Milyen lenne lányként a villamosmérnök szak?

Pontosan olyan, mint fiúként, csak nem lötyög a golyó a lábaid között, miközben órára sietsz. Szívesen!

26n

Ha szép arcod van, és jó alakod, akkor van némi esélyed egy gazdag pasira, amúgy nemigen (de persze nem édesanyádnak kell a minősítést megadni, hanem független szakértőnek). Arra pont ugyanilyen kevés esélyed van, hogy ha eddig teljesen közömbös volt az elektromosság, azt megkedveld. A középiskolában jó lenni matekból és fizikából, az nem igazan biztosíték még egy egyetem elvégzésére.

Természetesen már millióan elvégezték olyanok, akik mindegyik tárgyból csak úgy bukdácsoltak, mint Mr. Bean a tévéképernyőn. Egyébként ő pont villamosmérnök. :)

Mi köze ennek ahhoz, hogy lány vagy?

Értsed és érdekeljen.

Ha nem élsz-halsz az áramkörökért, hardware-ért, kütyükért, akkor sokkal jobb szakma számodra az alkalmazott matematikus, a “rendes” közgazdász (GPME vagy alk. közgazdaságtan), vagy az adattudomány. Ez utóbbiról idemásolom egy korábbi hozzászólásomat:

A data scientist ("adattudós") voltaképpen egy programozó statisztikus, aki [jó esetben nagy tömegű] adatot elemez, azokra ír tanuló algoritmusokat, illetve adatelemzésen alapuló szoftvereket vagy legalábbis azoknak egy részét készíti. (Közérthetőbb, de parasztvakításosabb nyelven szólva mesterséges intelligencia-alapú megoldásokat készít.)

Amiket pl. én csinálok:

- Az ügyfél ad egy mintát az adataiból és nagyjából elmondja, hogy mit szeretne (ez többnyire valamilyen nagyon ködös elképzelés), ezek ilyenek, mint hogy: "szeretnék egy olyan algoritmust, amely megjósolja, hogy hogyan alakul a bevétel / termés / ár / ... / ..."

- Az adatmintát "szétszedjük", felfedezzük, ebből kialakul egy kép, hogy nagyjából mire van lehetőség

- Az ügyféllel közösen kitaláljuk, hogy mit és hogyan lehetne megvalósítani abból, amit szeretne

- Elkezdjük az adatait mélyebben elemezni. Az adatokon belül összefüggéseket tárunk fel – sok esetben az ügyfél már itt ledöbben, hogy ezt nem is gondolta volna [nagyon meglepő, az emberek mennyire nem ismerik a saját adataikat, illetve ha soha nem elemezték, mi minden fölött siklottak el]

- ... eközben igazából adatot tisztítunk (pl. kitöltjük a hiányzó adatokat valamilyen módszerrel), nagyon szép grafikonokat készítünk (de ne ilyen egyszerű tortadiagramra gondolj, hanem gyönyörű vizualizácókra mint pl. [link] vagy [link] hozzá magyarázó szöveget írunk stb.

- Elkezdünk adatot modellezni. Az adatmodellezés során különböző gépi tanulásos (machine learning azaz ML) modelleket próbálgatunk rá az adatokra, ezek maguk a "jósló" algoritmusok

- Mi többnyire interaktív dashboardokat készítünk, ezek böngészőben futó interaktív honlapok, mint pl. [link]

- Ha készen vannak az adatmodellek, akkor ezekből profi un. pipeline-okat készítünk (ezek programok amelyeken az adat "végigfut", ezek hozzáférnek az ügyfél rendszereihez, lekérik az adatokat, végigfuttatják az adattisztító algoritmusokon, utána a modelleken [jósolnak], a végeredményt meg vagy elküldik a dashboardra, vagy adattárházba / adatbázisba mentik, az ügyfél hozzáférhet más rendszerekből (un. API-kon keresztül) stb.

A data scientistek feladatai kb. tehát az ügyfelekkel való tárgyalás, üzleti problémák megértése, adatok megismerése, feltérképezése, adattisztítás, adatmodellezés, programozás, vizualizációk és prezentációk készítése, dashboardok vagy APIk vagy más megoldások programozása és a megoldás üzembe helyezése.

A Data Scientistek tevékenységeinek egy részét az un. Machine Learning Engineerek végzik, ez a kettő keveredő fogalom. Amerikában inkább MLE-k dolgoznak, Európában mi data scientistek vagyunk a MLE-k is. Illetve maguk a Data Scientistek is specializálódnak, van aki csak adatokat turkálni és adatmodellezni szeret, van aki programozni, van, aki üzleti problémákat megoldani és ügyfelekkel tárgyalni. Nagyobb csapatokban van lehetőség "helyezkedni".

A data scientistek munkáját segítik a data engineerek, akik igazából az adat alapú megoldások üzemeltetői ("rendszergazdái")... ők felelősek az infrastruktúráért, adatbázisok üzemeltetéséért, de nálunk pl. beleszólnak a data scientistek kódjaiba is (a hajukat tépve, mert a data engineerink általában informatikusok, a data scientistjeink meg matematikusok / statisztikusok, nem mindig a legjobb programozók).

Végül, hogy miket készítenek az adattudósok? Pár ismertebb példa:

- a netflix, hbo app ajánlórendszereit

- a Tesla önvezető algoritmusát

- a Gmail stb. spam filterét

- az orvosi műszerek rákfelismerő algoritmusait

- az Apple Watch stb. health algoritmusait (pl. alvásmonitor stb.)

- a biztosító társaságoknál a hitelbírálatot

- befektetési bankoknál a részvényekkel kereskedő algoritmusokat

stb. stb. Hamarosan mindent átszőnek az ilyen típusú megoldások, az egész nagyon gyerekcipőben jár még, és éppen ezért aranybánya. Iszonyú sokat lehet vele keresni, az informatikus fizetések felső harmadánál kezdődnek a data scientist fizetések.

Sokféle módon lehet valaki data scientist, Magyarországon pl. (pár tipp):

- Matek alapszak + alk. matek mesterszak

- Matek alapszak + biztosítási matek mesterszak

- Fizikus alap- és talán mesterszak, vagy alk. matek vagy biztosítási matek mesterszak

- Programtervező informatikus alapszak + elte data science mesterszak (csak angolul van) vagy valami data science mesterszak külföldön

- Corvinus vagy PTE Gazdaság- és pénzügymatematikus osztatlan szak (GPME)

- Corvinus alk. közgazdaságtan alapszak + SCM képzés + pl. biztosítási matek vagy elte survey statisztika és adatanalitika mesterszak

- Villamosmérnök vagy mérnökinformatikus alapszak + megintcsak valami célirányú mesterszak itthon vagy külföldön

- Pénzügy-számvitel vagy marketing alapszak + elte survey statisztika mesterszak

- Szociológia alapszak + elte survey statisztika mesterszak

- Biológus alapszak + biostatisztika vagy bioinformatika mesterszak külföldön

A biológia és szociológia alapszakok elsőre furcsának hangzanak, pedig ők ülnek nagytömegű valódi adatokon rögtön az első évtől kezdve, ők tanulnak kutatási módszertant és adatprogramozást is, és sokan lesznek közülük data scientistek.

A fizikus is furának tűnhet, pedig az egyik legjobb képzettség ehhez, mivel iszonyúan jók matekból és statisztikából és tudnak programozni is Pythonban és C++-ban.

A fentiek mindegyike kb. ugyanolyan jó, de a legjobb szerintem egy alk. matek alap- és talán mesterszak + valami data science mesterszak külföldön.

#9

Szakmabeli vagyok de őszintén nem értem, miért nyomatod agyba-főbe a témát ezen az oldalon. Ha nem jó matekból és nincs hozzá affinitása, az sem fog neki menni, nem jobban, mint a villamosmérnöki. Villamosmérnök lehet az ember egy 3.5 éves alapszak után, a data scientist a mesterszakos végzettségnél kezdődik, de a többségnek doktori végzettsége is van. Nem azért hívják science-nek, mert úgy menőbb, hanem ténylegesen tudományos munkakör. Legalábbis az a szint, amit én méltónak tartok arra, hogy tudománynak hívjam, nem pedig valami pénzügyi elemzői feladatkör sql-el meg powerBI-al megborítva. Az nem adattudomány, az adatelemzés. Az adattudomány nem leíró statisztikával foglalkozik, hanem prédikál. Attól, hogy valamiben szerepel a data szó, nem lesz automatikusan data science. Olyan, mint mikor a business analystot keverik a data analysttel. Ne vicceljünk már.

Ha nem él - hal a statisztikáért és a matekért, nem fog neki ez a terület sem menni, max valami lélekölő munkát talál, ahol más csicskája lehet és riportokat készíthet látástól vakulásig analystként, de ugye erről senki sem beszél, csak toljuk ezerrel a legyél data scientist dumát, mert valaki azt mondta, hogy most épp az a szexi.

Amúgy a társadalomtudományi adatelemzés sem data science, olyan messze van ez attól, hogy valaki túllépjen a rendelkezésre álló adatok boncolgatásán és a szakterületéhez tartozó következtetések levonásán (szakterület alatt azt a területet értem, amin zajlik épp az adott kutatás, nem azt, aminek a módszertani matematikai eszköztár köszönhető), mint Makó Jeruzsálemtől. Tudom, mert én is társadalomtudományi területen kutattam, mielőtt a szakmába kerültem és onnan még nagyon messze volt az, hogy a módszertani tudásom alkalmas lett arra, hogy ugyancsak tudománynak hívják, ne pedig csak amiatt legyek kutató, amit vele vizsgálok és amihez ténylegesen értek. Egy szabó sem lesz gépész csak azért, mert gépekkel dolgozik, még ha kell is néha gépet szerelnie. Csak felhasználója az eszköznek. Mi is azok voltunk.

Amúgy a helyedben elgondolkodnék a munkahelyváltáson. Jelenleg 3 szakember munkáját végzed. Nem, nem feladatod az ügyféllel tárgyalni, azt a BA-k és a PM-ek csinálják jobb helyeken. A feladataid nagy része adattisztítás és elemzés, az adattisztítás része data engineer feladatkör, nem a te dolgod lenne szintén. Adatokban turkálni pedig továbbra sem data science önmagában, nincs olyan, hogy valaki csak ezt csinálja és ő akkor másfajta data scientist. Ő data analyst. Nem rosszabb vagy kevesebb, de egyértelműen nem az, hiába szeretnek ma már minden szart data sciencenek hívni, az excelbabrálástól az adatbázisfejlesztésig. Neked alapesetben egy épkézláb adattárházból kellene dolgoznod, nem szedett-vedett nyers adatokkal küzdeni még. Ezekhez felhasználva a data analystek és esetleg ml engineerek munkájának eredményét (az adatok természetét leíró kimutatásokat és a modelleket - utóbbihoz neked is lehet közöd valóban, ez az alkalmazott modell komplexitásától függ, ahol DL-t alkalmaznak, ott külön munkakör, ahol egyszerűbb tanulóalgoritmusokat, ott nem különül el annyira). Jellemzően te ezeket az eszközöket és adatokat felhasználod arra, amit az üzleti oldalról megfogalmaztak feléd ügyféligénynek és amihez a ml engineerek, data analystek és data engineerek előkészítették neked a terepet úgymond. Már amennyiben data scientistről beszélünk. Szomorú, hogy valahol így túlterhelnek embereket. Nem lehet megfelelően érteni ennyi mindenhez egyszerre, ez nem normális dolog.