Comments 19
не думаю, что уместно переводить "sexy" как "сексуальная" в этом контексте. Более подходят для русского языка формы "модная, привлекательная".
Спасибо за статью.
Для меня главный вопрос (как для программиста, в свободное время постепенного изучающего статистику, анализ данных и ML) — как ту самую "интуицию о том как работает модель" развить.
Такое чувство что теории много (особенно математики которую давно забыл), теория быстро забывается, и хз сколько надо чего выучить до момента когда язык повернётся сказать "я претендую на работу дата-саентиста". И с точки зрения "настоящих математиков" чувствуешь себя так же, как чувствовал бы вчерашний гуманитарий который прошёл курс по Питону -_-
Делаешь А, получаешь Б, смотришь в данные В, понимаешь почему в модели происходит Г. И с какого-то момента появляется интуиция, что внутри происходит Г.
Если нет, мой комментарий бесполезен, если да — означает, что вы недостаточно сильны в технологиях, отличных от программирования, но которые необходимы для решения задачи.
Ко мне приходят студенты с Мехмата, утверждающие, что знают мат. статистику. Но они почти поголовно не умеют решать задачи по геномной статистике, им приходится разжёвывать. И ладно, если это дипломники, но зачем терять время на таких соискателей? Помню своё аспирантство в Швейцарии в 98м: русские студенты/аспиранты ценились за гибкость ума. Сейчас?
В биоинформатике тоже есть очень много градаций. Есть гении (не побоюсь этого слова — именно так), которые в экселе формулу не напишут (они не знают, как), при этом с помощью 2-3х программных инструментов (древних!!! Есть софтина, написанная для 3.1, до сих пор остающаяся актуальной!!! DOS'овские тоже есть, но аналоги к ним уже подобраны, впрочем, они платные) они решают сложные и нужные задачи. Да, как правило, это — околопенсионеры, которые много знают, много «интуичат», и без них работать будет очень сложно.
Есть другая градация — «почти чистые программеры», которые вписались в среду, примерно поняли, что от них нужно, глобальную задачу не понимают ввиду незнания материала, зато способны за два дня на коленках сваять софтину, решающую все ваши текущие проблемы. Главное — донести и разжевать, что же именно ты хочешь получить на выходе, и что должно быть на входе. И иногда это очень тяжело, проще самому «расчехлить клаву». Но таких много. Приходят (часто писать диплом), уходят. Если остаются и осиливают хотя бы «трёхтомник», становятся хорошими сотрудниками.
Идеал — что-то среднее. Но таких не делают в ВУЗах. Даже в моей Альма Матер. Чтобы быть идеальным биоинформатиком, надо гореть этим. Таковые попадаются, но что мы можем им предложить? — Неплохую зарплату и их геном? Они найдут шикарную зарплату и купят себе сиквенс своего генома :) Таких, правда, ничтожно мало, так что если биоинформатика всё же = Data Science, то автор не рассмотрел тему полностью.
— Наши задачи легко масштабируются. И легко оптимизируются (видели бы вы код инструментов, которые тот же QIAGEN продаёт за бешбабки, — там поле непаханное в плане оптимизации), главное — не удариться в микрооптимизацию. Так что мы решаем проблему так: вместо команды лидер + 2 биоинформатика у нас, как правило, работает команда лидер-биоинформатик + биолог/биохимик + 2 программиста + биолог-тестер. Немного расточительно, зато есть результаты. Особенно в наше текущее неспокойное время.
Гипотетическая вакансия недалёкого будущего.
Магазину удочек "Космический Лосось" требуется миддл Full Stack Веб-Разработчик.
Обязательные требования:
- 10 лет подтверждённого опыта разработки в JS/React, NodeJS, MongoDB, PostgreSQL.
- 7 лет опыта в администрировании Linux и Windows серверов.
- Не менее 4-х лет опыта работы с Kubernetes, Docker, Chef, Ansible и пр.
- Подтверждённое умение проектировать высоконагруженные распределённые системы.
- HTML6 и CSS4 UX/UI ниндзя.
- Высокая общительность, способность заряжать всех вокруг себя позитивом, душа компании.
- UML, BPML, способность аккуратно и продуманно рисовать схемы на доске, каллиграфический почерк.
- Преданность идеям бизнеса, уважение к начальству, желание работать сверхурочно.
- Git.
Очень Весомое Преимущество:
- От 5-и лет опыта в проектировании, сборе и анализе больших данных.
- 4-5 лет опыта в машинном обучении.
- Способность быстро обучать ИИ:
- Полностью естественному общению с клиентами в чатах и по телефону.
- Распознаванию вида рыбы по колебаниям поверхности воды.
- Языку рыб для приманивания к крючку.
Оплата 50000 RUB + премия. Бесплатные обеды.
Или это утопия, я долэен быть и крутым дата сайнтистом и крутым врачем?
Я часто сталкиваюсь с ситуацией, когда вместе работают хороший программист и хороший биолог, хороший физик и хороший биолог или даже хороший врач и хороший биолог. Порой они просто не понимают друг друга и им сложно работать в такой сцепке. Приходится искать третьего, чьи знания охватывают обе области, тогда эта тройка может выдавать хорошие и, главное, — быстрые результаты. Правда, имеем перерасход работников.
Зато в такой ситуации очень хорошо проверяются студенты: двум зубрам придаётся студент, в обязанности которого входит коммуникация между ними. В случае успешного сосуществования не нужно искать третьего компетентного специалиста, плюс, идёт ускоренное обучение студента сразу в двух областях. Жаль, что немногие после такого КМБ задерживаются.
какой специалист лучше: тот, кто суперкомпетентен в одном, но мало знает про другое направление или тот, кто что-то умеет и там, и там?
Зависит от задач и целей, разве нет? Если нужно что-то одно делать максимально быстро и качественно — нужен суперкомпетентный. Если чего-то больше одного в рамках задачи/подпроекта/проекта, рассчитанных на выполнение одним человеком, то нужен кто-то, кто достаточно хорошо разберётся во всём. Или если нужна компетентная координация между сверхкомпетентными узкими специалистами.
Если правда, что Вы говорите о косяках, то бросайте всё и долбите Silicon Valley. Вон, Дудь недавно о них ролик выпустил, прямо какая-то джедайская супернова там… И поспешите, а то кто знает, что потом по обновлённой конституции будет нельзя. Короче, для одарённых и гениев тупой бизнес, даже если псевдонаучный, — обуза. И в итоге они для него тоже. Потому что все бизнесы в конечной дистилляции управляются теми, кто хочет выгодных для себя результатов здесь и сейчас. В Силиконовой/Кремниевой долине всё то же, но, говорят, ментальность другая. Где-то, где более открыты к инновациям, б.м., Вы сможете проявить себя и заодно спасти много жизней от всякой нездоровой фигни. Короче, дерзайте и успеха!
Стоит ли идти в Data Science?