data science medicine обучение
Врач со знанием Data Science – путь к уникальной специальности
Как сближение медицины и Data Science открывает новое направление деятельности. И что наука о работе с данными может привнести в российское здравоохранение уже в ближайшие несколько лет.
Попова Елена. Студент Geek University, факультет Искусственного интеллекта
Я врач – работаю по специальности терапия уже скоро пять лет. Профессия мне нравится – она даёт навыки, которых не получишь больше нигде. Но в последнее время мне стало не хватать возможностей для самореализации: нынешний круг задач – не то, чему я хотела бы посвятить жизнь. Тем более, работать приходится в условиях российской системы здравоохранения, которая, на мой взгляд, отстает в развитии. Что ж, за осознанием проблемы должны следовать действия.
Всё началось с того, что в медицинской и научной литературе мне стали регулярно попадаться на глаза термины «Искусственный интеллект», «Анализ больших данных», Data Science (наука о работе с данными). Тогда я ещё не очень представляла себе, что стоит за каждым из этих понятий и как связанные с ними технологии могут изменить отрасль. Но я была заинтригована, и чем больше погружалась в тему, тем интереснее мне становилось.
Долгое время практическая медицина была очень далека от сферы информационных технологий. Ещё два десятка лет назад это были почти не соприкасающиеся друг с другом миры. Однако ближе к 2010-му году IT-решения начали активно интегрироваться практически во все сферы жизни. И медицина в этом смысле не исключение, скорее наоборот – одно из направлений, где применение новых технологий наиболее заметно и востребовано.
Особенно вдохновляюще выглядят проекты по фолдингу белка и последние сообщения СМИ о том, что применение искусственного интеллекта помогло обнаружить новый перспективный антибиотик. Как врач я знаю, что за последние годы большой шаг вперёд сделала компьютерная обработка медицинских изображений, в частности, рентгеновских снимков. Да и вообще, обработка данных для последующего принятия решений – фундамент, на котором строится работа любого врача. Без этого постановка диагноза и лечение невозможны. А вычислительные системы и искусственный интеллект могут ускорить поиск решения и минимизировать риск ошибки.
В какой-то момент я поняла, что применение достижений Data Science в медицине – именно то, чем мне хотелось бы заниматься. Но сначала я сомневалась, стоит ли в 28 лет кардинально менять направление деятельности. Изучила вопрос подробнее, пообщалась со знакомыми медиками, которые используют в работе ИИ, поняла, что это очень востребованное направление, есть много подобных интересных кейсов, и да, это сложный, но очень подходящий мне путь.Интересно работать на пересечении двух сфер, каждая из которых бурно развивается!
Нынешняя эпидемия дала огромный толчок для развития медицинских технологий. Эта область и раньше считалась перспективной, а сейчас её актуальность стала очевидна всему миру. Здравоохранению приходится подстраиваться под ситуацию, преодолевать свою ригидность, в том числе. Поэтому я считаю, что в следующие несколько лет стоит ждать взрывного роста на рынке medtech. Уже сейчас появилась возможность дистанционной продажи лекарств и сняты некоторые ограничения на телемедицину. Искусственный интеллект в борьбе с эпидемией играет не последнюю роль – он действительно помогает в анализе данных и выработке лучших схем лечения.
Что есть у нас сегодня
Сейчас даже в самой простой государственной поликлинике врачи не пишут ничего от руки, как это было всего несколько лет назад. Все российские поликлиники сейчас подключены к единой медицинской информационно-аналитической системе (ЕМИАС). В ней хранятся данные о диагнозах, о каждом посещении пациентом специалистов, результаты обследований и даже показатели с фитнес-трекеров. Кстати, с недавнего времени всю информацию из своей медицинской карты вы можете просматривать в специальном приложении.
Но самое главное – ЕМИАС накапливает огромные массивы данных о здоровье населения и работе врачей. Анализ этих данных в перспективе позволит лучше контролировать и корректировать работу системы здравоохранения.
Другое очень интересное направление, которое сейчас активно развивается – это телемедицина. И, конечно, мы уже пользуемся системами автоматизированного анализа рентгеновских снимков. Практика показала, что искусственный интеллект справляется с этой задачей не хуже докторов.
Я не думаю, что ИИ в обозримом будущем заменит собой врача, но то, что он даст огромный толчок развитию медицины, уже очевидно. Сегодня он уже расширяет возможности специалистов-генетиков, разработчиков медицинского оборудования и лекарств.
Перечислять все возможные области применения ИИ в медицине можно было бы на протяжении целой статьи, но у нас другая тема. Поэтому перейду лучше к рассказу о том, как я начала изучать Data Science и что из этого получается.
Перспективы трудоустройства
Прежде чем осваивать новую специальность, я исследовала рынок труда, причём вакансии аналитика данных искала именно в области медицины. Я не собиралась конкурировать с техническими специалистами широкого профиля, но выбрала для себя нишу, где нужны специалисты со знанием медицины и информационных технологий. Мне удалось найти подобные вакансии, их количество и параметры меня устроили. К тому же, я поняла, что у IT-специалиста возможностей для трудоустройства гораздо больше, чем у врача, особенно если рассматривать работу за рубежом.
Итак, вакансии есть. Уверенность в том, что специалисты в области аналитики медицинских данных будут востребованы и через пять, и через 10 лет – тоже. Тема здравоохранения всегда была актуальна, а в современном мире интерес к ней только увеличивается. Всё больше людей следят за своим здоровьем, готовы вкладывать в это время и деньги. По моим наблюдениям, тема новых технологий в медицине сейчас только набирает популярность, рынок ещё не полностью сформирован и будет развиваться. Следовательно, число вакансий будет расти.
Быстрое погружение в новые технологии
В начале пути у меня не было опыта в программировании и достаточной математической базы для работы с большими массивами данных. Поэтому я искала образовательный проект, где можно было начать освоение Data Science «с нуля». В итоге выбрала программу GeekUniversity, которая включала базовые курсы по математике и востребованному в аналитике языку Python.
За время обучения я начала смотреть на многие вещи в своей работе под другим углом, стала замечать неочевидные пути решения проблем, с которыми сталкиваюсь ежедневно. Например, когда я работаю с медицинскими информационными системами, обращаю внимание на то, как их можно улучшить, как найти им более широкое применение и расширить их возможности.
У меня появились идеи для нескольких проектов, которые я хотела бы реализовать:
Автоматизация аускультации («выслушивания» фонендоскопом) с помощью машинного обучения. Для этой задачи даже специальное оборудование создавать не придется. В свободной продаже уже есть фонендоскопы с функцией записи, которые могут передавать запись на внешнее устройство, например, на смартфон.
Экспертная система, которая поможет врачам принимать решения и анализировать эффективность схем лечения. В рамках ЕМИАС уже есть готовая база знаний, которая позволяет анализировать данные из множества учреждений. Как получить эти данные, конечно, вопрос, но предположу, что создатели системы будут стараться расширить область её применения. Кроме того, немало подобных баз данных можно найти в открытом доступе – на Kaggle, например.
Система долгосрочного мониторинга и предиктивной аналитики состояния здоровья пациентов.
После года учебы и экспериментов с кодом я уже представляю, как должны работать подобные системы, и чувствую в себе силы попробовать реализовать задуманное.
Портфолио
В рамках курса я успела реализовать два проекта из области предиктивной аналитики:
Для решения этих задач понадобилось задействовать практически весь арсенал изучаемых инструментов и методов. Чтобы на основе данных смоделировать ситуацию и просчитать её возможные последствия, прежде всего нужно было выбрать, какие данные показательны, а какие лучше игнорировать. Оценить важность тех или иных признаков помогает матрица корреляции. С её помощью в огромном массиве разрозненных показателей вы начинаете прослеживать связи и зависимости.
Например, в работе над системой кредитного скоринга – начисления заёмщикам баллов «благонадёжности» – мы на реальных данных выяснили, что наличие жилищной ипотеки гораздо больше сказывается на платежеспособности клиента, чем просто сам факт наличия жилья. А средний для клиента размер займа более показателен, чем размер наибольшего непогашенного на данный момент кредита.
В проекте по оценке недвижимости удалось выявить множество коррелирующих между собой признаков, влияние которых на конечную стоимость не сильное, но на основе которых можно отнести жилье к тому или иному классу. Например, на цену недвижимости влияет степень развития инфраструктуры. Дальше мы анализировали все значимые факторы и делали предсказания по стоимости объектов.
Совместить работу и учёбу: трудно, но возможно
Честно, сложно. Но и не могу сказать, что невозможно. Основную сложность для меня составляет то, что, всё таки нужно оставаться хорошим специалистом в своей области, а это тоже требует много времени и трудозатрат. Так что, да, эти две области постоянно друг с другом соперничают, и очень важно сохранять баланс. Кроме того, мой график работы зачастую «конфликтует» с расписанием вебинаров, так что приходится смотреть их в записи.
На работе я свою учебу ни от кого не скрываю. Относятся к этому, в основном, нейтрально. Большинство врачей о современных технологиях и тем более об ИИ имеют весьма расплывчатое представление.
Каждый день я стараюсь выделять на обучение не меньше двух часов. Главное – мне нравится и интересно учиться. А когда занятие в радость, два часа в сутки для него всегда можно найти.
Препятствия и их преодоление
Сложнее всего поначалу мне давалось программирование. Когда сталкиваешься с новой областью знаний впервые, бывает трудно разобраться в самых базовых вещах, которые позже начинают казаться простыми и очевидными. И на самом трудном, начальном, этапе, очень важно, чтобы кто-то мог вам подсказать и помочь советом. Мне в этом плане повезло – у меня довольно много друзей и знакомых в сфере IT, плюс я всегда могу обратиться к преподавателям на курсах, получить обратную связь по сделанным работам и узнать, что в них можно улучшить.
Очень важно не бояться задавать вопросы и просить помощи, вступать в коммуникации с теми, кто знает больше. К тому же, поскольку на основной своей работе и в повседневной жизни я с программированием не сталкиваюсь, свежие знания в этой области могут очень быстро уходить в пассив и выветриваться. Поэтому пройденный материал я обязательно конспектирую, чтобы удобнее было его периодически повторять. И когда тот или иной инструмент потребуется на практике, всегда можно будет перечитать конспект и вспомнить базовые вещи.
На мой взгляд, в любом учебном процессе важнее всего – самодисциплина. Чтобы получить результат, обязательно выработать у себя привычку учиться. Когда вы из раза в раз преодолеваете непонимание и заставляете себя вникать в сложные темы, это становится нормой и частью вашей повседневной жизни.
Ожидания и реальность
Пока мои ожидания от учёбы оправдываются. Так как ранее я с этой сферой совсем не сталкивалась, все предметы считаю для себя полезными. Конечно, что-то вызывает больший интерес, что-то меньший, но в моем случае даже поверхностные знания в какой-то области помогают формированию более целостной картины.
Самыми интересными для меня оказались курсы программирования на Python, курсы, непосредственно по Data Science, а также статистика и математика. Непривычно было погружаться в такие типично программистские темы, как архитектура операционных систем, например. Но аналитику нужно в этом разбираться, чтобы грамотно использовать инфраструктуру заказчика, ведь работа с большими данными требует серьёзных ресурсов. Специалист, который умеет извлекать больше полезных сведений с меньшими затратами, ценен для работодателей, потому что экономит их деньги.
Когда я приступала к обучению, даже не представляла, что со временем буду знать и уметь всё то, что знаю сегодня. Но я с самого начала настраивалась на серьёзную работу, большей частью самостоятельную. И этот подход полностью оправдывает себя. Учёба дает мне план, сроки, темы, задания. А то, насколько глубокие и крепкие знания я приобрету, зависит уже полностью от меня.
Data Science в медицине: кто, как и зачем обрабатывает данные
Пандемия существенно повлияла на рынок Data Science в мире: возросли не только объемы обрабатываемой ежедневно информации, но и потребность в прогностических моделях и специалистах. Хотя на эту тему уже достаточно много сказано и написано, сама суть профессии все еще вызывает вопросы. Поэтому мы в «Хайтеке» вместе с GeekBrains решили рассказать о том, какие задачи решают дата-сайентисты в медицине, что изменил коронавирус и как зайти в эту профессию.
Читайте «Хайтек» в
Несмотря на то, что с методологической точки зрения ИТ и медицина достаточно далеки друг от друга, именно биология и медицинские исследования двигали анализ данных и применение различных аналитических моделей вперед. Сегодня даже в медицинских институтах, на курсах медицинской статистики, изучаются основы Data Science. И хотя эти методы в медвузах называются иначе, врачам достаточно трудно их применять — сказывается отсутствие опыта в программировании. Умение программировать — первое, что требуется от специалиста в данной области. Необходимо разбираться в современных алгоритмах анализа данных — в нейронных сетях. Причем не просто теоретически понимать, как работает алгоритм, — для этого нужно неплохо владеть высшей математикой и уметь эти алгоритмы использовать на реальных медицинских данных. Это, в свою очередь, требует от специалиста знаний специальных инструментов Data Science — библиотек Python и методов предобработки данных.
Как коронавирус стал катализатором для Data Science в медицине
На сегодняшний день есть два ключевых направления прикладного применения Data Science в медицине — здравоохранение и фармацевтика. В первое направление входят задачи диагностики, оптимизация работы клиник и врачей, подбор лекарств и лечения на основе диагноза. Решения, которые применяются в каждой из этих глобальных задач, базируются на основе алгоритмах анализа данных и машинного обучения. В разработке лекарств активно используются накопленные медицинские данные. Речь идет как о применении в поиске действующих веществ, так и о тестировании препаратов на животных и людях.
Особую роль в развитии технологий Data Science сыграла пандемия коронавируса. Резко возросла потребность в предсказательных моделях, которые могли бы дать более точные данные о будущем распространении коронавируса: предсказать количество госпитализаций, влияние тех или иных ограничительных мер и вакцинации на COVID-19. И если в классической эпидемиологии подобные предсказания основываются на относительно простых эпидемиологических моделях, то в реальности эти модели показали себя крайне плохо, тогда как современные методы Data Science способны их заменить и повысить точность прогнозов.
Основные направления применения Data Science в медицине во время пандемии остались прежними, но объем данных и ожидаемое время на решение задачи существенно изменились. Например, задача диагностики заболевания по КТ легких уже давно изучена, на рынке присутствует достаточное количество рабочих решений. Но благодаря глобальности пандемии, постоянному обмену данными и их доступности задача автоматической диагностики COVID-19 по КТ была решена в кратчайшие сроки. То же относится и к предсказанию тяжести исхода заболевания, это могло бы помочь для прогнозирования количества свободных мест в больницах. Для решения этой задачи в нескольких странах параллельно собирается и анализируется гигантский объем данных. Но специфика медицины такова, что внедрение новых решений на практически невозможно. Как и в случае с вакцинами, требуется тщательная проверка любой модели прежде, чем от нее будут зависеть врачебные решения.
Какие базовые знания необходимы для работы в Data Science:
Как Data Science помогает в борьбе с раком, болезнью Альцгеймера и в поиске новых лекарств
Остановимся на различных направлениях применения Data Science в медицине. Одно из самых перспективных — диагностика онкологических заболеваний. Сегодня дата-сайентисты используют целый спектр алгоритмов для разработки решений в этой области: выбор за конкретным методом зависит от поставленной задачи, данных, которые имеются, и их объема. К примеру, можно делать диагностику по изображениям опухоли — в этом случае специалисты Data Science скорее всего будут использовать нейронные сети. Для диагностики по результатам анализов будет выбран один из методов машинного обучения, лучше других подходящий для конкретной задачи. Также существуют специфические алгоритмы, используемые, например, для анализа данных ДНК, полученных от единичных клеток. Такие данные чаще всего анализируются с помощью алгоритмов на графах. Но это скорее исключение из правил.
Кроме того, есть несколько методов, применяемых для улучшения изображений и повышения точности результата. Платформы больших данных (такие, как Hadoop) применяют, например, MapReduce для поиска параметров, которые можно использовать в различных задачах. Для тех, кто собирается разработать свой продукт в этой сфере, или просто энтузиастов есть несколько открытых наборов данных визуализации мозга: BrainWeb, IXI Dataset, fastMRI и OASIS.
Еще один кейс — это моделирование органов человека, одна из сложнейших технических задач. Причем при разработке того или иного решения специалист должен точно понимать, для чего и на каком уровне сложности моделируется орган. Например, можно сделать модель определенной опухоли на уровне экспрессии генов и сигнальных путей. Сегодня решением таких задач занимается компания Insilico Medicine. Этот подход используется для поиска мишени терапии, в том числе методами Data Science. Подобные модели в основном применяются для научных исследований, до практического применения им пока что еще далеко.
Анализ последовательности генов — целое направление медицины, развитие которого просто невозможно без Data Science. Если в Data Science крайне важен навык программирования на Python, то при работе с генами также необходимы знание языка программирования R и специфические инструменты биоинформатики — программы для работы с последовательностями ДНК и белков. Большинство таких программ работают на операционной системе Unix и не очень «дружелюбны» к пользователям. Чтобы их освоить, нужно как минимум понимать основы молекулярной биологии и генетики. К сожалению, даже в медицинских вузах с этим сегодня большие проблемы, и большинство врачей на самом деле плохо представляют, как устроены последовательности генов. В России этим направлением занимаются две компании — «Атлас» и «Генотек». Популярным в настоящее время является и анализ на мутации отдельных генов. Большинство крупных компаний, которые занимаются медицинскими анализами, предоставляют такие услуги. Пациенты, например, могут выяснить, нет ли у них предрасположенности к раку груди в тех же генах, что у Анджелины Джоли. Эта сфера характеризуется дефицитом кадров, так как существует всего несколько мест, где можно получить соответствующее образование. К тому же многие либо остаются работать в науке, либо уезжают за границу. Русскоязычных онлайн-ресурсов, где можно научиться подобному анализу, достаточно мало. Обычно они рассчитаны на врачей или биологов и обучают только программированию и основам работы с данными. Для того чтобы получить более практико-ориентированное образование с выходом в эту область, можно окончить курс на Факультете Data Science в медицине в GeekBrains.
Сегодня на рынке существует несколько инструментов для анализа данных в этой области: MapReduce, SQL, Galaxy, Bioconductor. MapReduce обрабатывает генетические данные и сокращает время, необходимое для обработки генетических последовательностей.
SQL — это язык реляционных баз данных, который мы используем для выполнения запросов и извлечения данных из геномных баз данных. Galaxy — приложение для биомедицинских исследований с открытым исходным кодом, основанное на графическом интерфейсе. Оно позволяет выполнять различные операции с геномами.
И, наконец, Bioconductor — это программное обеспечение с открытым исходным кодом, разработанное для анализа геномных данных.
Важное коммерческое и одновременно исследовательское направление — создание лекарственных препаратов нового поколения. Специалисты фармы используют машинное обучение для поиска мишени терапии и биомаркеров. Ни первое, ни второе, конечно, ещё не сами лекарства. Мишени — это молекулы в организме, с которыми лекарство взаимодействует, а биомаркеры — молекулы, сообщающие врачу о том, кому следует применять лекарство. Поэтому практически все компании, которые разрабатывают лекарства от болезней с неизвестными мишенями и биомаркерами — Novartis, Merck, Roche и российский BIOCAD — используют машинное обучение. Это, в первую очередь, онкологические и аутоиммунные заболевания, болезнь Альцгеймера. Сюда же можно отнести поиск новых антибиотиков.
Почему врачи не способствуют внедрению Data Science
Последние годы показали, что Data Science является двигателем индустрии прогностических и аналитических моделей в медицине, например, в применении нейронных сетей для определения пространственной структуры белков. Но пандемия вскрыла во многих странах глобальную проблему, связанную с оптимизацией ресурсов клиник и недостатком персонала. За последний год появилось множество компаний, предлагающих решать эти проблемы с помощью Data Science. Использование данных стало большим прорывом и для частных клиник, поскольку делает медицинские услуги дешевле. На фоне пандемии также вырос спрос на услуги телемедицины, в которых широко применяются алгоритмы машинного обучения. Сервисы телемедицины востребованы для предварительной постановки диагноза, работы с анализами и создания чат-ботов.
С точки зрения технологических ограничений применение компьютерного зрения и машинного обучения практически не имеет препятствий. Более глубокое внедрение алгоритмов и сервисов упирается в желание клиник и врачей применять методы Data Science. Также остро ощущается нехватка данных для обучения, причем это вопрос не только к коммерческим медицинским учреждениям, но и к государству: правительствам следует демократизировать доступ к данным бюджетных больниц, чтобы компании-разработчики могли создавать современные продукты.
Обучение даже одной программы требует много качественных данных. Для того чтобы научиться различать опухоль в кадре, программе необходимы тысячи вручную проанализированных снимков пациентов, причём к анализу следует привлекать опытных врачей.
Врач должен сначала найти опухоль, а потом показать, где она находится. Как вы понимаете, у опытных врачей есть много других дел. Но пандемия, как ни странно, помогла некоторым областям. Так, например, DiagnoCat, российский стартап, применяющий компьютерное зрение для анализа снимков в стоматологии, во время локдауна смог привлечь незанятых врачей для анализа снимков. Что касается нежелания клиник и врачей, то врачи попросту не доверяют подобным технологиям. Хороший врач наверняка найдет такой случай, когда программа поставит неверный диагноз, неопытный врач испугается, что программа сделает все лучше его. В итоге всегда можно оправдаться заботой о пациенте и юридическими аспектами.
Синергия Data Science и медицинских технологий уже позволила совершить скачок в разработке решений для диагностики онкологических, аутоиммунных и нейродегенеративных заболеваний. Сервисы, работающие на основе анализа данных и машинного обучения, способны прогнозировать распространение вирусов и искать лекарства новых поколений. Несмотря на то, что классическое медицинское образование отстает от вызовов, которые стоят сегодня перед индустрией, стать современным специалистом, работающим на стыке двух научных направлений — Data Science и медицины — реально. И один из способов — онлайн-курс на факультете «Data Science в медицине» в GeekBrains.
Как за два года получить высшее образование в Data Science без отрыва от работы
За три — выйти на уровень middle, минуя junior, за пять-семь — стать профессионалом высокого уровня и попасть в топ зарплат по отрасли. Никто не обещает, что это будет легко, но это возможно. Рассказываем, с чего начать, если интересен этот путь.
Совсем недавно мы выбирали одну профессию на всю жизнь. После школы или института человек шел работать по выбранной специальности. Потом сменить профессию было крайне сложно, если вообще возможно. Менеджеру захотелось стать разработчиком? Mission impossible. Сейчас это вполне реально, люди меняют специальность в любом возрасте благодаря онлайн-образованию. Учиться же можно без отрыва от работы.
Но есть другая проблема — онлайн-курсы редко дают теоретическую базу такого же качества, как хорошие вузы. В 2016 году самые крупные EdTech-стартапы, Coursera, Udemy и Udacity задумались над этой проблемой и начали сотрудничать с вузами. У них все получилось — появились серьезные программы подготовки специалистов, отвечающие стандартам высшего образования. Эти программы объединяют достоинства классического обучения, его фундаментальность, и новейшие разработки из сферы EdTech, её технологичность, удобство и возможность индивидуального подхода к каждому студенту. Сейчас интеграция вузов и EdTech началась и в России.
Пример — первая русскоязычная онлайн-магистратура «Наука о данных» по Data Science от НИТУ «МИСиС» и образовательной платформы SkillFactory. Это еще и первый в РФ случай партнерства частной EdTech-платформы с государственным вузом по модели OPM (Online Program Management).
Мы верим в модель OPM (Online Program Manager) — взаимодействие вузов и образовательных компаний в создании и реализации инновационных образовательных программ. Эта модель уже больше 10 лет успешно работает в США и Европе, и мы уверены, что в ближайшие годы она отлично покажет себя и в российских вузах. Мы рады привнести эту новую практику в Россию и помочь НИТУ «МИСиС» сделать первую русскоязычную онлайн-магистратуру по Data Science
OPM дает возможность вузам быстрее реагировать на запросы рынка, предоставляя студентам современные знания. EdTech-проекты, в свою очередь, делают образование более доступным в финансовом и географическом плане.
Благодаря сотрудничеству МИСиС и SkillFactory выпускник магистратуры получает практический опыт и знания по Data Science, соответствующие уровню миддла, так что выпускник представляет серьезный интерес для бизнеса
Эта цифровая специальность становится все более востребованной. Нужны промышленности, научным организациям, бизнесу, государству. Человечество генерирует все больше данных, в год около пары сотен эксабайт. Большая часть информации — неструктурированная, это сырые данные, которые необходимо обрабатывать и анализировать. Как раз этим и занимаются эксперты по Data Science.
По данным HeadHunter и Mail.ru Group спрос на таких специалистов быстро растет. С 2015 по 2019 гг количество вакансий в области анализа данных выросло в 9,6 раз, вакансий в сфере машинного обучения стало больше в 7,2 раза. И несмотря на это, сфера все еще находится в начальной стадии своего развития. Порог входа достаточно высокий, но вполне преодолимый. С течением времени требования работодателей к экспертам в сфере Data Science будут ужесточаться, поскольку отрасль эволюционирует. Так что если начать обучение сейчас, через 2-3 года студент станет востребованным профессионалом.
Активнее всего специалистов в сфере Data Science ищут IT-компании, финансовые организации и представители сферы услуг для бизнеса. они востребованы и в других сферах. Так, в медицине data scientists требуются для диагностики сложных заболеваний по результатам анализа, в маркетинге они помогают выявлять потребительские инсайты, в образовании — определить эффективность обучения класса, группы или всего вуза в целом. Harvard Business Review называет data scientist «самой желанной профессией XXI века». Часто приходится слышать, что рынок Data Science перегрет, но на самом деле хороших специалистов пока еще очень мало, а вот мест, где они требуются — очень много.
Data science — отрасль, которая ощутимо и понятно меняет мир вокруг нас, делая его эффективнее, быстрее и интереснее