Понимаю, когда желание написать один из первых скриптов хочется связать с полезным делом, но выносить в публичную сферу свои опасные заблуждения -- вредительство.
Зимние шины не для льда и вот это неверно: # Порог ночной температуры, ниже которого считаем, что ещё рано менять шины threshold_temp = 1 # градусов Цельсия
Зимние шины нужно менять на летние, когда вы стабильно ездите при температурах +7 С и выше. При температурах ниже летние шины будут дубовые и плохо тормозить. Лучше тут перебдеть и покататься на зимних до того момента, когда температура уже точно не опускается ниже +7 С.
Также странно видеть людей на летней резине поздней осенью, когда температуры уже отрицательные, просто нет снежного покрова, а водители на голубом глазу отвечают, что "дык снега-ж ещё нет, и так пойдёт"
Как раз если считать это не на бумаге, а завести в компьютер, то и получится data science.
все говорят про датасайентистов а какую конкретно роль в бизнесе они исполняют непонятно.
В том то и дело, что сам термин Data Science - очень широкий. "Наука о данных" занимается всем, что связано с данными так же, как и Computer Science занимается всем, что связано с электронными вычислениями.
Многие употребляют термин Data Scientist описывая человека, который использует методы машинного обучения и нейросети, но такой подход только вносит большую путаницу и ничего не сообщает о реальной роли человека в организации.
Надеюсь, более узкие термины приживутся и будут широко использованы для описания конкретных обязанностей: Data Analyst - аналитик данных, использует мат. стат. программы или программирование для понимания данных, может использовать и методы машинного обучения, но больше с точки зрения практики, не вдаваясь в глубь "что там под капотом".
ML engineer - инженер машинного обучения, занимается разработкой и улучшением моделей ML, как раз глубоко изучает "что там под капотом"
Data engineer - инженер данных - занимается разработкой систем сбора и хранения данных
ну и так далее: ML ops, Prodcut Analyst, Web Analyst, ML researcher - во множество позиций, которые так или иначе работают с данными, а значит, хоть частично могут считаться областью Data Science
Сам работал SEOшником и знаю, как бывшие коллеги любят придумывать разные странные извращения, которые якобы улучшают ранжирование.
Вообще в этой сфере много домыслов и фантазий, которые возникают на фоне недостаточного понимания специалистами технической части.
На самом деле, всё SEO держится на одном простом правиле: "Делай красивый и удобный сайт для людей". Если за сайтом стоит адекватный бизнес, то сайт будет ранжироваться, а если нет - то никакое SEO не поможет.
Серые и черные схемы тоже рано или поздно будут обличены, а результаты белого способа останутся.
Понимаю, когда желание написать один из первых скриптов хочется связать с полезным делом, но выносить в публичную сферу свои опасные заблуждения -- вредительство.
Зимние шины не для льда и вот это неверно:
# Порог ночной температуры, ниже которого считаем, что ещё рано менять шины
threshold_temp = 1 # градусов Цельсия
Зимние шины нужно менять на летние, когда вы стабильно ездите при температурах +7 С и выше.
При температурах ниже летние шины будут дубовые и плохо тормозить. Лучше тут перебдеть и покататься на зимних до того момента, когда температура уже точно не опускается ниже +7 С.
Также странно видеть людей на летней резине поздней осенью, когда температуры уже отрицательные, просто нет снежного покрова, а водители на голубом глазу отвечают, что "дык снега-ж ещё нет, и так пойдёт"
Как раз если считать это не на бумаге, а завести в компьютер, то и получится data science.
все говорят про датасайентистов а какую конкретно роль в бизнесе они исполняют непонятно.В том то и дело, что сам термин Data Science - очень широкий. "Наука о данных" занимается всем, что связано с данными так же, как и Computer Science занимается всем, что связано с электронными вычислениями.
Многие употребляют термин Data Scientist описывая человека, который использует методы машинного обучения и нейросети, но такой подход только вносит большую путаницу и ничего не сообщает о реальной роли человека в организации.
Надеюсь, более узкие термины приживутся и будут широко использованы для описания конкретных обязанностей:
Data Analyst - аналитик данных, использует мат. стат. программы или программирование для понимания данных, может использовать и методы машинного обучения, но больше с точки зрения практики, не вдаваясь в глубь "что там под капотом".
ML engineer - инженер машинного обучения, занимается разработкой и улучшением моделей ML, как раз глубоко изучает "что там под капотом"
Data engineer - инженер данных - занимается разработкой систем сбора и хранения данных
ну и так далее: ML ops, Prodcut Analyst, Web Analyst, ML researcher - во множество позиций, которые так или иначе работают с данными, а значит, хоть частично могут считаться областью Data Science
Сам работал SEOшником и знаю, как бывшие коллеги любят придумывать разные странные извращения, которые якобы улучшают ранжирование.
Вообще в этой сфере много домыслов и фантазий, которые возникают на фоне недостаточного понимания специалистами технической части.
На самом деле, всё SEO держится на одном простом правиле: "Делай красивый и удобный сайт для людей". Если за сайтом стоит адекватный бизнес, то сайт будет ранжироваться, а если нет - то никакое SEO не поможет.
Серые и черные схемы тоже рано или поздно будут обличены, а результаты белого способа останутся.