Определенно, research позиции подразумевают более серьезное знание математики, но даже практическое применение уже существующих методов требует понимания внутренних процессов. Например, на этапах EDA, предобработки данных и feature extraction требуются статистические знания. Может быть, это не до конца вписывается в понятие "сложные математические навыки", но определенная доля знаний в плоскости математики нужна и здесь :)
Почему вы так думаете? Кажется, что изучение новых инструментов занимает определенное количество времени, особенно, если до этого использовались более высокоуровневые API для построения и обучения моделей, а в процессе возникла необходимость в самостоятельном описании процесса обучения.
Не согласимся с вами в полной мере. Безусловно, общение - важная часть работы не только для DS, но и для любого специалиста в IT. Но только общаться - недостаточно, важно решать задачу. Для хорошего DS важно не вслепую тыкаться и постоянно перебирать всевозможные параметры и алгоритмы почти рандомно, а собирать решение, опираясь на теоретические знания и предыдущий опыт разработки (те самые хард скиллс).
Да, так и есть! Но я здесь рассказал про одно из более простых решений, где от вас не требуется разбираться в работе браузерных расширений в Playwright и писать классы для работы с ними. Суть в том, что есть готовое решение для тех, кто не хочет тратить время на то, что уже есть. Если вам нужно протестировать Phantom, то да, без собственных наработок здесь уже не обойтись, т.к. под него, увы, еще нет готовых решений
Определенно, research позиции подразумевают более серьезное знание математики, но даже практическое применение уже существующих методов требует понимания внутренних процессов. Например, на этапах EDA, предобработки данных и feature extraction требуются статистические знания. Может быть, это не до конца вписывается в понятие "сложные математические навыки", но определенная доля знаний в плоскости математики нужна и здесь :)
Почему вы так думаете? Кажется, что изучение новых инструментов занимает определенное количество времени, особенно, если до этого использовались более высокоуровневые API для построения и обучения моделей, а в процессе возникла необходимость в самостоятельном описании процесса обучения.
Хотели бы скорее написать об этом отдельную статью, в которой собрать всё, что изучали сами, но сходу можем назвать следующее:
1) хороший курс по основам машинного обучения от ВШЭ: https://openedu.ru/course/hse/INTRML/;
2) лекции ШАД, по ссылке, например, по глубокому обучению, но на самом деле их лекций гораздо больше в open source: https://academy.yandex.ru/journal/kurs-lektsiy-shad-po-glubinnomu-obucheniyu;
3) курс от ods.ai по основам ml: https://mlcourse.ai/book/index.html, также у ребят скоро начинается mlops курс, тоже можем посоветовать записаться: https://ods.ai/tracks/ml-in-production-spring-23
Очень много ресурсов по этой теме сейчас и, к тому же, достаточно хороших.
Не согласимся с вами в полной мере. Безусловно, общение - важная часть работы не только для DS, но и для любого специалиста в IT. Но только общаться - недостаточно, важно решать задачу.
Для хорошего DS важно не вслепую тыкаться и постоянно перебирать всевозможные параметры и алгоритмы почти рандомно, а собирать решение, опираясь на теоретические знания и предыдущий опыт разработки (те самые хард скиллс).
Да, так и есть! Но я здесь рассказал про одно из более простых решений, где от вас не требуется разбираться в работе браузерных расширений в Playwright и писать классы для работы с ними. Суть в том, что есть готовое решение для тех, кто не хочет тратить время на то, что уже есть.
Если вам нужно протестировать Phantom, то да, без собственных наработок здесь уже не обойтись, т.к. под него, увы, еще нет готовых решений