в обед, ну за исключением последних новшеств, типа deep learning.

Что составляет особенность и исключительность Data Science от совокупности методов прикладной статистики, machine learning, и Big Data?

ЕТЛ - это екстракт, трансформ, лоад (здорово ро-русски звучит ). Если вкраце - это подготовка, хранение, обработка данных и тому подобное. Включает как работу с базами данных, так и с распределёнными системами (Хадупом). Обычно, никакой математики, работа на сиквел и/или с языками программирования.
Предиктив аналитикс - это создание математическим моделей на основе данных для прогнозирования. Включает машинное обучение (машинное обучение - то не только прогнозирование; прогнозирование - это скорее супервайзд лернинг, а есть еще ансупервайзд), статистику, прикладную математику, временные ряды, стохастическое моделирование и софт. Много физиков работает именно в моделировании, т.к. большой упор идёт на математику. Сюда так же можно добавить финансовую математику и инженерию, вычислительную биологию, динамику болезней ака эпидемиологию, клинические испытания, геномику, разного рода риски, коммерцию (рекомендации) и многое другое. Опять-таки, главная цель - решить бизнес-задачи путём создания вычислительной модели.
В связи с Биг датой появилась необходимость не только в новых способах хранения и быстрой обработки (Хадуп и сейчас со Спарком), но и распараллеливания мат. алгоритмов, ведь последовательные алгоритмы на громадных данных не погоняешь. Да, многие методы машинного обучения известны давно. Но сейчас упор именно на большие данные. Плюс новые подходы типа глубокого обучения, бустинга, кернел-методов. Плюс сама работа имеет специфику. Как сформулировать задачу, подготовить данные, какие модели, как гонять, диагностика, валидация. Если залесть дальше в мат. моделирование, то будет ещё прикольные. Особенно с диффурами.

[flip_flop]

Пожалуйста объясните не программисту и не Data Scientist-у - что такое ETL? Мои знакомые в старое время кванты на Wall Street, которые "вышли" из обычной физики, вроде бы тоже занимались predictive analytics, нет? Machine learning тоже сто лет в обед, ну за исключением последних новшеств, типа deep learning.

Что составляет особенность и исключительность Data Science от совокупности методов прикладной статистики, machine learning, и Big Data?

ЕТЛ - это екстракт, трансформ, лоад (здорово ро-русски звучит ). Если вкраце - это подготовка, хранение, обработка данных и тому подобное. Включает как работу с базами данных, так и с распределёнными системами (Хадупом). Обычно, никакой математики, работа на сиквел и/или с языками программирования.
Предиктив аналитикс - это создание математическим моделей на основе данных для прогнозирования. Включает машинное обучение (машинное обучение - то не только прогнозирование; прогнозирование - это скорее супервайзд лернинг, а есть еще ансупервайзд), статистику, прикладную математику, временные ряды, стохастическое моделирование и софт. Много физиков работает именно в моделировании, т.к. большой упор идёт на математику. Сюда так же можно добавить финансовую математику и инженерию, вычислительную биологию, динамику болезней ака эпидемиологию, клинические испытания, геномику, разного рода риски, коммерцию (рекомендации) и многое другое. Опять-таки, главная цель - решить бизнес-задачи путём создания вычислительной модели.
В связи с Биг датой появилась необходимость не только в новых способах хранения и быстрой обработки (Хадуп и сейчас со Спарком), но и распараллеливания мат. алгоритмов, ведь последовательные алгоритмы на громадных данных не погоняешь. Да, многие методы машинного обучения известны давно. Но сейчас упор именно на большие данные. Плюс новые подходы типа глубокого обучения, бустинга, кернел-методов. Плюс сама работа имеет специфику. Как сформулировать задачу, подготовить данные, какие модели, как гонять, диагностика, валидация. Если залесть дальше в мат. моделирование, то будет ещё прикольные. Особенно с диффурами.

Означает ли это, что, гипотетически, у старого специалиста по моделированию, диффурам, NN и HPC больше шансов чем у нового "Data Scientist"–a ?

[Физик-Лирик]

Полностью согласен про планирование, да и про дата-саенс тоже. Было это уже, и machine learning и прочая, прочая. Причем обучение машин и машинистов активно применялось в химии (моделирование реакторов c бесконечными decision trees и random forests) и ,именно, в биотехнологии - такие же бесконечные metabolic pathway engineering, годов так с 80-х. Все движется циклами.

Вы сами ответили на свой вопрос. Раньше машинное обучение и мат. моделирование применялось в основном для решения научных и инженерных задач, поэтому было прерогативой ученых-академиков и инженеров. Сейчас всё это дело поперло в индустрию и бизнес. Одна из причин такого бурного движения - именно появление Биг даты и возможностей с ней работать. Собственно, это открывает новые возможности для бизнеса. Отсюда - постепенное осознание бизнесом привлекательности области, и , как следствие, интерес вкладывать средства. Всё очень просто.
Кстати, посмотрите требования на позиции. Сейчас статистики с академическим бекграундом не очень кого интересуют. Хотят именно с опытом в решении бизнес-задач.

Кстати, не заметил, чтобы для обработки данных клинических испытаний требовалась супер-подготовка в проф. области.

Я тоже иногда думаю, а что сложного в дейта сайнс? Просто ҡогда долго сидишь в области, все кажется проще. Начнём с того, что клинические испытания - это несколько фаз, т.е. уже своя специфика. Даже начальная выборка подгрупп (армов) - уже специфика. Далее свой софт (понятно какой), который бесплатно не выучить. С точки зрения статистики оно может и все не так сложно. Но почитайте требования на эти позиции (сейчас их много вижу). Достаточно насыщенные.

[Noskov Sergey]

Физик-Лирик,

А я вопросов не задавал. Но хорошо, что сам смог и ответить. Я нисколько не умоляю важности или сложности data science и рад, что все это пошло в массы. В химии общий пессимизм по отношению к корреляционным моделям, машинному обучению как некоей панацее с предсказательной силой пришел довольно быстро. Подозреваю, что и в бизнес-комньюти процесс будет подобным. Возникнет узкая область применимости и четкое понимание, что можно и что нельзя промоделировать.

Не сомневаюсь и про требования. Вы бы видели какие мы требования к кандидатам выкатываем (по мне часто необоснованные ни позицией, ни кругом проблем) и все равно находится 10-15 примерно одинаково-крутых спецов. Про клинические испытания - и формирование групп и определением параметров вовсе не data scientists занимаются, все это диктуется спецификой испытаний, особенностями заболеваний и мед. препаратов, требования регуляторов и прочими делами, к которым ребята из data science отношения не имеют.

[Физик-Лирик]

Означает ли это, что, гипотетически, у старого специалиста по моделированию, диффурам, NN и HPC больше шансов чем у нового "Data Scientist"–a ?

Предполагаю, что Вы больше имеете в виду предиктив аналитикс. Вопрос неоднозначный. Мои наблюдения показывают, что хотят тех, кого хотят. Диффуры по большому счету нафиг никому не нужны, за исключением определённых областей (где я тоже имел удовольствие здесь поработать). Если у я Вас только академический опыт, боюсь шансов может быть и меньше, т.к. Ваши знания тоже ниому не нужны, а нужен лишь опыт в определённых областях, с определенным софтом и опытом в бизнес-задачах. Если к Вас все это есть, тогда шансы очень хорошие. Короче, мозги тут на вес не покупают и плюются, если слишком много. Нужна лишь конкретика. Собственно, о чем я и писал в "Судьбе интеллектуала". Вот такая она фишка. Лучше работать в группе таких же фанатов-ученых в индустрии. Гораздо лучше пойдет. Но и там появляются Петровичи, о коих я писал в топике.
Если у Вас какие конкретные вопросы, дайте знать или в личку.

[DropAndDrag]

Как я понимаю, биостатистика, которую имеет ввиду Снежная Королева-это именно статистика, то есть по сути математика в применении к биологии. Типа "При статистической обработке данных 1373-х случаев воспаления хитрости, было показано, что применение препарата А в среднем на 5 % понижает частоту перехода в хроническую форму по сравнению с препаратом Б". И чихать при этом на механизмы действия препаратов А и Б.

Sorry, что до сих пор не успела конкретизировать свой опыт в биологии, обязательно постараюсь отписать всем интересовавшимся.

По совокупности постов, пока напрашиваются следующие выводы.
-постдоком в химии - можно поискать для смены визового статуса, но гарантий успеха нет-как повезёт
-программирование забрасывать не стоит, пока на H4, возможно стоит позаниматься open source проектами в Web, ну и ботать матчасть и фреймворки параллельно.
-со смежными биолого-айтишными областями надо разбираться, анализировать вакансии и требования, что там есть и стоит ли овчинка выделки. Со статистикой у меня к сожалению на уровне расчёта доверительного интервала через коэффициент Стьюдента все закончилось. С одной стороны, интересно было бы объединить знания в биологии и умение прогать - возможно настанет тогда гармония со Вселенной. С другой - понятно, что там много областей, и по крайней мере часть из них требует серьёзной математической подготовки. Заморочек много, выхлоп - хз.
За информацию о непопадании универов под квоту спасибо, буду иметь ввиду.

RedPanda, стадия когда страшно браться за программирование, уже пройдена к счастью)

молодец - за правильную структуру
так как вы при муже, то он определяет местоположение. я бы посоветовал тщательно посмотреть соседние универы. может быть вам будет и сложно туда прорваться в лоб, но есть ньюанс и я бы им не брезговал.
к молодым профессорам неимеющим ни денег, ни опыта хорошие студенты не пойдут. у вас есть опыт и в химии, и в программировании (хотя веб это на краю программирования), и какой-никакой опыт работы (получения результата) - так что может быть вы и найдете коллегу. Если вы найдете как будете полезны ему, то за полгода сотрудничества - он вас втянет в тему. Увы, скорее всего денег вам не видать ...

[flip_flop]

Означает ли это, что, гипотетически, у старого специалиста по моделированию, диффурам, NN и HPC больше шансов чем у нового "Data Scientist"–a ?

Предполагаю, что Вы больше имеете в виду предиктив аналитикс. Вопрос неоднозначный. Мои наблюдения показывают, что хотят тех, кого хотят. Диффуры по большому счету нафиг никому не нужны, за исключением определённых областей (где я тоже имел удовольствие здесь поработать). Если у я Вас только академический опыт, боюсь шансов может быть и меньше, т.к. Ваши знания тоже ниому не нужны, а нужен лишь опыт в определённых областях, с определенным софтом и опытом в бизнес-задачах. Если к Вас все это есть, тогда шансы очень хорошие. Короче, мозги тут на вес не покупают и плюются, если слишком много. Нужна лишь конкретика. Собственно, о чем я и писал в "Судьбе интеллектуала". Вот такая она фишка. Лучше работать в группе таких же фанатов-ученых в индустрии. Гораздо лучше пойдет. Но и там появляются Петровичи, о коих я писал в топике.
Если у Вас какие конкретные вопросы, дайте знать или в личку.

Спасибо, вопросов нет, просто вышел поболтать и попытаться опровергнуть тезис об исключительности Data Scientists, чисто из интереса. Ширпотребность профессии противоречит экслюзивности. Но то, что оно пошло в массы - радует. Нашему железу нужны широкие и растущие области применения, так что все эти ваши хадупы, биг даты, дата сайенсы, бизнес аналитикс и так далее весьма полезны, как двигатели прогресса, наряду с более традиционными применениями.

Ну и просто поболтать о диффурах, кроликах и капусте, и прочей лабуде и науке - всегда приятно.

[Физик-Лирик]

Физик-Лирик,
А я вопросов не задавал. Но хорошо, что сам смог и ответить.

Я же паттерн рекогнишен занимаюсь, вот и "вычислил" в ответе вопрос.

В химии общий пессимизм по отношению к корреляционным моделям, машинному обучению как некоей панацее с предсказательной силой пришел довольно быстро. Подозреваю, что и в бизнес-комньюти процесс будет подобным. Возникнет узкая область применимости и четкое понимание, что можно и что нельзя промоделировать.

[quote="Спасибо, вопросов нет, просто вышел поболтать и попытаться опровергнуть тезис об исключительности Data Scientists, чисто из интереса. Ширпотребность профессии противоречит экслюзивности.

Тут фишка вот какая. Если раньше моделирование было делом ученых с соответствующей подготовкой, то сейчас, когда все растёт как на дрожжах, туда влилось большое количество нематематиков. В результате, наблюдается большой диссонанс между пониманием предмета и практическим применением. Из личного опыта общения с Дейта сайнтистами убеждаюсь, что все неоднозначно. Возможно, это приведёт к загниванию области, но мой прогноз пока положительный. Если буквально пару лет назад у бизнеса было явное недопонимание того, а зачем все это нужно (особенно прикольно было это видно на интервью, проводимых бизнесом), и нанимали скорее по моде, то сейчас наблюдается явный положительный сдвиг. Думаю процесс осознания еще продлится какое-то время. Так как применение методов даёт позитивный результат, то популярность, думаю, не пропадёт и в будущем. Понятное дело, туда наплывет куча народу. Однако, требования повыше, да и доктора многие хотят, чтобы поставить надёжный заслон. Опять(таки, я больше речь веду о предиктив аналитикс. ЕТЛ, понятно, уводит идею в сторону.
Так вот с точки зрения настоящей науки массовости / ширпотребностия как раз и не вижу. А модели можно очень интересные строить и публикуемые. Еще момент. Еще лет десять назад трудно было встретить в серьёзных медицинских журналах статьи с результатами моделирования (обработка клинических испытаний не в счет). А сейчас, пожалуйста (сам автор таких публикаций). Меняется мнение, однако.

[Физик-Лирик]

Спасибо, вопросов нет, просто вышел поболтать и попытаться опровергнуть тезис об исключительности Data Scientists, чисто из интереса.

Ну и просто поболтать о диффурах, кроликах и капусте, и прочей лабуде и науке - всегда приятно.

Поболтать - это всегда пожалуйста.

[RedPanda]

Я сильно извиняюсь, но data science на порядок сложнее программирования в среднем (исключения бывают). Российская кандидатская по химии практически не имеет никакой связи с data science. Непонятно, вы не решились браться за программирование, но успешно нашли работу data scientist-ом?

Я не говорю о том, что сложнее или проще в глобальном понимании. Начать в 30 лет учить языки программирования и конкурировать с теми, кто программирует с младых лет, при том, что опыт здесь как ничто важно, очень трудно. А если уже учил математику и статистику, немного освежить знания, можно даже подучиться, освоить статистические пакеты на пользовательском уровне, и вперед - мне видится такой путь легче.
Я не могу сказать, что я прямо data scientist, но занимаюсь похожими вещами в смежной области, откуда сейчас много коллег уходит в data science. И да, это какой-то размытый термин, но работ много на любой уровень и широту знаний.