Краткая карта IT направлений: чем реально занимаются специалисты и насколько просто туда попасть

Сейчас идет осенний сезон стажировок и грех хотя бы не попробовать податься на одну из них. Про о том с чего начать свою карьеру подробно обсуждали в предыдущем посте. Здесь же дадим карту направлений и как сделать выбор.

Кратко о каждом
1. Менеджмент - управление людьми, много общение, мало технической части
2. Аналитика - исследование данных с помощью статистики, нужно писать код
3. Data Science - как аналитика, только больше методов машинного обучения, больше кода
4. МЛ разработчик и инженер - разрабатывает и реализует мл модели на основе продуктовых идей
5. Разработчик - разрабатывает и поддерживает приложения и все, что вокруг него
6. Дата инженер/DevOps - занимаются инфраструктурой и окружением, но каждый со своей спецификой
Описал размыто, потому что все эти роли размыты. Все они пересекаются и если хотите быть реально востребованным специалистом, а не винтиком, выполняющим ровно одну функцию, которого завтра заменят нейросети, то нужно уметь не только в свою область, но и в смежные. И главный момент: везде нужно уметь писать код, уметь общаться - где-то больше, где-то меньше. Без этого карьеру не построить.

Теперь разберем, как сделать выбор
Если вы скорее про математику, чем про разработку, то советую начать с аналитики— отличный вариант, чтобы затем вырасти либо в машинное обучение или в серьезный менеджмент, ибо эти специальности включают аналитику. Базовая вакансия включает все то, что есть в программе этого курса по аналитике. Но стоит отметить, что у каждой команды свое мнение, кто такой аналитик и в последние время почти все вакансии в области больших данных (в том числе на стажера и джуна), где требуют знание классического машинного обучения. Да и его все равно придется выучить, если не желаете всю жизнь быть аналитиком. Что конкретно учить смотрим в программе курса по машинному обучению.

Если вы с топ-1 факультета: фивт, фкн пми, то можно скипнуть этап со стажировкой на аналитика и сразу пробовать начать со стажировке в data science/МЛ. Многие компании нацелены на то, чтобы взять топового младшекурсница и быстро вырасти из него seniorа. Если же нет, то нужно "это как-то объяснить": хакатоны, ШАД, Академия Авито, научные статьи и тд.
А так после первого рабочего опыта или в процессе обучения вы можете положить взгляд на вакансии data science, ml инженера или инженера данных. Помимо всего вышеперечисленного для большинства джуниорских вакансий понадобиться владения инструментами больших данных в духе: Spark, Hadoop и тд. Да и на вакансии аналитика тоже, судя по нынешнему рынку. Конечно прям с нуля поднимать базу данных аналитика не заставят, но сделать какие-то скромные вещи вполне. Что конкретно ботать смотрим в программе курса инженер данных.

Если вы скорее про программирование и разработку, то начать нужно с освоения языка: любой более менее серьезный и популярный, какой вам больше понравится. Это может быть C/С++, так он популярен в вузах и отлично демонстрирует фундамент разработки. Или это может быть python, так он еще был у вас в школе и вы больше всего работали с ним. Сейчас вообще популярней GO: он несложный и на нем много вакансий. Вообще язык вторичен, главное: фундамент и хорошая инженерная база. Какую конкретно базу ботать смотрим в программе курса бэкенд разработка. Ходить на собесы можно с того момента, как освоите базу по сетям, язык программирования и задачи по алгоритмам.

Подписаться: @postypashki_old