Привет! Меня зовут Игорь Кальченко, я ML-разработчик в МТС AdTech. Больше полугода назад я окончил Школу аналитиков данных МТС. Это были насыщенные и интересные 10 месяцев, о которых я расскажу в этом тексте. Дисклеймер: это опыт одного выпускника программы, и он может расходиться с другими оценками, я не претендую на истину в последней инстанции.
Как я пришел к мысли стать аналитиком
Мое знакомство с программированием началось еще в университете, когда я изучал гуманитарные науки и решил попробовать свои силы в IT-сфере. Прошел ряд курсов и программ по backend-разработке, аналитике, ML и в какой-то момент узнал про существование Школы аналитиков данных МТС.
На момент поступления я знал, что это фундаментальный корпоративный курс по машинному обучению и аналитике, который готовит ML-разработчиков с актуальным стеком навыков для МТС и для индустрии в целом. Поступить туда можно было с любым бэкграундом, достаточно только пройти отбор.
Вступительные выглядели как комплексный тест по программированию на Python и математике уровня первых курсов университета. В основном проверялось наличие какой-то базы по тем модулям, которые нам предстояло проходить в будущем.
Когда я подавал заявку, больших ожиданий от Школы у меня не было. Хотелось не вылететь в первые пару недель. Я прекрасно понимал, что если мои знания в области разработки были на достаточно хорошем уровне, то университетской базы по математике мне остро не хватало. При этом все время до поступления и после у меня было очень много энтузиазма и желания разобраться в новой и интересной сфере — вероятно, именно за счет этого и получилось сократить разрыв в знаниях и по итогу не только поступить в Школу, но и закончить ее, попав на стажировку и впоследствии на работу в МТС.
Из чего состояла программа
Курс содержал блоки:
SQL и Python;
математика (
страшно, очень страшно, если бы мы знали, что это такое, но мы не знаем, что это такоелинал, матстат, теорвер, регрессия, оптимизация, EDA);ML (классический ML, временные ряды, А/Б-тесты);
BigData (Spark, MLOps, System Design);
рекомендательные системы;
нейронные сети.
Учеба. Как это было
Курс сформирован прикольно. Два раза в неделю лекции, частые домашние задания для закрепления. Система мотивации: баллы за обучение, которые можно обменивать на мерч или нематериальные бонусы — раннюю стажировку, интересные встречки и все в этом роде.
Много интересных подходов к ML, домашки варьировались от простых тестов до соревнований по нейронным сетям на Kaggle. Был небольшой reading club, где студенты пробовали преподавать — рассказывали сокурсникам об интересных темах. Там же проходили очные и онлайн‑встречи, квизы, челленджи и вообще много всего.
За время обучения у нас было где‑то 70 лекций, 43 домашних задания, 3 соревнования Kaggle, а еще много разных активностей. Суммируя опыт: учиться сложно, но вам понравится.
У многих преподавателей я заметил заинтересованность в том, чтобы студенты не только закрывали модули, но и приходили работать в их команды. Для этого они рассказывали про свои проекты, про особенности задач — это прям хорошо поддерживало мотивацию во время курса.
За весь курс очень запомнилась динамика. Темы быстро сменяли одна другую: буквально пару недель назад мы изучали классический ML, а теперь сдаем первые домашние задания по рекомендательным системам, а через месяц предстоит начать изучать нейронные сети и участвовать в полноценных соревнованиях по Computer Vision на Kaggle. Это было очень интенсивно и продуктивно, так как подготовило базу для реальной работы, где также нередко приходится нырять в абсолютно новые темы и задачи.
Как устроено комьюнити
После завершения нас привлекли в качестве тьюторов курировать новые группы студентов, что способствует нетворкингу и связям между выпускниками и студентами. Также благодаря Школе я узнал про многие интересные проекты, например ODS (Open Data Science) с его собственными курсами, мероприятиями и комьюнити.
Связи остаются не только со студентами, но и с преподавателями. Даже после выпуска спокойно можно написать преподавателю с рабочим вопросом по изучавшейся теме и с большой вероятностью получить исчерпывающий ответ. У меня так было, когда потребовалась специфическая информация про Spark.
Стоит написать про педсостав. Первое, что меня удивило, — это вовлеченность преподавателей в процесс. Хотя большая их часть занимала позиции от сеньоров и тимлидов до CDS (Chief Data Scientist) и явно имела немало работы помимо Школы, преподаватели вкладывались в учеников. Все ДЗ проверяли подробно и с комментариями (нас было 100+ студентов), доработки приветствовали и возвращали с фидбэком, чаты по темам были активны, всегда можно было поспрашивать вопросики, если оные возникали. В конце с нами поделились статистикой: преподаватели проверили 2 387 работ, в основном ноутбуки с кодом, проекты, соревнования и немного частично автоматизируемых тестов. Я проходил ряд курсов до Школы, но такую всеобщую заинтересованность встречал редко.
Помимо студентов и преподавателей мы много работали с менеджерами курса. Тоже хочется отметить их заинтересованность: каждый кейс рассматривали индивидуально, собирали много фидбэка, было ощущение, что каждый студент им важен.
Есть ли жизнь после Школы
Есть стажировка и менторство. Шанс пройти отбор предоставляется всем, кто окончил программу и выполнил требования. Я попал в первую, немногочисленную, волну еще во время обучения.
Стажировка гармонично дополнила мое обучение в Школе. С первых дней меня закрепили за проектом и погрузили в реальные рабочие задачи. Ощущалось как полноценная работа со взрослыми задачами, проектами и ответственностью.
Боялся вылететь, но повезло: дали крутого ментора из ведущих ML-разработчиков команды. По ощущениям, именно благодаря его грамотному менторству я углубил знания из Школы, прокачал самостоятельность, научился решать более комплексные, нетипичные задачи и по итогу перешел из стажеров в штат.
Что из курса пригодилось
Как уже писал, я в команде AdTech, где занимаюсь ML-решениями для рекламного бизнеса МТС. В основном работаю с классическим ML: создаю и улучшаю модели классификации на основе бустингов, исследую векторные фичи и ANN-алгоритмы.
За полгода вывел в прод несколько новых моделей, одну из которых мы с коллегами написали почти с нуля. Также были небольшие AdHoc-проекты, облегчающие работу с большими данными.
Большая часть этого стала возможна благодаря двум вещам:
Школе;
грамотно выстроенным стажировке и адаптации новых сотрудников.
Про стажировку писал выше, а что до Школы — она выступила прочным фундаментом, где надстроились практические знания. Она дала широкий набор теоретических и практических навыков, каждый из которых можно извлекать и развивать. Так, мне очень пригодился курс по введению в депрессию регрессию: практически все, что там разбиралось, напрямую связано с моими текущими задачами.
За стажировку я на практике прочувствовал, что большие данные — это большие требования к оптимизации. Мне удается их выполнять, потому что я выучил, как работают базы данных и инструменты для работы с ними. Помог модуль BigData: познакомил с HDFS, Hadoop и Spark. Думаю, без обучения мне было бы менее комфортно в полноценной BigData-архитектуре команды, где я работаю.
Курс по линалу научил разбираться в векторах и искать в них решения задач. В принципе весь матаппарат, изученный за время Школы, здорово показал, что происходит под капотом кода. А библиотеки для EDA помогли лучше изучать данные и находить в них аномалии, сказывающиеся на качестве моделей.
Суммирую в табличке, что мы изучали и что из этого мне пригодилось в работе:
Стек Школы аналитиков данных МТС | |
Технология | Пригодилась |
Pandas | + |
Spark | + |
SQL | + |
PyTorch |
|
Git | + |
Kafka | + |
FastAPI |
|
Flask |
|
Скрапинг (Beautiful Soup) |
|
EDA (Plotly, matplotlib) | + |
RecSys (RecTools) |
|
OLS |
|
Регрессия | + |
Матстат | + |
Теорвер | + |
LLM |
|
Docker | + |
А/Б-тесты | + |
Подытоживая: Школа предоставляет обширный набор мощных инструментов для работы в ML/DS/аналитике, каждый из которых можно доставать под конкретные задачи и качать до бесконечности.
Переходите на темную сторону Приходите в Школу аналитиков данных МТС: у нас весело и много мемов.