До того ж, спираючись на власний практичний досвід, зроблять це в контексті тих реалій, які є саме в українських компаніях, командах, проєктах. Ґрунтовніше пояснення деяких методів ML є в згаданому вище циклі статей або на курсі mlcourse.ai. Для дослідження даних вам знадобиться зручне середовище. Поширеним середовищем для дослідників єJupyter Notebook. Він має інтуїтивно зрозумілий інтерфейс, і його засвоєння не потребує якихось складних курсів. Для швидких експериментів не обов’язково ставити Notebook локально, досить мати інтернет і скористатись онлайновим сервісом.
В якийсь момент я відчув що досяг певного рівня знань і треба прогресувати далі, але тоді не встигатиму на роботі. Тому пішов https://wizardsdev.com/vacancy/archive/ios-swift-developer/ з роботи і ще на кілька місяців сфокусувався виключно на DS. Після цього знайшов нову роботу вже аналітиком даних.
ПРАЦЮВАТИ У DATA SCIENCE ТА ЗАРОБЛЯТИ ДО $6 000 НА МІСЯЦЬ: ЯКІ НАВИЧКИ ПОТРІБНІ ТА ДЕ ВЧИТИСЯ?
Ентузіасти із ІТ-компаній, могли б читати відповідні лекції у вузах із зарахуванням їх до викладацького складу цих вузів. На згаданій вище конференції у Вашингтоні також обговорювалась співпраця вузів із бізнесом та урядовими установами. Основні проблеми чимось подібні у нас і на Заході. Маючи не гірший фундаментальний рівень, ми могли б співпрацювати на більш привабливих для іноземних компаній фінансових умовах. Реальний аналіз даних складається не з одного алгоритму, а з багаторівневої комбінації різних алгоритмів та підходів.
- Дискретна математика, статистика і статистичний аналіз.
- Деякі ресурси з цієї статті можуть бути корисні і для BI.
- Важливим кроком в аналізі даних, зокрема у прогнозній аналітиці є відбір та генерація нових ознак на основі історичних даних та правильний вибір валідації моделі.
- Насправді, вони дали той базис, на основі якого в подальшому сформувались ці успішні ІТ-спеціалісти.
- Філософія, етика, регулювання та законодавство в галузі data science.
- До того ж сучасний ринок праці стрімко змінюється, що спонукає людей постійно розвиватись і змінювати своє ремесло.
Судячи з означення у вікіпедії та діаграми Венна на початку цієї статті, Data Science — це міждисциплінарна галузь. Перед світом загалом і бізнесом зокрема стоїть багато складних багатофакторних завдань. Подекуди такі проблеми неможливо вирішити підходами в межах однієї галузі, тому в сучасному світі ми бачимо тенденцію до міждисциплінарності. Це саме той випадок, коли ваша domain expertise може стати вам у пригоді під час міграції в Data Science. Окрім книжок та онлайн-курсів, може бути корисно знайти ментора або офлайновий курс. Гарний ментор-практик чи викладач допоможуть систематизувати знання й проведуть вас крок за кроком через весь pipeline роботи з даними.
Подтяните математическую базу ➕
Тема моєї доповіді «Machine Learning, Linear and Bayesian Models for Logistic Regression in the Failure Detection Problems» (pdf-файл). Інколи зустрічаю серед спеціалістів таку думку, що науковець по даних лише генерує ідеї, на реалізацію яких у нього просто немає часу. Для реалізації нібито існують інженери, які всі його ідеї реалізують у коді. Науковець по даних повинен сам реалізовувати свої ідеї в коді, як мінімум на рівні працюючого прототипу. Він сам повинен отримувати числа, розподіли, розпізнавати патерни, кластеризувати та класифікувати надані йому десятки гігабайт даних. Максимум, що він може просити — це надати йому дані у зручному вигляді, наприклад у текстовому форматі з відповідними розділювачами між полями.
Складання періодичних звітів з прогнозами та презентацією даних. Дискретна математика, статистика і статистичний аналіз. Робить простішою роботу з віртуальним середовищем. Коментарі можуть залишати тільки користувачі з підтвердженими акаунтами. Великий фінальний проєкт на реальних даних Vodafone.
Что не так с этим комментарием?
На мою думку, найбільш об’єктивними характеристиками такого типу можуть бути рейтинг та здобутки спеціаліста на загально визнаних платформах з аналізу даних. На цій платформі різні компанії дають свої завдання з аналізу даних широким колам спеціалістів із усього світу. І запропоновані розв’язки часом мають складові елементи більш ефективні, ніж розв’язки власних спеціалістів цих компаній. Ви праві, тут дійсно ні слова про Business Intelligence. Це тому, що Business Intelligence та Data Science вирішують різні завтдання.
Важливим кроком в аналізі даних, зокрема у прогнозній аналітиці є відбір та генерація нових ознак на основі історичних даних та правильний вибір валідації моделі. Існує думка, що для аналізу даних обов’язково необхідні технології Big Data, до яких відносять Hadoop, MapReduce, Spark. Насправді, названі технології Big Data стають ефективними при розмірах даних починаючи від декількох терабайт.
Учитесь пользоваться инструментами 🛠️
У Каліфорнії до нього додається R, згаданий там у 56% вакансій проти 20% в Україні. В окремих випадках потрібно знати C++, якщо робота пов’язана з комп’ютерним зором, або Scala, якщо треба працювати з Big Data. Самонавчання — але за умови, що у вас вже є якась база. Для того, щоб заглибитися в суть того, що відбувається, потрібна людина, яка могла б доступно і зрозуміло все розкласти по поличках.
Звірніть увагу, у нас DS реально цікавляться маркетологи, фінансисти, ну можливо ще трохи при розпізнанні мови. Да і в ВНЗ — на скільки я знаю, активну позицію займає УКУ і ще щось трохи робить KПІ. І все, далі лиш ентузіасти, як от Ви, пробують щось робити, і щось мені підказує, що роблять вони це на свій страх і ризик, відхиляючись від регламентованих зверху программ ;-). Навіть курсів по DS у нас реально в країні нема — і це на тлі сотен курсів всіх різновидів та категорій по програмуванню.
