Хабр Курсы для всех
РЕКЛАМА
Практикум, Хекслет, SkyPro, авторские курсы — собрали всех и попросили скидки. Осталось выбрать!
Хабр доступен 24/7 благодаря поддержке друзей
Комментарии 12
Нестареющая картинка, что сказать
Слово "sexiest" в обороте про работу не стоит переводить буквально.
1) Статистический анализ. Да, я это в институте и изучал.
2) Навыки программирования. Знаю и Питон и R.
3) Алгоритмы типа регрессии и кластеризации. Да, я это тоже в институте изучал.
4) Управление и обработка данных. Да я десять лет этим занимаюсь.
Выходит, мне не хватает интуиции / навыков общения — или тут список неполный, и дело в чём-то ещё.
2) Навыки программирования. Знаю и Питон и R.
3) Алгоритмы типа регрессии и кластеризации. Да, я это тоже в институте изучал.
4) Управление и обработка данных. Да я десять лет этим занимаюсь.
Выходит, мне не хватает интуиции / навыков общения — или тут список неполный, и дело в чём-то ещё.
Выходит, мне не хватает интуиции / навыков общения — или тут список неполный, и дело в чём-то ещё.
Полагаю, что не хватает знаний и опыта в ML, потому что «я это в институте и изучал» в реалиях образования в СНГ звучит как «знаю пачку древних алгоритмов, которые никто особо не использует».
Извините, а за последние 200 лет что-то изменилось в методике расчёта простой линейной регрессии, например? Или за последние лет 10 кластеризацию по k-средним уже считают не так, как раньше, а я всё пропустил?
Как вы верно подметили, «не хватает опыта в ML» означает «не выполнен формальный критерий документально подтверждённого трудоустройства в компании, которая официально занимается ML».
Вот если бы я в такой компании годик позаменял null на N\A, это бы было хорошим подтверждением того, что я знаю все современные алгоритмы.
Как вы верно подметили, «не хватает опыта в ML» означает «не выполнен формальный критерий документально подтверждённого трудоустройства в компании, которая официально занимается ML».
Вот если бы я в такой компании годик позаменял null на N\A, это бы было хорошим подтверждением того, что я знаю все современные алгоритмы.
Извините, а за последние 200 лет что-то изменилось в методике расчёта простой линейной регрессии, например? Или за последние лет 10 кластеризацию по k-средним уже считают не так, как раньше, а я всё пропустил?
Вы выбрали два алгоритма из того множества алгоритмов, изучаемых в наших ВУЗах, которые реально используются, браво.
Но есть ещё десяток таких, которые за пределы этого ВУЗа не выходят. А ещё есть два десятка таких, которые вы в ВУЗе не учили, а на самом деле они нужны.
Грубо говоря, в университете вам пять лет назад дали HOG+SVM для детекции объектов, но если вы попадете на computer vision проект, вы их никогда не увидите. Вместо этого вы увидите Faster R-CNN / SSD, про которые у вас в университете, возможно, и по сей день не слышали.
Как вы верно подметили, «не хватает опыта в ML» означает «не выполнен формальный критерий документально подтверждённого трудоустройства в компании, которая официально занимается ML».
Нет, я такого не говорил. Мне кажется, вы искажаете смысл моих слов.
«Не хватает опыта» — это буквально «не хватает реального боевого опыта, потому что ваш опыт как девелопера / дата инженера не покрывает и половины тех задач, с которыми вы столкнетесь».
Грубо говоря, в университете вам пять лет назад дали HOG+SVM для детекции объектов, но если вы попадете на computer vision проект, вы их никогда не увидите. Вместо этого вы увидите Faster R-CNN / SSD, про которые у вас в университете, возможно, и по сей день не слышали.
А ещё может случиться так, что вы будете работать в ML, но при этом ни разу не столкнётесь с задачей компьютерного зрения.
Но мы ушли далеко от начала разговора, а начался он с того, что перечисленное в статье в общем-то не так важно. Я говорю что важно формальное трудоустройство, вы говорите что важен реальный боевой опыт — но в любом случае не тот список, который нам предлагают.
А ещё может случиться так, что вы будете работать в ML, но при этом ни разу не столкнётесь с задачей компьютерного зрения.
Это просто пример. То же самое работает в 90% областей.
Но мы ушли далеко от начала разговора, а начался он с того, что перечисленное в статье в общем-то не так важно. Я говорю что важно формальное трудоустройство, вы говорите что важен реальный боевой опыт — но в любом случае не тот список, который нам предлагают.
И да, и нет. Пункты #1-4 в том списке важны. Пункт #5 важен в любой сфере вообще.
Другое дело, что помимо этих пунктов есть и ещё важные (в частности опыт).
Или за последние лет 10 кластеризацию по k-средним уже считают не так, как раньше
Я пока не саентист, а только аналист (и пришёл из матмоделей в экономике), но, простите, не самый универсальный метод кластеризации на прикладных задачах, например. Ну и т.д.
Зарегистрируйтесь на Хабре, чтобы оставить комментарий
Как стать Data Scientist в 2019 году