40 Bin Gerçek İlandan Veri Bilimci Haritası: Analitik mi, Makine Öğrenmesi mi?

Kırk bin ilanlık veri seti

Aylık tahminlerle değil, gerçek ilanlarla konuşmak gerek. Konuşmacı aylar boyunca çalışan bir toplama hattı kurmuş: sistem her gün açık pozisyonları çekiyor, temizliyor ve raporluyor. Ortaya çıkan tablo 10 binden fazla şirketten 40 bine yakın gerçek ilan, yaklaşık 100 ülke ve 6 binden fazla veri bilimci arayan ekip demek. Anlatı da bu zeminde ilerliyor: önce açılış sorusu, sonra kavramlar, sonra sayılar.

Arz-talep sıralaması ezberleri bozuyor. Veri mühendisliği talepte birinci, veri bilimi ikinci; ardından veri analisti, iş zekası geliştirici, veri mimarı ve analitik mühendisi geliyor. ABD Çalışma İstatistikleri Bürosu'nun (www.bls.gov) El Kitabı medyan ücreti 112.590 dolar, 2024'te 245.900 istihdam, 2034'e kadar %34 büyüme ve yılda yaklaşık 23.400 yeni açık öngörüyor. GetUHired'ın (getuhired.co) 2026 akışı da canlı: 90 günde 41.240 ilan, haftada 3.108 yeni pozisyon ve %32 uzaktan çalışma payı. Axial Search'ün (axialsearch.com) 2026 talep haritası eyalet, şehir ve kıdem kırılımıyla tabloyu tamamlıyor.

Üç eksen her rolü yerine oturtuyor: analizde yanıt bulma , mühendislikte veri hazırlama, makine öğrenmesi ve yapay zekada model kurma. Veri analisti net biçimde analiz kutusunda; veri mühendisi mühendislikte durup yapay zeka mühendisliğine uzanıyor; makine öğrenmesi mühendisi zirvede. Veri bilimci ise her yere yayılmış durumda: analizden mühendisliğe, modellemeye kadar uzanıyor. Bu yüzden unvan piyasadaki en bulanık etiket.

Bulanıklığın bedeli somut: ilanların en az %19'u gerçek veri bilimi işi değil. Kimisi analist, kimisi yapay zeka araştırmacısı, iş zekası geliştirici, veri mühendisi ya da ürün yöneticisi arıyor. Konuşmacı dört yüksek lisanslı arkadaşının hikayesini anlatıyor: veri bilimci diye girip veri mühendisliği yapmışlar, üçü kalmış, biri dönmüş. Çıkarılacak ders pratik: iş tanımını satır satır oku, mülakatta görevi net sor.

İki ayrı meslek: analitik ve makine öğrenmesi

Temizlenen ilanlar ikiye ayrılıyor: %54 analitik, %46 makine öğrenmesi veri bilimcisi. İlki şirketin ileri sorularını yanıtlıyor; ikincisi sıfırdan model eğitip şirketin uygulamasına gömüyor. Öneri sistemi örneği ikinci kulvarı özetliyor: modeli kur, canlıya al, milyonların gördüğü akışı besle. Yol haritası da bu ayrımdan doğuyor.

Analitik kulvarın günlüğü soruyla başlıyor: veri analizi, yanıta yönelik modelleme , deney tasarımı ve gereksinim çevirisi. Gelecek ay ayrılacak müşteriyi bulan kayıp modeli tipik örnek; A/B deneyi nedenselliği kanıtlıyor; iş biriminin dili veriye çevriliyor. Çıktı pano, rapor ve tavsiye; karar masası bu üçlüyü bekliyor.

Makine öğrenmesi kulvarı modeli ürüne dönüştürüyor: kurma, üretime alma , ön analiz ve ajan sistemleri. Model dizüstünde kalmıyor, canlı trafiğe çıkıyor. Neredeyse her ilanda dil modeli ve aracı sistemler geçiyor; ilanların %40'ı sohbet robotu ya da ajan gibi bütün bir yapay zeka sistemi istiyor. Bu beklenti aslında yapay zeka mühendisinin iş tanımına göz kırpıyor.

Diploma, kod ve kütüphaneler

Diploma satırı şaşırtıyor: ilanların %72'si bir derece anıyor; doktora %32, yüksek lisans %25, lisans %14. Ama şart koşan yalnızca %2. Lisans pozisyonların yaklaşık yarısına yetiyor, diplomasız profile açık %25'lik bir dilim var. BLS girişi tipik olarak lisans isterken diğer rollerde ilanların %40-50'si dereceden hiç söz etmiyor.

Kod tarafında zirve net: Python birinci, SQL ikinci. Unvanda veri geçiyorsa SQL kaçınılmaz. R analitikte %36 ile dikkate değer, makine öğrenmesinde %12 ile tali. İlanlardaki liste dilek listesi , kontrol listesi değil; kimse tamamını karşılamıyor ve sıralama önem sırasını veriyor.

Yöntem ve kütüphane katmanı kulvarlara göre ayrışıyor. Analitikte istatistik ilk sırada, ardından makine öğrenmesi ve A/B geliyor; dağıtım %9'da kalıyor. Makine öğrenmesinde yöntem %32, dağıtım analitikteki %9'a karşı %30 ile ikinci; istatistik, A/B, doğal dil işleme ve derin öğrenme arkada. Yani sinir ağı uzmanlığı şart değil. Kütüphanede analitik PySpark ve Pandas diyor; büyük veri Databricks ölçeğine taşınınca PySpark öne çıkıyor. Makine öğrenmesinde PyTorch ve TensorFlow başı çekiyor, ardından PySpark, scikit-learn, Pandas ve NumPy geliyor. Skillenai (skillenai.com) PySpark için 90 günde 2.161 ilan ve %8 artış ölçerken PyTorch için 5.534 ilan, %38 sıçrama ve San Francisco zirvesi raporluyor; PyTorch veri bilimci ilanlarının %9,3'ünde geçiyor.

Platformlar ve yol haritası

Bulut ve görselleştirme resmi tamamlıyor. AWS özellikle makine öğrenmesinde önde, Google Cloud ikinci; Databricks Snowflake'in biraz önünde ve makas açılıyor. Üretken yapay zeka makine öğrenmesi kulvarında ilk üç beceri arasına girmiş, PyTorch anmalarını bile geçmiş; analitikte %16 ile orta sıralarda, aracı sistemler henüz dipte. Görselleştirmede Tableau ileri analiz ve büyük veri hızıyla Power BI'ın önünde; Power BI standart raporların aracı. Refonte Learning (refontelearning.com) sektörler arası iş zekası talebiyle bu ayrımı doğruluyor. Sıralama belli: Python ve SQL temeli, istatistik, matematik ve makine öğrenmesi kuramı, analitikte A/B, makine öğrenmesinde dil modeli ve üretken yapay zeka, iki kulvarda scikit-learn temeli, analitikte PySpark, makine öğrenmesinde PyTorch ve TensorFlow, Tableau, AWS temelleri ve ücretsiz Databricks hesabı. Finalde tek bir uçtan uca proje : analitikçi veri seti ve ileri sorularla, modelci öneri sistemi ve canlı dağıtım anlatısıyla bitirip LinkedIn'de paylaşıyor. DataCamp'in (datacamp.com) 23 derslik yaklaşık 90 saatlik associate kulvarı bu sıranın hazır paketi; ilk bölüm ücretsiz. Üniversite programı teori verir, boşluklar bu haritayla kapatılır.