Comments 17
Python можно выучить за 8 часов, я видел ролики в Youtube. У меня нет TikTok, но думаю там можно минут за 40. Это касается и всего остального. Так что middle (то, что вы под этим подразумеваете) модно стать дня за два, не напрягаясь.
В статье я дал детальный план обучения и большой список вопросов для самопроверки. Очень сомневаюсь, что человек с нуля сможет за несколько часов выучить Python так, чтобы уверенно читать чужой код и ответить на все эти вопросы.
В тексте я как раз подчёркиваю, что это минимум, который нужен для собеседований. И чтобы этот минимум реально освоить, нужны не ролики в тикток, а понимание, практика и время.
Да что там учить?
print("Hello, World!") - и я уже миддл
def im_senior_MLE():
return print("Hello, World!")
Где мои 300к в наносек?
Штука в том что данный RoadMap скорее всего действительно полезный, быстрый, несложный и с его помощью можно пройти собеседование. Однако чем легче вход, тем больше у него стоит желающих и тем сложнее сквозь него пройти. Не шарю за состояние сферы МЛ, но много ли вообще в ней вакансий стажёров/джунов?
ML - одно из самых сложных направлений для входа. Даже стажёру нужен большой объём теории, просто чтобы понимать, как решать задачи.
Вакансий стажёров и джунов мало, конкуренция высокая - это нормальное состояние рынка 2025. Стратегия «устроюсь стажёром/джуном и вырасту» сейчас почти не работает — или придётся, как мне, искать первую работу два года.
Гораздо разумнее готовиться сразу до уровня мидла — спрос на таких специалистов выше.
У тебя то датасантист то МЛ инженер, МЛ инженер это все же другое там и MLflow, DVC, Airflow, FastApi плюсом к тому что может датасантист
Data Science - это направление, которое включает в себя три профессии: Data Analyst, Data Engineer и ML engineer. На практике Data Scientist = ML engineer. Инструменты, которые вы описали, не являются обязательными.
Нет, это не так. В индустрии есть четкое разделение между датасантистами и МЛ инженерами. И инструменты которые я перечислил являются обязательными для того что бы называть себя МЛ инженером.
А еще есть MLOps инженер.
Датасантист это специалист который шарит за модели, тервер матстат линал и прочее, делает MVP в юпитерноутбуке и как бэ все.
Мл инж пишет product ready code переписывая юпитер в МЛ сервис.
В этом легко убедится, пишешь в поисковике ml engineer vs data scientist
Очень удачно и вовремя наткнулся на вашу статью))
Начал свой путь так же, с нуля. Начинал с питона, дальше матчасть(были большие пробелы), SQL, всякие библиотеки для анализа и EDA, и наконец ML и знакомство с курсом DLS(1 семестр). На обучение, суммарно, ушло чуть больше года, мог и сэкономить немного, если бы не ленился.
Буквально последние 2-3 дня думал над тем, как бы структурировать свои знания + разобраться с тем, что реально нужно для собеседования, а что можно оставить на потом. Собрал 100500 курсов (бесплатные в основном, но качественные) и столько же книг, никак не мог понять с чего начать и по какой траектории двигаться. И тут ваша статья, как бальзам на душу))
Ошибки самостоятельного обучения
Сложные курсы вместо нормальной базы.
Курсы вроде Воронцова или хендбука Яндекса, полезные, но они перегружены: 80% материала не нужно новичку.Учеба по книгам.
Сфера меняется быстрее, чем пишутся книги. Плюс большинству людей проще воспринимать видео, поэтому обучение быстрее и легче заходит.Нет понимания, что важно, а что можно пропустить.
Новички могут залипать на второстепенных темах и параллельно игнорировать то, что реально нужно на собесах.Изучать ML «на практике».
В ML теория — основа. Проекты, Kaggle, контесты и «бесплатная работа» бессмысленны, если не понимать базу. С ChatGPT можно решить задачу, но не понять, почему решение работает и что у него под капотом. На собеседованиях проверяют именно теорию.Я прошел через все это: сложные курсы, книги и попытки «учиться через практику». В какой‑то момент думал, что DS — не моё. На собеседования попадал редко и все проваливал.
На что нельзя тратить время
Высшее образование
Для ML достаточно базовых концепций первого курса. Если вы в ВУЗе - делайте минимум, учитесь на тройки, не вкладывайте туда силы. Если нет вышки - поступать специально ради ML бессмысленно.Алгоритмы
Нужно знать, что такое сложность алгоритма, а нарешивать литкод не стоит. Алгоритмы спрашивают примерно в 2-3 компании из 10.Статистика и A/B тесты
Это для классического ML. В NLP - приятный бонус, но не критичный.Деплой
Полезно, но без него спокойно берут на работу. Можно почитать что такое FastAPI и Docker — этого достаточно.С++.
Некоторые считают это «базой», то с чего стоит начинать обучаться программированию. Но для ML‑щика это не нужно.Доказательства формул и сложная математика
Вывод кросс-энтропии или умение посчитать backprop на листочке - не спрашивают и на работе не понадобится.Пет-проекты для резюме
HR их не смотрит. Гораздо важнее навыки и подготовка к собеседованиям.
Здесь я полностью согласен, так как испытал все на своей шкуре и пришел к этому только сейчас, для новичка годный совет.
Осталось протестировать вас на реальной задачке чтобы понять уровень после такого обучения. Есть кейсы?
Кейсы есть. О них я пишу в своем тг канале: https://t.me/mentor_ml
Также можно обратиться ко мне в личку, расскажу более подробно: https://t.me/george_khlestov
Этого хватит на стажёра или джуна, но никак не миддл без продового опыта
Можешь посоветовать нормальные аналоги материалов (кроме python, git, linux, sql) под контент на английском языке? Если да - буду очень благодарен.
Из платных подходят любые курсы udemy, pluralsight.
Оптимальный путь в NLP: как стать Middle за полгода