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.
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))
Здесь я полностью согласен, так как испытал все на своей шкуре и пришел к этому только сейчас, для новичка годный совет.