Comments 11
Можно совет от знающих. С питоном, математикой и бд я знаком, ml в процессе изучения, но уже тоже знаком с основными моделями и понятиями. Понимаю, что нужно паралельно делать проекты. Нужно ли пытаться осилить большой проект или лучше делать много маленьких на kaggle🤔
Сам только учусь, но могу дать такой совет - подтянуть математику, если есть пробел там, а потом идти по маленьким проектам, и там отрабатывать, где какой метод с точки зрения математики будет лучше работать и почему, а потом уже на большие идти
А какая конечная цель? Решать свои задачи (ну условно вы где то работаете и видите потенциал улучшения процессов? Тогда все равно. Если паботаете в другой сфере то (мое личное мнение) и то и другое бесполезно или почти бесполезно, реальные рабочие задачи не похожи на кэггл и пет проекты. Ищите стажировки это какой то шанс "нюхнуть пороха". По крайней мере все известные мне случаи вкатывания это или реальное изменение процессов на своем рабочем месте как старт или стажировка.
У меня вопрос по этапу 3 и 4. Очередность в статье соблюдена или это просто список того, что нужно знать? И нужно ли знать что-то ещё для начала учебы? (какая-то база, основы)
Чтобы было понятно, о чем я спрашиваю, приведу пример из школы: перед тем как начать изучать физику и химию, школьник проходит программу математики до 7-8 класса. Т.е. основа какая-то должна быть. Это как безусловное базовое требование перед стартом обучения. Если чего-то не знаешь, то и обучение на data science тебе рановато.
Насчёт очередности изучения материала. Я пока ещё не видел роадмапов, где нормально расписан путь. Но видел немало роадмапов, аналогичных этой статье.
Согласитесь, изучить сложение матриц, а потом сразу попрактиковать это в питоне (т.е. знание питона уже должно позволять это сделать) - хороший путь, где теория и практика идут рука под руку. Это значит, что какие-то вещи надо изучать параллельно, а какие-то последовательно.
Например, не обязательно изучать всю необходимую математику сразу, возможно, для понимания и создания простых нейросетей нужно гораздо меньше. Буквально несколько тем. Когда в школе начинают изучать физику - от ученика не требуются знания математики из 10-11 класса.
И с питоном - нужно ли изучать все, или достаточно знать какие-то основы, возможно хватит для начала понимания, как реализовать циклы и как работать со списками/кортежами/множествами. И лишь потом это все усложнять, причем постепенно.
Конечно, можно пройти кучу разных отдельных дисциплин и уже потом пытаться скомпилировать это в голове в общую систему. Но такое обучение на порядок хуже. А также требует большего времени. Например в вузе 4-6 лет учатся подобным образом. И никак не за 8-10 месяцев, как у вас написано.
Ну да, лучше полученные теоретические знания сразу практикой проверять. Узнали формулу - перемножили руками матрицы, проверили, что всё сходится. Изучили библиотеку - попробовали на ней какой-то проект сделать.
А что касается глубины изучения питона, то по моему опыту DS-ы часто на довольно базовом уровне питон знают и код довольно простой пишут. Им сложный и не надо, они не разработчики. Работает - ну и хорошо.
А изучать и питон и DS можно бесконечно. На всю жизнь хватит. Особенно DS. Да и библиотек у питона столько, что все изучить опять же задача на много лет, если это вообще реально. Да и не нужно их все знать.
А кто-нибудь подскажет: Вот я состоявшийся фронтэндер на Flutter, изучил ± всё, что в статье. Есть научный бэкграунд физиком и вообще в науке (но степени кандидата пока нет). Какие шансы найти работу Data Scientist? А то, например, у джунов на Flutter и в принципе в IT сейчас шансов мало, смотрю на них и аж сочувствую.
Привет всем учащимся, я учусь на мехмате, недавно начала погружаться в DS- тематику. Хочется найти напарника, с которым вместе расти можно. Оставьте, пожалуйста, контакты телеги, кто хочет попробовать :)
Как стать Data Scientist с нуля? Бесплатная программа обучения