علم داده یا مهندسی داده؟ کدام را انتخاب کنم؟

فهرست مطالب

با توجه به فراگیر شدن استفاده از دیتا در سازمان‌های مختلف، در سال‌های اخیر، رشته‌های بسیاری در حوزه‌ی دیتا یا داده بوجود آمده‌اند. در این میان، دو شاخه‌ی علم داده (Data Science) و مهندسی داده (Data Engineering) با استقبال گسترده‌ای مواجه شده‌اند. سوال و جواب‌هایی را در ادامه خواهید دید که هدفشان آگاهی‌رسانی بیشتر در خصوص این دو شاخه و کمک به شما برای انتخاب بهتر و دقیق‌تر هر یک از این دو حوزه‌ی مطرح شده هستند. قطعن تعداد سوالات می‌توانست بسیار بیشتر باشد اما برای کوتاهی مطلب آنها را خلاصه نمودیم.

کدامیک زودتر به پول می‌رسند؟

در علم داده شاید بعد از گذشت مدتی کوتاه پروژه‌های کوچک بشما پیشنهاد شود که این باعث می‌گردد در مدت زمان خیلی کوتاه‌تر به پول (هر چند کم) برسید. ولی در بلند مدت میزان برداشت شما قطعن در مهندسی داده بیشتر خواهد شد. البته این مورد تاحدودی به میزان تخصص شما بستگی دارد. اگر در علم داده حرفی برای گفتن داشته باشید نیز، بعد از گذشت مدتی درگیر پروژه‌های بزرگ با پول‌های بزرگ خواهید شد. پس بطور خلاصه در علم داده شاید زودتر به پول‌های کوچک برسید.

کدامیک ساده‌تر است؟

در علم داده، شخص نیاز به دانش تحلیلی و منطق ریاضی قوی دارد. از طرفی در مهندسی داده، شخص باید به کامپیوتر بیشتر مسلط باشد تا ریاضی و آمار. هر کدام از این دو مورد (ریاضی قوی و کامپوتر قوی) برای خیلی از اشخاص چالش‌های متفاوتی دارند. پس نمی‌توان گفت که کدام ساده‌تر و کدام سخت‌تر هستند. ولی با توجه به تجربه‌ی بنده، تعداد خروجی‌های علم داده نسبت به مهندسی داده تا امروز بیشتر بوده است. پس در بازار میزان عرضه از تقاضا (حداقل در حال حاضر) کمتر است.

با کدامیک از این دو شاخه راحت‌تر می‌توان مقاله علمی پژوهشی نوشت؟

قطعن علم داده. چون در علم داده با الگوریتم‌های مختلف یادگیری ماشین درگیر هستیم و با اندکی تغییرات در ساختار الگوریتم‌ها می‌توانیم یک بحث جدید را گشوده و آنرا تبدیل به یک مقاله نمائیم (براحتی خوردن یک شکلات). ولی در مهندسی داده از این خبرها نیست و کار با چالش‌های بیشتری همراه است.

کار ریموت در کدام حوزه بیشتر است؟

کار ریموت گرفتن بیشتر به اسم و رسم و میزان مهارت‌ها وابسته است. ولی همان‌طور که در بالا هم عرض کردم، خروجی‌ها در دنیای مهندسی داده تا امروز نسبت به دنیای علم داده خیلی کمتر بوده‌اند که این خود باعث می‌گردد افراد در مهندسی داده راحت‌تر جذب شوند. اگر نگاهی به آگهی‌های شغلی، بخصوص در اروپا بیاندازید، متوجه خواهید شد که این میزان 9 به 1 است. یعنی در هر ده آگهی شغلی 9 تقاضا برای مهندسین داده و 1 تقاضا برای متخصصین داده (دیتا ساینتیست) است.

آیا از هر رشته‌ای می‌توان وارد این دو حوزه شد؟

صد در صد. افراد بسیاری را در سطح دنیا سراغ داریم که از رشته‌های به غیر از کامپیوتر، ریاضی و آمار وارد این دو حوزه شده‌اند و بسیار هم موفق هستند. در علم داده نیاز به مهارت‌های تحلیلی داریم ولی در مهندسی داده نیاز به مهارت‌های عملی که تمام اینها قابل کسب هستند، فقط نیاز به زمان و برنامه‌ریزی داریم.

آیا مسیر آکادمیک را دنبال کنیم یا بیرون از دانشگاه‌ها خودمان بدنبال یادگیری باشیم؟

مسیر آکادمیک را دنبال کنید. چون بعنوان مثال در حال حاضر اگر قصد داشته باشید که به آمریکا مهاجرت نمائید، بهترین روش، روش مهاجرت از طریق تحصیلی است. بهرحال در محیط دانشگاه با اساتیدی امکان دارد آشنا شوید که بسیار فعال بوده و در صنعت‌های مختلف پروژه‌های بسیار بزرگ در دست دارند. اگر خوش بدرخشید، بعید نیست که وارد تیم آنها شوید. ولی بدانید که فضای امروز دانشگاه‌ها، از آزاد علی آباد کتول گرفته تا هاروارد، بیشتر از اینکه فضای مهارت محور باشد، فضای نمره است و مدرک. در علی آباد دانشجو ضعیف است و توان دنبال نمودن و کسب مهارت را ندارد. در هارواد دانشجو استرس از دست دادن بورس تحصیلی خود را دارد و فقط به نمره می‌اندیشید.

پس برای کسب مهارت من معتقدم که فضای خارج دانشگاه آماده‌تر است.

انتخاب آگاهانه، ضامن لب‌های خندان و حال خوش در آینده است

چطوری بین این دو رشته انتخاب کنیم؟

  • بنظر بنده دو دوره علم داده و مهندسی داده را بیابید.
  • از هر کدام بین 10 الی 15 ساعت آموزش را مشاهده کنید.
  • ببینید که به کدام بیشتر علاقمندید، علم داده با تحلیل‌هایش یا مهندسی داده با قدرت ساختش.
  • بعد بروید بدنبال یافتن استاد یا دوره یا لیست پخش در یوتیوب.

بنده برای علم داده بشما دوره‌ی صفر تا صد علم داده‌ی مجموعه را که شامل 82 ویدیو و 32 ساعت آموزش است را پیشنهاد می‌دهم. از طریق لیست پخش زیر (پست مربوط در سایت) و بصورت رایگان این دوره را مشاهده نمائید

لیست پخش دوره علم داده در یوتیوب

و برای مهندسی داده چند جلسه‌ی اول دوره‌ی مبانی مهندسی داده از مجموعه را معرفی می‌نمایم. بخش‌های این دوره را از طریق لینک زیر مشاهده نمائید

  1. جلسه اول
  2. جلسه دوم
  3. جلسه چهارم

حالا بین این دو تصمیم رو گرفتم. الان چکار کنم؟

می‌توانید مسیر آکادمیک را پیش بروید و در دوره‌های کارشناسی ارشد و دکتری این شاخه‌ها شرکت نمائید و یا از طریق مراکز آموزش آزاد اقدام نمائید و کسب مهارت کنید.

علم داده: در خصوص علم داده همین لیست پخش که در بالا تقدیم شما گردید را اگر دنبال نمائید، مباحث بسیار مفیدی دستگیرتان خواهد شد. اگر احساس نیاز به کورس کامل‌تری از علم داده داشتید، دومین مدرسه جامع علم داده نیز منتظر حضور سبز شما خواهد بود. البته سایر موسسات نیز در ایران و خارج از کشور دوره‌های بسیار خوبی برگزار می‌کنند که خودتان با اندکی تحقیق می‌توانید یکی را انتخاب و دنبال نمائید.

مهندسی داده: مشابه پیشنهاد دوره علم داده، در خصوص مهندسی داده نیز پیشنهاد ما بشما دوره «مبانی مهندسی داده» است که شامل سرفصل‌های بسیار مفیدی می‌باشد. اگر در حال حاضر از لحاظ مالی در شرایط خاص هستید، به این پست مراجعه نمائید که در آن لیستی از بهترین لیست پخش‌ها در یوتیوب در دنیای مهندسی داده را فهرست کرده‌ام. ببینید و لذت ببرید.

فراموش نکنید که ورود به دنیای آموزش و یادگیری همراه است با هزینه‌-کردهای (سرمایه‌گذاری) بسیار زیاد. ولی به هیچ وجه نگران نباشید. شما در حال سرمایه‌گذاری روی خودتان هستید تا آینده را شفاف‌تر و روشن‌تر برای خود و اطرافیان بسازید. اگر کمی زبان‌تان هم خوب باشد، یوتیوب تا حدود بسیار زیادی دستگیرتان خواهد شد. ولی مطمئن باشید، از مرحله‌ای به بعد حتی یوتیوب هم آنقدر غنی نیست که پاسخگوی سوالات ذهنی شما باشد و آن‌روز باید به کلاس رفته و در حضور اساتید تلمذ (دانش‌آموزی) کنید.

من هنوز هم ابهام دارم. چکار کنم؟

خیلی ساده، سوالت رو زیر پست بنویس. در اولین فرصت ممکن پاسخ خواهم داد. به امید فردایی روشن برای تمامی عزیزان و هموطنان ❤💛💚💙🤎

پست‌های مرتبط با این مقاله:

13 پاسخ

  1. جز سخاوت و صداقت چیزی نمیتونه ارزش این مطالب مفید شمارو بیان کنه،ممنونم جناب دکتر فزونی.

    1. سلام جناب دکتر و با تشکر از شما. من لیسانس مهندسی مکانیک از دانشگاه شیراز دارم و ۱۱ سال پیش فارغ التحصیل شدم و چند سالی هم در پتروشیمی کار کردم اما استعفا دادم. حالا میخوام وارد فیلد دیتا ساینس بشم. ابتدا قصد تحصیل در ارشد ریاضی این رشته را داشتم که فعلا به دلیل کمبود وقت برای کنکور منصرف شدم و قصد دارم که دوره های آزاد آن را طی کنم و در ادامه شاید در این رشته هم تحصیل کردم. ابتدا چه توصیه ای به بنده دارید؟ و اینکه میتونم با گذراندن دوره های آزاد چند مقاله هم در ژورنال های خارجی چاپ کنم و با آن فاند کامل تحصیلی در این رشته را بگیرم؟

      1. سلام امیر جان. بنظرم وقت مشاوره بگیر تا صحبت کنیم. اینجوری شاید نشه اصل مطلب رو بیان کرد. با توجه به سن و شرایطتت خیلی باید حواست باشه که چه انتخابی خواهی کرد. برو تو صفحه مشاوره و وقت بگیر.

  2. سلام وقت بخیر . من مهندسی داده رو انتخاب میکنم . سوالم اینکه با مهارت های مهندسی داده درچه زمینه هایی میشه پروژه زد؟مثلا ترکیب مهندسی داده با انیمیشن ۳ بعدی میشه کار کرد؟ دمهندسیداده تو زندگی ما چه تاثیری داره؟ مثلا تو ایران اخه کسی که دیتاساینس و مهندسی داده بلد باشه انتخاب میکنن شرکت ها؟
    میشه گفت تقریبا مهنرسی داده و علم داده مکمل هم هستن ایا نیازه که الگوریتم ماشین یاد بگیریم؟برای مهندسی داده؟مرسی

    1. مهندسی داده بستر رو آماده می‌کنه و پروژه‌هاش خیلی متفاوت است از کارهای علم داده. برای مهندسی داده نیاز به الگوریتم نداریم. فقط باید نیاز تیم تحلیل رو بدونیم و طبق نیازشان دیتا براشون محیا کنیم. در ایران هم در حال حاضر، شرکتهای بزرگ و کوچک شروع به جذب مهندسین داده کرده‌اند

  3. با عرض سلام و احترام
    سوالی که برای من پیش اومده اینکه حتی در وبینار های که در مورد علم داده برگزار کردین خیلی تاکیید میکنید روی مهندسی داده یعنی بعد از دیدن یه کورس علم داده بریم سمت مهندسی داده بهتره ! حالا اگه بخواییم سوییچ کنیم از علم داده چه چیز هایش رو ادامه بدیم و چه قسمت هایش رو بذاریم کنار ! حتی کتاب های که گفتین حتما مطالعه بشه
    سپاس

      1. اگه بخوایم سوییچ کنیم رو مهندسی داده چقدر داخل دیتا ساینس عمیق بشیم منظورم اینه که کسی که یکی دوتا کورس و کتاب از دیتا ساینس مطالعه کرده نیازه بازم عمیق تر بشه داخلش یام که با همون دانش مهندسی داده رو شروع کنه
        سپاس فراوان

        1. سعید جان، مهندسی داده وادی سر و کله زدن با ابزارهای خفن و پیشرفته‌ی دنیای تکنولوژی هست. زیاد به دیتاساینس مرتبط نیست. تنها ارتباطش اینه که یک مهندس داده به دیتاساینتیست‌ها دیتا میرسونه. باز هم تکرار می‌کنم بنده فقط پیشنهاد دادم، اصرار نیست

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *