Jak zacząć karierę w Business Intelligence i AI?
W ostatnim czasie kilku moich znajomych analityków zapytało mnie: jakiego języka programowania się uczyć, żeby być konkurencyjnym na rynku pracy? Co robić, żeby zostać programistą? Jak żyć?
Moja odpowiedź? Zacznij najpierw od nauki narzędzi, które się teraz sprzedają i, z których korzysta dużo osób. Ponieważ znajomi to analitycy z Excelem w małym palcu, najłatwiej nauczyć im się Power BI. Moim zdaniem jest to potężne narzędzie, które realnie zmienia pracę firmy. Na co dzień szkolę analityków i widzę, że narzędzie znacznie im ułatwia pracę. Znam kilka przykładów “oddolnych wdrożeń”, gdzie jeden z analityków zainstalował Power BI i stworzył raport, który pomógł całemu działowi w analizie danych. Jeśli nie jesteś fanami technologii Microsoft, możecie też sprawdzić Tableau i QuikView.
Umiejętność obsługi Power BI pozwoli Ci automatyzować Twoją dotychczasową pracę np. poprzez łączenie się z 100 plikami Excel jednocześnie i pozwoli wejść na wyższy poziom eksploracji danych poprzez interaktywne wizualizacje.
Informacyjne: Większość linków pochodzi z programu Data Science od Microsoft. Sam go skończyłem i to on pozwolił mi wyrwać się ze świata Excela – polecam. Dodatkowo pracuję głównie na technologii Microsoft i Azure, więc wiem co polecić i gdzie nakierować. Google i AWS nie znam, ale chętnie dodam linki, jeśli jakieś dostanę.
Aby nauczyć się Power BI i zaawansowanego Excela, polecam:
Po skończeniu tych kursów masz już podstawową wiedzę, którą możesz wykorzystać u siebie w pracy. Żeby uczyć się dalej próbuj pomagać ludziom na forum Power BI lub rozwiązywać problemy sam i porównywać z dostępnymi rozwiązaniami. Ja sam jestem aktywny na tym forum i potwierdzam, że można się dużo nauczyć rozwiązując problemy innych na forum. Potem zostaje już tylko nauka M (Power Query) i DAX. Tutaj warto zaznaczyć, że umiejętność modelowania danych w Power BI praktycznie oznacza umiejętność modelowania danych w Analysis Services. Analysis Services jest to analityczny silnik in-memory od Microsoft, który pozwala na agregowanie i przeliczanie olbrzymich zbiorów danych w bardzo krótkim czasie.
Po nauce Power BI, następnym etapem jest nauka relacyjnych baz danych – chodzi tu zarówno o teorię, jak i język SQL. Są to ważne podstawy, bo wiedza dot. relacji, procedur składowanych itp. jest konieczna. Naturalnie po pewnym czasie można przejść do świata Big Data, ale znajomość SQL i tak się przyda. Przykładem może być tutaj HiveQL.
Kursy:
Jeśli masz już tę wiedzę i kilka projektów (rób rzeczy w domu po godzinach), to śmiało możesz aplikować na stanowiska juniorskie w Business Intelligence. Przykładowe oferty:
Na tym etapie możesz już zacząć uczyć się innych rzeczy. Natomiast nic nie stoi na przeszkodzie, żeby ominąć Power BI/Excela i zacząć tutaj.
Jeśli chodzi o języki programowania polecam Pythona. Jest moim zdaniem łatwy do nauki za względu na składnie i często wykorzystywany przy analizie danych (razem z R), Machine Learningu czy pracy z chmurą publiczną. R ma natomiast swoje ograniczenia i nie jest moim zdaniem tak wszechstronny jak Python.
Kursy:
Podstawy Pythona w analizie danych
Znając Pythona, Machine Learning i ew. relacyjne bazy danych możesz szukać pracy jako junior Data Scientist. Możesz też rozwijać się dalej w kierunku AI. Wzrost popularności chmur publicznych oznacza, że developerzy AI nie muszą (ale powinni) znać się na matematycznych szczegółach głębokich sieci neuronowych. Mogą natomiast korzystać z gotowych już wytrenowanych sieci w API i modyfikować je na swoje potrzeby. To umożliwia sprawne tworzenie rozwiązań rozpoznających obraz, wideo lub mowę. Przykładem mojego rozwiązania AI na Azure jest rozpoznawanie sylwetek ludzi.
Microsoft wypuścił cały program, który opowiada o AI, a także o tworzeniu rozwiązań na ich platformie chmurowej Azure. Google na swojej platformie chmurowej również ma dostępnych wiele modułów, które pozwalają na budowę rozwiązań AI bez głębokiej wiedzy technicznej. Jeśli chcesz nauczyć się tworzyć te wszystkie algorytmy od podstaw, zachęcam do przerobienia bardzo popularnego kursu Andrew Ng i wykładu Machine Learning CS 156. Dalej kurs Deep Learning (również Andrew Ng) i inne materiały tego Pana.
Jeśli nie kręci Cię AI, ale chcesz pozostać przy danych to zdecydowanie mogę polecić wszystko związane z rozwiązaniami chmurowymi. Czy tego świat IT chce, czy nie, wiele firm migruje swoje środowiska do chmury i zdecydowanie brakuje specjalistów. Główne chmury jakie liczą się na rynku to Azure, AWS i GCP. Jest bardzo dużo kursów i materiałów, więc warto się zainteresować.
Mam nadzieję, że te materiały pozwolą Ci rozpocząć karierę w IT 🙂
