Ссылки на бесплатные курсы
==========================
https://mbm.mos.ru/education/online-academy/business-library/kursy-ot-lerna-dlya-mbm_9164599
(доступ открыт до 31 марта 2026 года)
https://neirolab-msp.ru/


Рекомендации от экспертов аналитики
***********************************
По-прежнему ли наука о данных является хорошей карьерой? 
Рынок развивается, а не сокращается!
Карьера по-прежнему перспективна, но ожидания изменились.
Вот как изменилась эта сфера за последние 8 лет:

1. Построение моделей анализа данных стало проще

Появление таких инструментов, как XGBoost и transformers, снизило сложность многих задач
моделирования. Вам больше не нужны специальные математические знания для создания эффективной модели.

2. Эффективность бизнеса стала отличительной чертой

Менеджерам по найму нужны люди, способные трансформировать проблемы в решения, 
которые улучшают показатели, снижают затраты и повышают качество обслуживания клиентов.

3. Должности начального уровня теперь требуют мышления среднего, а не базового уровня.

Благодаря автоматизации и помощникам с искусственным интеллектом младшие должности 
ожидают более четкой разработки системы, постановки проблем и ощутимого воздействия.

4. Карьерный рост теперь напрямую связан с разработкой программного обеспечения

Ожидается, что вместо того, чтобы оставаться на уровне моделирования, специалисты 
по обработке данных будут заниматься архитектурой, стратегией экспериментов и определением проблем.

Итог: искусственный интеллект не устранил рабочие места в области науки о данных. 
Он повысил планку того, чем занимается специалист по данным.


Четыре роли в области науки о данных, которые вам необходимо знать в 2025 году

Эксперты разбивают сегодняшнюю ситуацию на четыре категории. Знание разницы 
поможет вам ориентироваться в своем обучении, резюме(CV) и проектах для портфолио.

Тип роли  -:- Что он делает и как ИИ влияет на ИТ-продукт
-----------------------------------------------------------------
-Data Scientist (Аналитик):
 A/B тестирование, причинно-следственные связи, эксперименты по-прежнему востребованы.
 Требуется тщательное статистическое обоснование.
-Специалист по прикладным данным:
 Создает модели, ориентированные на клиента, и внедряет конвейерное кодирование и
 настройку моделей. Пока еще не в полной мере автоматизирован.
-Специалист по обработке данных:
 Создает новые архитектуры моделей и алгоритмы, которые меньше всего подвержены влиянию
 автоматизации. Требуется глубокое знание ML.
-Инженер по ИИ:
 оптимизирует конвейеры LLM, работает с векторными базами данных,
 подсказками, развертыванием, расширяет GenAI.

В корпорациях интегрируют рабочие процессы на базе ChatGPT внутри компании.
Однако при наличии инструментов искусственного интеллекта остаются важными
человеческий надзор, системное мышление и инженерная зрелость.

В области анализа данных Python победил. Почему?
- Он интегрируется с инструментами обработки больших данных, такими как PySpark;
- Он удобен для работы в производственной среде;
- Это основной язык в командах ML;
- Он имеет непревзойденную поддержку сообщества;
- язык R актуален для специализированной статистической работы, 
  но новичкам лучше начинать с Python;
- Для высокопроизводительных систем по-прежнему актуален C++,
  особенно для конвейеров, чувствительных к задержкам.

Советы экспертов по работе над вашим портфолио практичны:
- Перестаньте использовать случайные наборы данных и начните решать бизнес-задачи.
- Участвуйте в конкурсах, хакатонах, конференциях
- Проделайте анализ открытых наборов данных по розничной торговле, финансам, CRM,
  таких как прогнозирование M5, рекомендации H&M, прогнозирование рынка и пр.
- Для проектов, в которых вы оцениваете свои результаты в сравнении 
  с результатами лидеров пользуйтесь правилом - всегда показывайте, насколько 
  вы близки к первому месту, а не только вашу точность решения.