Репост из: Aigerim Sagandykova's blog
Пост про истинный “Data Science”. Ожидание vs. Реальность
Пост для тех кто рвётся в эту сферу. Я провожу много собеседований, и резюмируя все ожидания и видения о “Data Science” буквально пару криков души:
1. Есть существенная разница между “Data Science” и “Machine Learning” и “Analytic”. Посмотрите последнее видео в предыдущей подборке, чтобы разобраться и потом уже кидаться такими терминами
2. Жизнь даже самого крутого “Data scientist”а будет состоять 80% из работы с данными, 10% построение моделей, 10% ее валидация и интерпретация. Никто не будет готовить за Вас данные, чтобы вы на питоне сидели запускали скрипты с готовыми библиотеками.
3. Начинайте с простого. С простых моделей. Не нужно сразу кидаться в Deep Learning, нейронки, GAN, CNN и т.д.
4. Важно уметь общаться и хорошо объяснять. Это не Research Lab, где сидят такие гики, умными словами перекидываются и которым тяжело не то чтобы объяснить свою работу, но вообще с миром коммуницировать (это кстати тоже есть в видео). Главные люди с которыми приходится работать всем от Аналитика до Дата сайентиста- это люди из бизнеса, без технического образования.
5. Теперь о главном -зарплата. Если вы посмотрели кучу курсов, решили задачки на каггле, ещё не повод просить огромную зарплату. Нужно учитывать свой опыт, тем более что ещё раз повторюсь, знание построения моделей это лишь часть, того что ждут от Дата Сайентистов.
6. Прокачивайте алгоритмы, программирование и технические навыки, чтобы быть хоть как-то самодостаточными и уметь написать хотя бы простейший веб сервис
7. Придётся заниматься всякой работой, в том числе и разметкой и сбором необходимых данных, и да, нет позиции в компаниях, которые сидят и только разметкой занимаются
Надеюсь больше не услышать глупых формулировок)
Пост для тех кто рвётся в эту сферу. Я провожу много собеседований, и резюмируя все ожидания и видения о “Data Science” буквально пару криков души:
1. Есть существенная разница между “Data Science” и “Machine Learning” и “Analytic”. Посмотрите последнее видео в предыдущей подборке, чтобы разобраться и потом уже кидаться такими терминами
2. Жизнь даже самого крутого “Data scientist”а будет состоять 80% из работы с данными, 10% построение моделей, 10% ее валидация и интерпретация. Никто не будет готовить за Вас данные, чтобы вы на питоне сидели запускали скрипты с готовыми библиотеками.
3. Начинайте с простого. С простых моделей. Не нужно сразу кидаться в Deep Learning, нейронки, GAN, CNN и т.д.
4. Важно уметь общаться и хорошо объяснять. Это не Research Lab, где сидят такие гики, умными словами перекидываются и которым тяжело не то чтобы объяснить свою работу, но вообще с миром коммуницировать (это кстати тоже есть в видео). Главные люди с которыми приходится работать всем от Аналитика до Дата сайентиста- это люди из бизнеса, без технического образования.
5. Теперь о главном -зарплата. Если вы посмотрели кучу курсов, решили задачки на каггле, ещё не повод просить огромную зарплату. Нужно учитывать свой опыт, тем более что ещё раз повторюсь, знание построения моделей это лишь часть, того что ждут от Дата Сайентистов.
6. Прокачивайте алгоритмы, программирование и технические навыки, чтобы быть хоть как-то самодостаточными и уметь написать хотя бы простейший веб сервис
7. Придётся заниматься всякой работой, в том числе и разметкой и сбором необходимых данных, и да, нет позиции в компаниях, которые сидят и только разметкой занимаются
Надеюсь больше не услышать глупых формулировок)