Комментарии 9
Респект за подборку!
Дел
Очень интересная подборка, спасибо за проделанный труд!
Возможно, по одной из следующих ссылок также кто-то найдёт для себя что-то интересное:
https://whimsical.com/machine-learning-roadmap-2020-FoYqscEARM8gV5JBeFVWjZ
(короткая версия и описание здесь: https://github.com/mrdbourke/machine-learning-roadmap/tree/master)
https://www.mrdbourke.com/ml-resources/
https://mrdbourke.notion.site/2022-Coursera-Data-Science-Curriculum-beginner-friendly-5acf720143314f95a1f4a934a447d5c4
https://github.com/AssemblyAI-Examples/ML-Study-Guide
https://github.com/dformoso/machine-learning-mindmap
https://github.com/dformoso/deeplearning-mindmap
Объемно, спасибо. Я по специальности системный администратор ПО SAP, но с появлением GPT во мне укрепляется убеждение что Data Science и Machine Learning это азбука будущих профессий. При этом, как вы раскрыли в данной статье, порог вхождения невероятно высокий. Примерно год назад, я начал освоение математики практически с 0, с книги "Математика в огне", надеюсь осилить ее в ближайшем будущем и перейти к вашему материалу. Было бы здорово найти подборку задач от простого к сложному на эту тему, чтобы студенты помимо теории могли применять знания на практике в рамках какого-то комьюнити.
Еще хотелось бы спросить у автора и людей в теме, на сколько велики шансы самостоятельно войти в профессию? Понимаю, что вопрос звучит неконкретно, но тем не менее было бы интересно узнать побольше об опыте людей у кого получилось.
Спасибо
Кажется, что про упомянутую вами книжку я краем уха слышал.
Тем не менее, добавил себе в избранное, постараюсь до нее добраться. Описание книги интригующее))
По поводу того, насколько велики шансы: количественная оценка — задачка нетривиальная))
С моей точки зрения шансы эти есть и зависят все-таки в большей степени от усилий конкретного человека.
Есть масса обучающих материалов в открытом доступе, бесплатных и вполне качественных.
Здесь проблема может быть в том, чтобы выстроить эти материалы в непротиворечивую учебную программу. Тут вам могут помочь и разнообразные платформы, предоставляющие учебные курсы/профессии/специализации, и статьи типа этой, и различные видео на ютюбчике. Посмотрите программы обучения, посравнивайте их и вы легко поймете для себя, на что вам нужно обратить больше внимания))
Я бы возразил вам в том, что порог невероятно высокий. В статье я лишь хотел сказать, что путь важнее точки назначения и по дороге можно найти массу всего полезного и интересного)) Порог же скорее непонятно какой высокий.
Тут просто сразу несколько факторов влияют на этот самый порог:
- Чем на постоянке занимаетесь;
- Было ли в прошлом релевантное образование;
- Какими мотивационными/временными/финансовыми ресурсами вы располагаете;
Вы написали, что занимаетесь системным администрированием ПО SAP. Это уже отлично, т.к. масса чисто инженерных навыков будет для вас не в новинку. Написали, что осваиваете математику почти с нуля. Здесь будет, я думаю, очень уместно сказать, что к сфере Data Science и Machine Learning имеют отношение сразу несколько специализаций, таких как:
- Дата-аналитик;
- Дата-инженер;
- Инженер по машинному/глубокому обучению;
- Инженер по продуктивизации моделей машинного/глубокого обучения;
- Список можно продолжить, но для цели иллюстрации мысли, думаю, достаточно.
Смысл в том, что в каждом из этих направлений свои требования к математической подкованности кандидата и и значит можно вполне начать с того направления, где этих требований меньше!))
На тему отличий и общих черт этих направлений есть хорошее видео 4-х летней давности, которое особо не потеряло актуальности.
Рядышком есть тоже интересное видео по типичным ошибкам и ожиданиям от кандидата, можно глянуть.
Я вот вышел из сферы автоматизации тестирования и потихоньку себе ползу и ползу, периодически сверяясь с планочкой и со своими мыслями по поводу того, надо ли вообще ползти до следующей планочки.
Короче, дерзайте, пробуйте!
От логики и риторики до теории множеств и матанализа. Полезные материалы по Data Science и машинному обучению