Μεταπτυχιακά στην Επιστήμη Δεδομένων

[Steve9393]

Καλησπέρα, ειμαι απόφοιτος Στατιστικής του Πανεπιστημίου Πειραιά και ΠΜΣ Αναλογιστικής Επιστήμης του ίδιου πανεπιστημίου. Εργάζομαι σε μια ασφαλιστική εταιρεία και πρόσφατα μου γεννήθηκε η ιδέα να ξεκινήσω ένα μεταπτυχιακό στην επιστήμη δεδομένων ή κάτι παρεμφερές. Το ζήτημα είναι ότι όλα τα καλά μεταπτυχιακα στον τομέα αυτό στην Ασσοε έχουν γύρω στα 7500 για part time άρα δεν ξέρω κατά πόσο αξίζει. Επίσης όσα είναι με πρωινά μαθήματα όπως στο ΕΜΠ αποκλείονται καθώς εργάζομαι. Θα ήθελα την γνώμη όσων έχουν κάνει ένα σχετικό μεταπτυχιακό για τα παραπάνω μεταπτυχιακα καθώς και για τα big data & analytics στο παπει και το Data Science στο Δημόκριτος που κινούνται στα 3 με 4 Χιλ.

 

[george777]

Καλησπέρα! Αν αναφέρεσαι στο μεταπτυχιακό "Business Analytics" του ΟΠΑ επέτρεψε μου να σου πω ότι αξίζει και με το παραπάνω τα λεφτά του μιας και μιλάμε για ένα μεταπτυχιακό που δεν έχει σχέση με τα ελληνικά μεταπτυχιακά μιας και προσφέρει επιπλέον πιστοποιήσεις που προσφέρουν πανεπιστήμια του εξωτερικού (πιστοποίηση sas) καθώς επίσης συνεργάζεται με εταιρείες κολοσσούς σε αυτό τον τομέα. Επίσης το πρόγραμμα σπουδών είναι υπερπλήρες και δεν συγκρίνεται με τα υπόλοιπα μεταπτυχιακά στην Ελλάδα στον τομέα αυτό. Ένα ακόμα πλεονέκτημα είναι ότι είναι διεθνώς αναγνωρισμένο μιας και είναι πολύ υψηλά στις κατατάξεις!
Μάλιστα έχει και αρκετούς international φοιτητές κάθε χρόνο!

 

[nPb]

Με αφορμή το θέμα που ανοίξατε, θα ήθελα να ρωτήσω επειδή έριξα μια ματιά και βλέπω ότι υπάρχουν πολλά μεταπτυχιακά προγράμματα παγκοσμίως, σε καλύτερα Πανεπιστήμια, μεταξύ των οποίων και το πρόγραμμα της ΑΣΟΕΕ, δεν υπάρχει ανταγωνισμός ακόμη και από πτυχιούχους άλλων χωρών; Βρίσκουν όλοι τόσο εύκολα δουλειά;

 

[vassilis498]

άλλο το business analytics άλλο το data science, τελείως διαφορετικοί τομείς. Το data science επειδή μπορεί να γίνει αρκετά τενχικό και επειδή πλέον και το κάθε ψιλικατζίδικο βάζει machine learning έχει απίστευτη ζήτηση και καλά λεφτά (τουλάχιστον για την ώρα). Για αυτό φυτρώνουν μεταπτυχιακά παντού σαν κουνουπίδια, βρήκαν την αγελάδα και την αρμέγουν. Τώρα το αν είναι απαραίτητο για να πας προς τα κει επαγγελματικά, ίσως και να μην είναι, αλλά αυτό προϋποθέτει και κάποια άλλα πράματα όπως το τι υπόβαθρο έχεις στην πληροφορική και πόσο οκ είναι η δουλειά σου με το να σου δώσει τη δυνατότητα και το χρόνο να εκπαιδευτείς σε κάτι τέτοιο ενώ πληρώνεσαι.

Τα χρήματα που ζητά το ΟΠΑ για μεταπτυχιακά είναι απαράδεκτα κατά τη γνώμη μου, το ότι θα τα πάρεις πίσω ίσως και να τα πάρεις αλλά τα ίδια ισχύουν και για άλλα μεταπτυχιακά που ζητάνε τα μισά ή και καθόλου. Του Δημόκριτου, επειδή έτυχε να πέρασα απ' το lab που μάλλον το διευθύνει, οι τύποι είναι δυνατοί αλλά ο καχύποπτος εαυτός μου σκέφτεται πως μάλλον κοιτάνε να τσιμπήσουν υποψήφιους ερευνητές που θα τους βγάλουν δουλειά. Γενικά η αλήθεια είναι παίζει πολλή αρπαχτή παντού.

Θα σου πρότεινα να το κυνηγήσεις να κάνεις ένα pivot στην δουλειά που βρίσκεσαι τώρα που θα ναι πολύ πιο εύκολο απ' το να σε πάρει κανείς ως data scientist out of the blue, να δεις αν σ αρέσει τι κενά έχεις, πχ μπορεί να δεις πως τα καταφέρνεις με τη στατιστική αλλά σε ζορίζει η python ή το machine learning. Κι αν δεις πως έχεις να πάρεις πράματα απ' αυτό κάντο, αλλά σε κάθε περίπτωση για μένα δεν αξίζει να παρατήσεις τη δουλειά σου για να κάνεις μεταπτυχιακό, θα κοιτούσα κάτι που να βγαίνει παράλληλα.

 

[Steve9393]

Για το. Big data Analytics στο ΠαΠει τι γνώμη έχεις? Σαφώς μιλάμε για παράλληλα. Έχω ρωτήσει για παράδειγμα αυτό έχει απογευματινές ώρες αλλά μιλάμε ότι θα πρέπει να τρέχω όλη μέρα.

 

[vassilis498]

Δες τα μαθήματα που κάνουν, η λέξη analytics εκεί μέσα με τρομάζει λίγο εγώ όταν ακούω big data καταλαβαίνω Spark και Hadoop όχι excel. Δες λίγο και προσανατολίσου με τι ακριβώς θες να ασχοληθείς γιατί κάποια πεδία είναι business focused (όπου ακούς business περισσότερο μπλαμπλα λιγότερο engineering) όπου θα παίξεις περισσότερο με excel, ίσως SPSS αλλά αυτό δε το ξέρω, SQL, και κάποια πιο τεχνικά όπου θα χρειαστείς γνώσεις προγραμματισμού και μαθηματικών με python/R ή αν θες να πας για engineer, να παίζεις με Apache Spark και να γράφεις scala (λιγότερο πιθανό αν με ρωτάς). Το data science είναι ένα τεράστιο umbrella term.

 

[nPb]

επειδή πλέον και το κάθε ψιλικατζίδικο βάζει machine learning έχει απίστευτη ζήτηση και καλά λεφτά (τουλάχιστον για την ώρα). Για αυτό φυτρώνουν μεταπτυχιακά παντού σαν κουνουπίδια, βρήκαν την αγελάδα και την αρμέγουν.

Γιατί πιστεύεις γίνεται αυτό; Μπορούν όλοι να στηρίξουν επαγγελματικά ένα τέτοιο μεταπτυχιακό;

 

[vassilis498]

Όλο το industry πλέον έχει υιοθετήσει data driven μοντέλα αποφάσεων που στηρίζονται βαριά σε analytics. Επομένως χρειάζονται κάποιου είδους data scientist/ETL/machine learning/BI για όλο το φάσμα από την άντληση και την επεξεργασία δεδομένων ως και τα machine learning μοντέλα, τα insights και το visualisation. Η ζήτηση είναι αρκετά μεγάλη οπότε ναι, είναι σχεδόν σίγουρο πως θα βρεις δουλειά στο αντικείμενο ακόμη κι αν δεν είσαι τόσο καλός. Υπάρχουν θέσεις για τα πάντα.

 

[nPb]

Πάντως ψάχνοντας στο διαδίκτυο μου έβγαλε αυτό:

Why Are So Many Data Scientists Quitting Their Jobs? - KDnuggets

After speaking to co-workers in the data industry who like me, had left their jobs at a very early stage in their career, I’ve come to realize that there are two main reasons the data science field has such a high employee attrition rate.

www.kdnuggets.com

 

[vassilis498]

το άρθρο αυτό όπως το διάβασα διαγώνια απλά γράφει πως πολλές εταιρείες εκεί έξω είναι ολίγον τι οργανωτικά και τεχνολογικά μπουρδέλα με αποτέλεσμα να αποθαρρύνουν επαγγελματίες. Που ισχύει, υπάρχει και σκουπιδαριό εκεί έξω όπως υπάρχουν και άσχετοι. Για αυτό λέμε υπάρχουν θέσεις για όλα τα μεγέθη. Αυτά ισχύουν και για το software engineering που ξέρω και μαντεύω και για πολλούς άλλους τομείς. Δεν είναι όλοι οι εργοδότες google ούτε όπου θα πας θα σε βάλουν να κάνεις RnD νταξει ας είμαστε λίγο ρεαλιστές. Και σκατοδουλειά θα χρειαστεί να κάνεις και να πιέσεις για πράγματα και διάφορα.

 

[nPb]

Προς φίλο @Volkswagen Fan, @Andypro και άλλους:

Σκέφτηκα να ορίσουμε λίγο τις λέξεις των δεδομένων επειδή πολλές φορές στα Ελληνικά μιλάμε στο περίπου, εννοώντας άλλα, ή προκαλώντας σύγχυση πιθανόν και σε νέους απόφοιτους. Με ψάξιμο είδα ότι ο κλάδος των δεδομένων διαχωρίζεται σε δυο κλάδους:

• Επιστήμη Δεδομένων (Data Science) για υπόβαθρο σε Πληροφορική
• Ανάλυση Δεδομένων (Data Analysis or Data Learning) για υπόβαθρο σε Μαθηματικά** και Στατιστική ή Οικονομικά (υπό συνθήκη)

Data Analysis:

• Συνδέεται με: Αριθμητική Ανάλυση, Συναρτησιακή Ανάλυση (Ανάλυση σε Χώρους Hilbert, Ορθογώνια Γεωμετρία), Κυρτή Βελτιστοποίηση και μέρος της Μαθηματικής Στατιστικής (με τις παρακάτω 4 ενότητες)

Η Ανάλυση Δεδομένων αφορά τον υβριδικό επιστημονικό κλάδο της Συναρτησιακής Ανάλυσης και της Μαθηματικής Στατιστικής μέσω της Αριθμητικής Ανάλυσης που ονομάζεται ως Statistical Learning or Statistical Analysis και έχει υποκλάδους: Dictionary Learning, Digital Signal Processing, Acoustic Tomography, κτλ αποτελώντας ένα γενικότερο πλαίσιο της σύγχρονης Μαθηματικής Βελτιστοποίησης.

Με προσωπική έρευνα σε διάφορα επιστημονικά περιοδικά και blogs κατέληξα ότι: η Mαθηματική Στατιστική που χρησιμοποιείται σε εταιρίες, οργανισμούς, τράπεζες και βιομηχανίες είναι διάφορες αλγοριθμικές μέθοδοι από τα κλασικά κεφάλαια Στατιστικής και Πιθανοτήτων:

1. Θεωρία Εκτιμήσεων σύνδεση με Αριθμητική Ανάλυση
2. Έλεγχοι Υποθέσεων
3. Παλινδρόμηση (Γραμμικά και Μη Γραμμικά Μοντέλα) γέφυρα με Οικονομετρία
4. Πιθανοτικά Μοντέλα Αποφάσεων (Exploit Data Statistics)

ρίχνοντας "γέφυρα" είτε

- στην επαγγελματική ειδικότητα του Business Analytics
(συνώνυμη λέξη με τις πέντε ενότητες παραπάνω)
είτε

- στην στατιστική προσέγγιση της μηχανικής μάθησης (Στατιστική Ανάλυση)

Η ανάλυση χρονοσειρών είναι μια ειδική ενότητα στατιστικής που μπλέκει και στοχαστικές διαδικασίες με περιορισμό μόνο για όσους πάνε στον χρηματοοικονομικό τομέα με επιπλέον πιστοποιήσεις (CFA, κτλ). Ειδική ενότητα αποτελεί η στατιστική Bayes με σχετικές εφαρμογές στην Θεωρία Λήψης Αποφάσεων.

Ενδεικτικά:

Η μηχανική μάθηση (machine learning) ανήκει στην επιστήμη δεδομένων που απευθύνεται σε πτυχιούχους Πληροφορικής γιατί μπλέκει και άλλες πιο τεχνικές ενότητες από την Πληροφορική, τους Ηλεκτρονικούς Μηχανικούς και τους Μηχανικούς ή Επιστήμονες Πληροφορίας.

** Η ανάλυση δεδομένων (statistical learning: regression und classification) σε συνδυασμό με προγραμματισμό, αποτελεί ένα δυνατό μαθηματικό προφίλ για θέσεις σε επενδυτικές τράπεζες, χρηματιστηριακές εταιρίες, ασφαλιστικές εταιρίες, φαρμακευτικές εταιρίες, βιομηχανίες κατασκευής τεχνολογίας, δικαστήρια, νοσοκομεία, σχολικές εταιρίες, κτλ. Δηλαδή, ένας μαθηματικός ή φυσικός που έχει εξειδίκευση στην ανάλυση δεδομένων και εργάζεται σε μια ασφαλιστική εταιρία δεν θεωρείται αναλογιστής (που θέλει άλλη πιστοποίηση για την άδεια επαγγέλματος) για παράδειγμα, αλλά μπορεί να ασχοληθεί με τα δεδομένα των ασφαλιστικών προτύπων.

Η στατιστική μάθηση ή στατιστική ανάλυση περιέχει δυο μεγάλους θεματικούς άξονες:
- Γραμμική/Μη Γραμμική Παλινδρόμηση (σύνδεση με την Μαθηματική Στατιστική και Οικονομετρία)
- Μέθοδοι Ταξινόμησης Δεδομένων.