Первая статья здесь.
Обучение в Яндекс.Практикуме закончилось, получен сертификат и можно подвести итоги по обучению.
Так же, после первой статьи, у многих возникли дополнительные вопросы, поэтому хотелось и на них ответить и показать немного практики. Кейсов освоено достаточно много, поэтому в рамках одной статьи все охватить не получится.
Хочу описать в первую очередь то, что произошло в обучении после написания первой статьи. То, что хотелось бы описать отдельно.
самым сложным лично для меня оказался курс «Автоматизация» — об автоматизации процессов анализа данных (скрипты, дашборды и т.д.), качество учебного материала оказалось совершенно не при чем.
Это были чисто технические сбои из разряда — «я, что-то нажала и все погасло» :)
(несовместимость версий ПО, проблемы с оборудованием), вызвали нарушение сроков выполнения работы. Еще оказалось, что практически не имела опыта работы с командной строкой, но пришлось срочно научиться…
В рамках этой темы, получили опыт работы на виртуальной машине в Яндекс.Облаке:
произвел впечатление курс с заманчивым названием «Прогнозы и предсказания» (машинное обучение). Он оказался очень важен, аналитик обязательно должен иметь представление о машинном обучении, хотя это уже больше относится к Data Science. Скажу сразу, что мне идея внедрения, полученных аналитических выводов, сразу же на практике, понравилась, так как люблю полный цикл работы и чем меньше разделение процессов, тем более качественный результат получается (есть, правда, в этом и свои сложности).
Курс состоит из 3-х больших блоков:
выпускной проект проходил в Яндекс.Трекере – системе управления задачами и процессами для того, чтобы студенты погрузились в рабочий процесс, как в настоящей компании.
Каждый студент выполнял свой проект и присылал отчеты в Трекер, так же приходили и неожиданные задачи. Это был интересный опыт, но сложно было оценить временной дедлайн в реальных компаниях (за какое время обычно, в жизни делается тот или иной проект).
И последнее задание на взаимную проверку в Peergrade — это онлайн-платформа для проведения сеансов обратной связи со студентами. Там мы оценивали одно из заданий друг друга по проекту.
очень понравилась программа трудоустройства. Ты можешь быть хорошим специалистом, но совершенно не понимать, что нужно сделать, чтобы правильно и адекватно подать себя. Мне казалось, что имея на руках портфолио, с готовыми работами, работодатель все посмотрит, мы побеседуем, и процесс сократится для всех, но оказалось, что проекты никто и не смотрит. В большинстве случаев, все начинается с HR-отдела и поэтому у Вас должно быть нормальное резюме и сопроводительное письмо, да и много других тонкостей. Поэтому, неожиданно для меня, эта программа оказалась крайне полезна.
Готовым специалистом на выходе Вы будете, если у Вас есть опыт работы в определенной сфере, где Вы сможете не только применить изученные инструменты, но и суметь интерпретировать полученный результат, а в идеале, еще и внедрить его.
Яндекс.Практикум даст Вам только инструменты для анализа, и изучить инструменты с нуля Вы действительно сможете (например окончив школу), но интерпретировать результат вряд ли, для этого существует профильное образование или опыт работы в определенной сфере.
В нашей стране, Практикум работает немного на опережение, так как оказалось, что по очень многим вакансиям вам понадобится Excel в совершенстве :). Видимо, работодатели с трудом, переходят на другие инструменты работы с данными.
Напомню, что наш поток был первым, и я понимала, что обязательно будут какие-либо технические трудности и разработчики курса, тоже будут в какой-то степени учиться на нас.
Главным минусом, для меня стал «человеческий фактор». Позднее, разбирая свои сданные проекты, обнаружила несколько ошибок, на которые преподаватели должны мне были указать. И вообще, чувствовалось, что преподавателям не хватает времени на проверку, списываю все это на новый продукт и этот вопрос вполне решаем. Тем более, что ребята делающие курс ну очень стараются сделать суперпродукт, например тема «Прогнозы и предсказания» была полностью обновлена и стала намного понятнее и полнее. Прохожу ее заново.
Так же были противоречия в рекомендациях по применению некоторых методов от разных преподавателей, различные точки зрения.
(о чем лучше иметь представление до начала занятий, чтобы сэкономить время, особенно если Вы параллельно работаете):
Эти методы представлены довольно пОлно:
А так же, если это было давно или Вы вообще ничего не знаете про теорию вероятностей, посмотрите хотя бы уроки от GetAClass вначале по комбинаторике, затем по теории вероятностей.
О необходимости английского языка говорить излишне.
…
2022-й)) Для интересующихся тем, что произошло дальше. Работаю аналитиком, но не в больших данных, освоила Power BI, но ищу работу, чтобы писать на Python все таки (нравится). Сейчас строю модели ML и прогнозирую только в личных целях (финансовый интерес и, чтобы не терять квалификацию) — для торговли на бирже.
Обучение в Яндекс.Практикуме закончилось, получен сертификат и можно подвести итоги по обучению.
Так же, после первой статьи, у многих возникли дополнительные вопросы, поэтому хотелось и на них ответить и показать немного практики. Кейсов освоено достаточно много, поэтому в рамках одной статьи все охватить не получится.
Хочу описать в первую очередь то, что произошло в обучении после написания первой статьи. То, что хотелось бы описать отдельно.
Во-первых,
самым сложным лично для меня оказался курс «Автоматизация» — об автоматизации процессов анализа данных (скрипты, дашборды и т.д.), качество учебного материала оказалось совершенно не при чем.
Это были чисто технические сбои из разряда — «я, что-то нажала и все погасло» :)
(несовместимость версий ПО, проблемы с оборудованием), вызвали нарушение сроков выполнения работы. Еще оказалось, что практически не имела опыта работы с командной строкой, но пришлось срочно научиться…
В рамках этой темы, получили опыт работы на виртуальной машине в Яндекс.Облаке:
Сервис предоставляет масштабируемые вычислительные мощности для размещения, тестирования и прототипирования ваших проектов. Вы сами определяете число ядер, объём памяти, размер и количество дисков, а также выбираете операционную систему и зону доступности виртуальной машины. Управлять виртуальными машинами можно через консоль, командную строку (CLI), API или SDK.
Во-вторых,
произвел впечатление курс с заманчивым названием «Прогнозы и предсказания» (машинное обучение). Он оказался очень важен, аналитик обязательно должен иметь представление о машинном обучении, хотя это уже больше относится к Data Science. Скажу сразу, что мне идея внедрения, полученных аналитических выводов, сразу же на практике, понравилась, так как люблю полный цикл работы и чем меньше разделение процессов, тем более качественный результат получается (есть, правда, в этом и свои сложности).
Курс состоит из 3-х больших блоков:
- задачи машинного обучения в бизнесе,
- алгоритмы машинного обучения,
- процесс решения задач машинного обучения.
В-третьих,
выпускной проект проходил в Яндекс.Трекере – системе управления задачами и процессами для того, чтобы студенты погрузились в рабочий процесс, как в настоящей компании.
Каждый студент выполнял свой проект и присылал отчеты в Трекер, так же приходили и неожиданные задачи. Это был интересный опыт, но сложно было оценить временной дедлайн в реальных компаниях (за какое время обычно, в жизни делается тот или иной проект).
И последнее задание на взаимную проверку в Peergrade — это онлайн-платформа для проведения сеансов обратной связи со студентами. Там мы оценивали одно из заданий друг друга по проекту.
В-четвертых,
очень понравилась программа трудоустройства. Ты можешь быть хорошим специалистом, но совершенно не понимать, что нужно сделать, чтобы правильно и адекватно подать себя. Мне казалось, что имея на руках портфолио, с готовыми работами, работодатель все посмотрит, мы побеседуем, и процесс сократится для всех, но оказалось, что проекты никто и не смотрит. В большинстве случаев, все начинается с HR-отдела и поэтому у Вас должно быть нормальное резюме и сопроводительное письмо, да и много других тонкостей. Поэтому, неожиданно для меня, эта программа оказалась крайне полезна.
Выводы
Готовым специалистом на выходе Вы будете, если у Вас есть опыт работы в определенной сфере, где Вы сможете не только применить изученные инструменты, но и суметь интерпретировать полученный результат, а в идеале, еще и внедрить его.
Яндекс.Практикум даст Вам только инструменты для анализа, и изучить инструменты с нуля Вы действительно сможете (например окончив школу), но интерпретировать результат вряд ли, для этого существует профильное образование или опыт работы в определенной сфере.
В нашей стране, Практикум работает немного на опережение, так как оказалось, что по очень многим вакансиям вам понадобится Excel в совершенстве :). Видимо, работодатели с трудом, переходят на другие инструменты работы с данными.
Напомню, что наш поток был первым, и я понимала, что обязательно будут какие-либо технические трудности и разработчики курса, тоже будут в какой-то степени учиться на нас.
Главным минусом, для меня стал «человеческий фактор». Позднее, разбирая свои сданные проекты, обнаружила несколько ошибок, на которые преподаватели должны мне были указать. И вообще, чувствовалось, что преподавателям не хватает времени на проверку, списываю все это на новый продукт и этот вопрос вполне решаем. Тем более, что ребята делающие курс ну очень стараются сделать суперпродукт, например тема «Прогнозы и предсказания» была полностью обновлена и стала намного понятнее и полнее. Прохожу ее заново.
Так же были противоречия в рекомендациях по применению некоторых методов от разных преподавателей, различные точки зрения.
Изучаемые инструменты
(о чем лучше иметь представление до начала занятий, чтобы сэкономить время, особенно если Вы параллельно работаете):
- Python, лучше если Вы будете иметь представление о языке до начала занятий. Есть вводный курс, но не помешали бы и другие ознакомительные тоже;
- Jupyter Notebook, тоже лучше почитать перед началом занятий;
- SQL, требуется почти везде, все необходимое для начала работы точно было дано, теперь это вопрос практики;
- статистический анализ, настоятельно рекомендую перед началом пройти «Основы статистики» на Степике с Анатолием Карповым,
если не знаете совсем, то и во время прохождения темы «Статистический анализ данных» снова кратко просмотреть. Когда дойдете до темы «Прогнозы и предсказания» не помешает и «Основы статистики. Часть 2 и 3.» того же автора пройти и тогда будет более целостная картина.
Эти методы представлены довольно пОлно:
- инструменты для анализа бизнес-показателей (метрики и воронки, когортный анализ, юнит-экономика, пользовательские метрики);
- инструменты проверки гипотез, проектирование экспериментов (А/В-тестирование);
- инструменты презентации результатов аналитического исследования, визуализации (графики, презентации, отчеты);
- автоматизация процессов анализа данных (потоковые аналитические решения, регистрация событий в логах, создание регулярных отчетов, дашбордов, мониторинг событий, работа с облачными сервисами);
- машинное обучение, sklearn (предобработка, построение моделей, классификация, выбор лучшей модели), но все же это довольно краткий курс, и желающим работать в данной сфере, понадобится более продвинутый курс, например от того же Яндекса
А так же, если это было давно или Вы вообще ничего не знаете про теорию вероятностей, посмотрите хотя бы уроки от GetAClass вначале по комбинаторике, затем по теории вероятностей.
О необходимости английского языка говорить излишне.
…
2022-й)) Для интересующихся тем, что произошло дальше. Работаю аналитиком, но не в больших данных, освоила Power BI, но ищу работу, чтобы писать на Python все таки (нравится). Сейчас строю модели ML и прогнозирую только в личных целях (финансовый интерес и, чтобы не терять квалификацию) — для торговли на бирже.