Comments 3
Артем, такой вопрос к вам, сколько в процентах материала от того что вы представили в 4 постах, вы сами можете воспроизвести на условном собеседовании в бигтехубигтехную, где будут все описанные вами этапы и будут штрудировать по каждому термину и алгоритмам. Читая "дорожку" и все остальные ресурсы что у вас в постах, можно потратить не один год, так и не поработав на реальной работе. Без негатива, просто частное мнение. По мне так лучше изучить основы, а потом уже в работе с настоящей командой развиваться дальше.
Как я писал уже в комментариях под предыдущим постом:
Я просто предлагаю материалы, которые можно использовать для изучения Data Science и подготовки к собеседованиям.
На собеседованиях спрашивают только маленькую часть от того, что можно узнать, если работать с этими ресурсами.
Я понимаю, что в моих статьях много материалов, но это не значит, что их все нужно обязательно использовать для подготовки :)
Кому-то проще воспринимать информацию из книг, кому-то из курсов, поэтому я стараюсь добавить максимальное количество ресурсов, чтобы каждый смог выбрать то, что подойдет.
По мне так лучше изучить основы, а потом уже в работе с настоящей командой развиваться дальше.
Одно другому не мешает. Тема настолько широкая, что работая с "настоящей командой" даже (тем более) в бигтехе вы рискуете некоторые вещи пайплайна/фреймворка из начала статьи так никогда и не потрогать.
Например, вы работаете над созданием признаков. Вы можете совершенно ничего не знать, как устроен процесс разметки данных (используется ли weighted majority vote или Дэвид-Скин) или какие метрики используются для офлайн/онлайн оценки вашей модели или как мониторят стабильность вашего прода. Более того, в эру LLM, существует огромное множество вопросов с обучением моделек или, например, оптимизацией инференса.
Мой опыт подсказывает, что нужен баланс. Максимальное погружение в работе + саморазвитие и закрытие тех вопросов, с которыми на работе не встречаешься или не дотягиваешься.
Материалы для подготовки к собеседованию на позицию Data Scientist. Часть 4: Дизайн систем машинного обучения