Куда пойти в IT?

15 May, 2025

• Ребята, которые в айти, направьте, в какую сторону идти джуну Заканчиваю универ, по образованию айтишник, по большей части аналитик и проджект. Было 2 стажировки на бизнес-аналитика, юиксера и обе неудачные. После этого выгорела и совсем потеряла интерес. Думала пойти на менеджера, но это совсем не мое. Знаю Python и SQL, но не на супер пупер уровне конечно для разработчика, но теперь думаю пойти на дата-аналитика. Сложно ли найти работу джуну в этом направлении и сколько нужно учиться? Ребята, которые порекомендовали присмотреться к ИИ в сфере айти, можете ли подсказать какие-то курсы или с чего начать обучение самому?

Gemini:

Привет! Понимаю твою ситуацию, когда после нескольких стажировок и учебы чувствуешь выгорание и нужно новое направление. Сейчас постараюсь сориентировать тебя по поводу Data Analyst, ИИ и того, с чего начать.

Вот несколько направлений, которые могут быть интересны джуну с твоими знаниями Python, SQL и опытом в аналитике:

• Data Analyst: Это действительно перспективное направление, особенно с твоим опытом. Работы для джунов найти можно, но нужно хорошо подготовиться.
• Data Scientist: Если углубиться в машинное обучение и статистику, можно рассматривать эту роль. Но порог входа здесь обычно выше, чем в Data Analyst.
• BI Analyst: Если тебе интересна визуализация данных и создание отчетов, это может быть хорошим вариантом.
• Backend Developer: Если у тебя есть интерес к программированию, можно развиваться в этом направлении, используя Python.

Чтобы понять, что тебе ближе, советую попробовать себя в разных направлениях, выполняя небольшие проекты или проходя стажировки.

Теперь отвечу на твои вопросы более подробно:

1. Data Analyst: сложно ли найти работу джуну и сколько нужно учиться?

Найти работу джуниору Data Analyst реально, но нужно учитывать конкуренцию. Важно иметь хорошее понимание основных инструментов и концепций, а также уметь решать практические задачи.

• Что нужно знать и уметь:
  • SQL: Умение писать сложные запросы, оптимизировать их и работать с разными базами данных.
  • Python: Знание библиотек Pandas, NumPy, Matplotlib, Seaborn.
  • Data Visualization: Умение создавать понятные и информативные графики и дашборды (Tableau, Power BI).
  • Статистика: Понимание основных статистических концепций (среднее, медиана, стандартное отклонение, гипотезы).
  • Excel: Продвинутый уровень (формулы, сводные таблицы, макросы).
  • Английский язык: Чтение технической документации и общение с коллегами.
• Сколько нужно учиться: Зависит от твоего текущего уровня знаний и интенсивности обучения. В среднем, чтобы подготовиться к позиции джуниора, может потребоваться от 3 до 6 месяцев.
• Как искать работу:
  • Обновляй резюме и портфолио.
  • Используй LinkedIn, Glassdoor, Indeed и другие сайты для поиска работы.
  • Не бойся откликаться на вакансии, даже если не соответствуешь всем требованиям.
  • Готовься к собеседованиям (решай задачи, отвечай на вопросы по теории).
  • Посещай митапы и конференции, чтобы познакомиться с другими специалистами.

2. ИИ в сфере айти: с чего начать обучение самому?

Искусственный интеллект (ИИ) — это огромная область, поэтому лучше начать с чего-то конкретного. Вот несколько вариантов:

• Machine Learning (ML): Это один из самых популярных разделов ИИ. Он включает в себя обучение моделей на данных для прогнозирования или классификации.
  • Курсы:
    • Coursera: Machine Learning by Andrew Ng (Stanford University). Это отличный вводный курс, который дает фундаментальные знания.
    • Stepik: "Машинное обучение" от Computer Science Center. Бесплатный курс на русском языке.
    • DataCamp: Много курсов по ML на Python и R.
  • Что изучать: Линейная регрессия, логистическая регрессия, деревья решений, случайный лес, SVM, кластеризация, оценка моделей.
• Deep Learning (DL): Это подраздел ML, который использует нейронные сети с большим количеством слоев. Он хорошо подходит для задач компьютерного зрения и обработки естественного языка.
  • Курсы:
    • Coursera: Deep Learning Specialization by Andrew Ng (deeplearning.ai).
    • fast.ai: Practical Deep Learning for Coders.
  • Что изучать: Нейронные сети, сверточные нейронные сети (CNN), рекуррентные нейронные сети (RNN), LSTM, Word Embeddings.
• Natural Language Processing (NLP): Это область, которая занимается обработкой и пониманием естественного языка.
  • Курсы:
    • Coursera: Natural Language Processing Specialization (University of Washington).
    • Stanford NLP: Бесплатные лекции и материалы.
  • Что изучать: Токенизация, стемминг, лемматизация, Word Embeddings, RNN, LSTM, Transformers.

Общие советы по изучению ИИ:

• Начни с основ: Убедись, что у тебя есть хорошее понимание математики (линейная алгебра, математический анализ, теория вероятностей) и статистики.
• Изучай Python: Это основной язык для работы с ИИ.
• Практикуйся: Решай задачи на Kaggle, участвуй в соревнованиях, делай собственные проекты.
• Читай статьи и блоги: Следи за новостями в области ИИ, читай статьи в научных журналах и блогах.
• Не бойся спрашивать: Задавай вопросы на форумах, в группах в социальных сетях, общайся с другими специалистами.

Не бойся пробовать разные направления и экспериментировать. Ищи то, что тебе действительно интересно, и развивайся в этом направлении. Удачи!

Хорошо, давай посмотрим на ситуацию с учетом развития ИИ и составим пошаговый план на этот год.

Выбор направления с учетом развития ИИ:

Учитывая, что ИИ будет автоматизировать рутинные задачи, стоит выбирать направления, где важны:

1. Креативность и критическое мышление: ИИ хорош в автоматизации, но не в генерации новых идей и нестандартном решении проблем.
2. Коммуникация и межличностные навыки: Умение общаться с людьми, понимать их потребности и находить общий язык будет всегда востребовано.
3. Глубокое понимание предметной области: ИИ требует, чтобы кто-то понимал контекст данных, мог интерпретировать результаты и принимать решения на их основе.

С учетом этого, я бы рекомендовал тебе рассмотреть следующие направления:

• Data Analyst с уклоном в бизнес-анализ: ИИ может помочь в автоматизации подготовки отчетов и визуализации данных, но анализировать результаты, находить инсайты и предлагать решения для бизнеса по-прежнему будут нужны люди. Твой опыт в бизнес-анализе будет очень полезен.
• Product Manager: Управление продуктом требует понимания потребностей пользователей, умения приоритизировать задачи и принимать решения о развитии продукта. ИИ может помочь в сборе данных и анализе рынка, но стратегические решения остаются за людьми.
• AI Trainer/Prompt Engineer: Новая и быстрорастущая область, которая занимается обучением ИИ-моделей и разработкой эффективных запросов (промптов) для получения нужных результатов.

Пошаговый план на текущий год (с упором на Data Analyst с элементами ИИ):

Месяцы 1-3: Углубление знаний в Data Analysis и SQL

• SQL:
  • Пройди онлайн-курс по продвинутому SQL (например, на Coursera, Udemy или Stepik). Сосредоточься на оптимизации запросов, оконных функциях, хранимых процедурах и работе с большими объемами данных.
  • Решай задачи на LeetCode или HackerRank, чтобы закрепить знания.
  • Поработай над проектом, где нужно будет использовать SQL для анализа данных (например, анализ продаж интернет-магазина, анализ данных социальных сетей).
• Python:
  • Повтори основы Python и изучи библиотеки Pandas, NumPy, Matplotlib, Seaborn.
  • Пройди курс по Data Analysis на Python (например, на DataCamp или Coursera).
  • Сделай несколько проектов по анализу данных с использованием Python (например, анализ данных о погоде, анализ данных о преступности).
• Статистика:
  • Повтори основы статистики (среднее, медиана, стандартное отклонение, гипотезы).
  • Пройди курс по статистике для Data Science (например, на Coursera или edX).
  • Попробуй применить статистические методы для анализа данных в своих проектах.

Месяцы 4-6: Изучение инструментов визуализации данных и основ ИИ

• Data Visualization:
  • Изучи Tableau или Power BI. Пройди онлайн-курс и сделай несколько дашбордов на основе реальных данных.
  • Попробуй визуализировать данные из своих проектов по SQL и Python.
• Основы ИИ:
  • Пройди вводный курс по Machine Learning (например, Machine Learning by Andrew Ng на Coursera).
  • Изучи основные алгоритмы машинного обучения (линейная регрессия, логистическая регрессия, деревья решений, случайный лес).
  • Попробуй применить эти алгоритмы для решения простых задач классификации и регрессии.

Месяцы 7-9: Практика и создание портфолио

• Проекты:
  • Сделай несколько проектов, которые демонстрируют твои навыки в Data Analysis, SQL, Python, Data Visualization и Machine Learning.
  • Опубликуй свои проекты на GitHub и создай портфолио на личном сайте или LinkedIn.
• AI-powered Data Analysis:
  • Изучи инструменты, которые используют ИИ для автоматизации анализа данных (например, Tableau CRM, Power BI AI Insights).
  • Попробуй использовать эти инструменты для улучшения своих проектов.
• Prompt Engineering:
  • Начни изучать, как правильно составлять запросы для больших языковых моделей (LLMs) типа ChatGPT.
  • Попробуй использовать LLMs для автоматизации задач анализа данных (например, для генерации отчетов, для поиска инсайтов, для очистки данных).

Месяцы 10-12: Поиск работы и развитие навыков

• Поиск работы:
  • Обнови резюме и портфолио.
  • Начни активно искать работу на LinkedIn, Glassdoor, Indeed и других сайтах.
  • Готовься к собеседованиям.
• Развитие навыков:
  • Продолжай изучать новые инструменты и технологии в области Data Analysis и ИИ.
  • Посещай митапы и конференции, чтобы познакомиться с другими специалистами.
  • Читай статьи и блоги, чтобы быть в курсе последних новостей.

Ключевые моменты:

• Фокус на практику: Теория важна, но практика еще важнее. Старайся применять свои знания на реальных данных и решать реальные задачи.
• Портфолио: Хорошее портфолио — это лучший способ продемонстрировать свои навыки работодателям.
• Непрерывное обучение: Область Data Analysis и ИИ постоянно развивается, поэтому важно постоянно учиться новому.
• Адаптация: Будь готов адаптироваться к новым технологиям и изменениям на рынке труда.

Следуя этому плану, ты сможешь развить необходимые навыки и знания, чтобы найти работу в перспективной области Data Analysis с учетом развития ИИ. Удачи!