Что выбрать, дата аналитику или машинное обучение?
Очень актуальный вопрос для многих, я лично слышу его очень часто. И мне есть что рассказать на этот счет, поскольку у меня есть опыт работу по обеим специальностям. Давайте просто разберем плюсы и минусы этих направлений
Дата аналитика
➕ 1. Легче в изучении примерно в 2 раза, теоретически можно устроиться не зная вообще ничего кроме SQL
2. Прямое влияние на бизнес, возможность предлагать свои гипотезы
3. Больше вакансий. По запросу "Data analyst" на hh сейчас 1800 вакансий. По запросу "Аналитик данных" их вообще 11500, большинство из них конечно хлам с Excel, но тем не менее
4. Почти не требуются знания математики, с которой у многих проблемы
5. Может вкатиться почти любой
➖ 1. Зарплатный потолок ниже процентов на 15
2. Может быть больше созвонов (не во всех компаниях так)
3. Сложнее совмещать 2 работы из-за п.2, но все еще вполне возможно
Машинное обучение
➕ 1. По моему мнению это безумно интересное направление при изучении. Если вам всегда нравилась математика - однозначно стоит попробовать
2. Меньше коммуникации с коллегами, как следствие проще совмещать 2 работы
3. ML инженера сложнее всего заменить ИИ. Если нейронки научатся писать сами себя - наверное нам всем конец😁
4. Выше зарплатный потолок
5. Возможность найти действительно высокооплачиваемую работу за рубежом с вилками 10-12к$. Да, часто для этих вакансий нужны специфические знания, а также больше погружения в математику, но такая возможность действительно есть
➖ 1. Несмотря на интересность в изучении, часто сама работа более рутинная, чем у аналитиков. Бывает она очень сильно напоминает разработку
2. Вакансий сильно меньше. По запросу "Data scientist" на hh сейчас всего 350 вакансий, против 1800 на аналитика
3. Сфера на хайпе, как следствие больше кандидатов на одну вакансию и выше конкуренция
4. Действительно сложная сфера с высоким порогом входа. Если по моему мнению в аналитику могут вкатиться многие, про мл я такого сказать не могу
5. Несмотря на то, что зп потолок действительно выше, чтобы прыгнуть на 500к+ тебе скорее всего придется еще сверху изучать нейронки (NLP, CV)
6. Огромное количество идиотизма на собеседованиях. Я уже писал пост про вопросы, которые задают аналитикам на собеседованиях, но они потом не пригождаются на работе. Здесь этих вопросов в разы больше, поскольку тема крайне обширная, изучать можно очень много всего, но по факту лишь малая часть из этих знаний потом применяется на работе
Очень актуальный вопрос для многих, я лично слышу его очень часто. И мне есть что рассказать на этот счет, поскольку у меня есть опыт работу по обеим специальностям. Давайте просто разберем плюсы и минусы этих направлений
Дата аналитика
➕ 1. Легче в изучении примерно в 2 раза, теоретически можно устроиться не зная вообще ничего кроме SQL
2. Прямое влияние на бизнес, возможность предлагать свои гипотезы
3. Больше вакансий. По запросу "Data analyst" на hh сейчас 1800 вакансий. По запросу "Аналитик данных" их вообще 11500, большинство из них конечно хлам с Excel, но тем не менее
4. Почти не требуются знания математики, с которой у многих проблемы
5. Может вкатиться почти любой
➖ 1. Зарплатный потолок ниже процентов на 15
2. Может быть больше созвонов (не во всех компаниях так)
3. Сложнее совмещать 2 работы из-за п.2, но все еще вполне возможно
Машинное обучение
➕ 1. По моему мнению это безумно интересное направление при изучении. Если вам всегда нравилась математика - однозначно стоит попробовать
2. Меньше коммуникации с коллегами, как следствие проще совмещать 2 работы
3. ML инженера сложнее всего заменить ИИ. Если нейронки научатся писать сами себя - наверное нам всем конец😁
4. Выше зарплатный потолок
5. Возможность найти действительно высокооплачиваемую работу за рубежом с вилками 10-12к$. Да, часто для этих вакансий нужны специфические знания, а также больше погружения в математику, но такая возможность действительно есть
➖ 1. Несмотря на интересность в изучении, часто сама работа более рутинная, чем у аналитиков. Бывает она очень сильно напоминает разработку
2. Вакансий сильно меньше. По запросу "Data scientist" на hh сейчас всего 350 вакансий, против 1800 на аналитика
3. Сфера на хайпе, как следствие больше кандидатов на одну вакансию и выше конкуренция
4. Действительно сложная сфера с высоким порогом входа. Если по моему мнению в аналитику могут вкатиться многие, про мл я такого сказать не могу
5. Несмотря на то, что зп потолок действительно выше, чтобы прыгнуть на 500к+ тебе скорее всего придется еще сверху изучать нейронки (NLP, CV)
6. Огромное количество идиотизма на собеседованиях. Я уже писал пост про вопросы, которые задают аналитикам на собеседованиях, но они потом не пригождаются на работе. Здесь этих вопросов в разы больше, поскольку тема крайне обширная, изучать можно очень много всего, но по факту лишь малая часть из этих знаний потом применяется на работе
👍4🔥1
Какие действия быстрее всего тебя прокачивают?
И первое это конечно прохождение собеседований👨💻
Неважно какой ты классный спец, насколько ты предан своей компании, насколько часто ты остаешься после 6 вечера. Ни одно из этих качеств не ведет тебя к росту в деньгах 💰. Максимум, что тебе дадут - это индексация на 2-3%, что даже не перекроет инфляцию😄
А вот если ты умеешь проходить собесы, проходишь их много и часто, компания хочет того или нет, будет вынуждена повышать тебе зп. Поскольку если она этого не сделает - ты просто быстренько свалишь к конкурентам
Второе действие вытекает из первого, но намного менее очевидное. Это просмотр записей своих собесов🎥
Ты вероятно думаешь: "Да я и так во время собеса понял где ошибся или сказал хуйню, зачем мне еще раз это смотреть?" Это большая ошибка. На собесе мы все находимся в стрессовой ситуации и просто не можем из-за этого уловить все свои ошибки. Плюс ко всему возможно ты замечал, что по жизни ты легко видишь как решить проблемы других людей, но что делать со своими абсолютно не понимаешь. То самое "В чужом глазу соринку видишь, а в своём - бревна не замечаешь". Так вот просмотр записей позволяет взглянуть на себя со стороны и тем самым увидеть таки свои ошибки.
Ну и конечно еще сильнее прокачивает, когда твои записи смотришь не ты сам, а другой более опытный человек, будь то ментор или просто твой кореш, который уже давно работает
И первое это конечно прохождение собеседований👨💻
Неважно какой ты классный спец, насколько ты предан своей компании, насколько часто ты остаешься после 6 вечера. Ни одно из этих качеств не ведет тебя к росту в деньгах 💰. Максимум, что тебе дадут - это индексация на 2-3%, что даже не перекроет инфляцию😄
А вот если ты умеешь проходить собесы, проходишь их много и часто, компания хочет того или нет, будет вынуждена повышать тебе зп. Поскольку если она этого не сделает - ты просто быстренько свалишь к конкурентам
Второе действие вытекает из первого, но намного менее очевидное. Это просмотр записей своих собесов🎥
Ты вероятно думаешь: "Да я и так во время собеса понял где ошибся или сказал хуйню, зачем мне еще раз это смотреть?" Это большая ошибка. На собесе мы все находимся в стрессовой ситуации и просто не можем из-за этого уловить все свои ошибки. Плюс ко всему возможно ты замечал, что по жизни ты легко видишь как решить проблемы других людей, но что делать со своими абсолютно не понимаешь. То самое "В чужом глазу соринку видишь, а в своём - бревна не замечаешь". Так вот просмотр записей позволяет взглянуть на себя со стороны и тем самым увидеть таки свои ошибки.
Ну и конечно еще сильнее прокачивает, когда твои записи смотришь не ты сам, а другой более опытный человек, будь то ментор или просто твой кореш, который уже давно работает
👍4❤3
Часто слышу такие тейки: "Да, можно крутануть опыт и устроиться сразу на мидла, но на стажировке меньше стресса". Или "Вот пойду постажируюсь, а потом уже с реальным опытом перейду на полноценную позицию, так проще"
Сразу скажу: там стресса не меньше и уж точно не проще)
По поводу стресса. В отличие от реального трудоустройства, здесь с вами никто не заключает трудовой договор (бывает, что не заключают вообще никакой), а значит выкинуть вас оттуда проще простого. Иными словами: стажировка - это не прелюдия перед реальной работой, это по сути дополнительный этап отбора длиной в несколько месяцев. Если для вас стрессово проходить обычные технические собеседования, представьте, как вы будете стрессовать зная, что каждый день твои коллеги принимают решение брать тебя на работу или нет
По поводу простоты. Казалось бы, чем ниже грейд, тем легче устроиться. Ниже стажировки грейда нет, куда уже проще, все вроде логично. Но так работает только на рынке, где соблюден баланс спроса и предложения, к коим IT рынок сейчас конечно не относится😁
И у нас возникает такая идиотская картина:
Огромный прирост предложения кандидатов -> Огромная конкуренция за позиции без опыта (стажировки) -> Работодателю приходиться думать как из всей этой толпы выбрать лучших -> Чтобы отсеять как можно больше людей из этой воронки и оставить только лучших, приходится придумывать практически непроходимые собесы
И вот таким нехитрым образом IT рынок уже давно пришел к тому, что собеса на мидла проще, чем на стажера🤯
Сразу скажу: там стресса не меньше и уж точно не проще)
По поводу стресса. В отличие от реального трудоустройства, здесь с вами никто не заключает трудовой договор (бывает, что не заключают вообще никакой), а значит выкинуть вас оттуда проще простого. Иными словами: стажировка - это не прелюдия перед реальной работой, это по сути дополнительный этап отбора длиной в несколько месяцев. Если для вас стрессово проходить обычные технические собеседования, представьте, как вы будете стрессовать зная, что каждый день твои коллеги принимают решение брать тебя на работу или нет
По поводу простоты. Казалось бы, чем ниже грейд, тем легче устроиться. Ниже стажировки грейда нет, куда уже проще, все вроде логично. Но так работает только на рынке, где соблюден баланс спроса и предложения, к коим IT рынок сейчас конечно не относится😁
И у нас возникает такая идиотская картина:
Огромный прирост предложения кандидатов -> Огромная конкуренция за позиции без опыта (стажировки) -> Работодателю приходиться думать как из всей этой толпы выбрать лучших -> Чтобы отсеять как можно больше людей из этой воронки и оставить только лучших, приходится придумывать практически непроходимые собесы
И вот таким нехитрым образом IT рынок уже давно пришел к тому, что собеса на мидла проще, чем на стажера🤯
💯7👍1
Как я работал за 26к рублей
Это если че айтишником, а не дворником. Пиздец, да?😁
Это может ждать и тебя если не понимать как работает рынок, так что читай до конца, как я до такой жизни дошел
Начал я значит изучать программирование. Сначала просто потому что мне очень нравился сам процесс, потом решил, что надо сюда вкатываться. Выбор пал на Data Science, просто потому что всегда нравилась математика. Примерно через полгода самостоятельного погружения я знал уже все, что только можно. Выкладываю значит резюме, 4 месяца - 0 собесов. То есть я буквально даже не мог показать насколько я много уже знаю и это было еще в 2020 году (привет всем тем, кто орет, что раньше было лучше).
Где-то через 4 месяца поисков я натыкаюсь на новость, что X5 запускает "Школу аналитиков данных", по сути это аналог ШАДа от Яндекса или MADE от Mail.ru. Прохожу туда отбор с ебейшей конкуренцией (примерно 25 человек на место). Через 3 месяца учебы мне за хорошие результаты предлагают пройти собес на стажировку. После прохождения собеса я понимаю, что он по наполнению и сложности был очень похож на вступительный собес в Школу. Возникает вопрос, зачем меня было мурыжить несколько месяцев в обучении?))))
В итоге предлагают стажку за 30к гросс, я конечно соглашаюсь за не имением другого выбора. На самом деле у меня нет какого-то негатива к X5, они хотя бы дали какой-то вариант трудоустроиться, пусть и с кучей палок в колеса. Плюс после стажировки они уже дали вполне неплохо денег
В следующих постах расскажу о том, для чего подобные школы вообще нужны компаниям, неужели они просто дают бесплатное образование?😁 А также расскажу про мой дальнейший карьерный путь
Это если че айтишником, а не дворником. Пиздец, да?😁
Это может ждать и тебя если не понимать как работает рынок, так что читай до конца, как я до такой жизни дошел
Начал я значит изучать программирование. Сначала просто потому что мне очень нравился сам процесс, потом решил, что надо сюда вкатываться. Выбор пал на Data Science, просто потому что всегда нравилась математика. Примерно через полгода самостоятельного погружения я знал уже все, что только можно. Выкладываю значит резюме, 4 месяца - 0 собесов. То есть я буквально даже не мог показать насколько я много уже знаю и это было еще в 2020 году (привет всем тем, кто орет, что раньше было лучше).
Где-то через 4 месяца поисков я натыкаюсь на новость, что X5 запускает "Школу аналитиков данных", по сути это аналог ШАДа от Яндекса или MADE от Mail.ru. Прохожу туда отбор с ебейшей конкуренцией (примерно 25 человек на место). Через 3 месяца учебы мне за хорошие результаты предлагают пройти собес на стажировку. После прохождения собеса я понимаю, что он по наполнению и сложности был очень похож на вступительный собес в Школу. Возникает вопрос, зачем меня было мурыжить несколько месяцев в обучении?))))
В итоге предлагают стажку за 30к гросс, я конечно соглашаюсь за не имением другого выбора. На самом деле у меня нет какого-то негатива к X5, они хотя бы дали какой-то вариант трудоустроиться, пусть и с кучей палок в колеса. Плюс после стажировки они уже дали вполне неплохо денег
В следующих постах расскажу о том, для чего подобные школы вообще нужны компаниям, неужели они просто дают бесплатное образование?😁 А также расскажу про мой дальнейший карьерный путь
❤12👍1🔥1
В продолжение предыдущего поста расскажу зачем компаниям нужны внутренние школы
Представьте, сначала вы решаете контест с ультра сложными задачами, потом сдаете экзамен сложнее любого университетского уровня и в конце еще и проходите финальное собеседование, на котором спросить могут все что угодно. При этом в отличие от собеседований у вас всего одна попытка. Если вы смогли тем или иным способом осилить все эти этапы, уже с высокой долей вероятности можно сказать, что у вас способности как минимум выше среднего🧑🎓
И это ведь еще не все, дальше вас ждет увлекательный процесс обучения😁 Самый яркий представитель подобных проектов - это конечно ШАД Яндекса. На ютубе есть куча интервью с их выпускниками, которые рассказывают, что совмещать обучение там и фуллтайм работу почти нереально
В итоге если человек доходит до конца, о нем можно сделать следующие выводы:
1. У него весьма сильные технические и софтовые навыки ➡️ он хорошо сможет выполнять рабочие задачи
2. Видимо, ему сильно нужна работа, иначе бы он вероятно дропнул это дело на каком-то из этапов ➡️ он в нуждаемом состоянии и ему можно предложить меньше денег
Вот и мы получили по сути идеального кандидата👨💻
Сам я никаких претензий к этим проектам не имею. Лично знаю несколько людей, которые учились в том же ШАДе просто из интереса, работа им была не нужна. Но если вы обычный человек - это далеко не самый лучший способ попасть на первую работу
Представьте, сначала вы решаете контест с ультра сложными задачами, потом сдаете экзамен сложнее любого университетского уровня и в конце еще и проходите финальное собеседование, на котором спросить могут все что угодно. При этом в отличие от собеседований у вас всего одна попытка. Если вы смогли тем или иным способом осилить все эти этапы, уже с высокой долей вероятности можно сказать, что у вас способности как минимум выше среднего🧑🎓
И это ведь еще не все, дальше вас ждет увлекательный процесс обучения😁 Самый яркий представитель подобных проектов - это конечно ШАД Яндекса. На ютубе есть куча интервью с их выпускниками, которые рассказывают, что совмещать обучение там и фуллтайм работу почти нереально
В итоге если человек доходит до конца, о нем можно сделать следующие выводы:
1. У него весьма сильные технические и софтовые навыки ➡️ он хорошо сможет выполнять рабочие задачи
2. Видимо, ему сильно нужна работа, иначе бы он вероятно дропнул это дело на каком-то из этапов ➡️ он в нуждаемом состоянии и ему можно предложить меньше денег
Вот и мы получили по сути идеального кандидата👨💻
Сам я никаких претензий к этим проектам не имею. Лично знаю несколько людей, которые учились в том же ШАДе просто из интереса, работа им была не нужна. Но если вы обычный человек - это далеко не самый лучший способ попасть на первую работу
👍10❤1🔥1😁1
Media is too big
VIEW IN TELEGRAM
ЧООООРНЫЙ СПИСОК НА ВСЮ ЖИЗНЬ
СРОК ЗА ЛОЖЬ В РЕЗЮМЕ
Это если что сюжет на федеральном канале про менторство😁
Если хочешь узнать как реально проходит менторство, а не эту журналистскую чушь: пиши @Konstantin_Ignashov
СРОК ЗА ЛОЖЬ В РЕЗЮМЕ
Это если что сюжет на федеральном канале про менторство😁
Если хочешь узнать как реально проходит менторство, а не эту журналистскую чушь: пиши @Konstantin_Ignashov
🤣6😱1
А НАПИШИ КА МНЕ ОКОНКУ, НО БЕЗ ИСПОЛЬЗОВАНИЯ ОКОНОК
Звучит как шиза, но это реальная задача, которая нередко встречается на интервью😁
Представьте, вам дают входную таблицу с баллами студентов (скрин 1) и вам нужно получить таблицу с их рангами по этим баллам (скрин 2)
Ну казалось бы, напишу просто:
А интервьювер говорит, давай без оконок)
Вообще очень часто, когда задание выглядит как какая-то чушь, помогает такой интуитивно неочевидный прием, как джоин таблицы самой на себя
Мы можем для начала сделать cross join таблицы саму на себя, тогда напротив каждого студента мы получим оценки других студентов (в том числе его самого), например:
a.Имя | a.Результат | b.Имя | b.Результат
Дмитрий | 10 | Дмитрий | 10
Дмитрий | 10 | Виктор | 11
Дмитрий | 10 | Олег | 7
Дмитрий | 10 | Николай | 9
и т.д.
Теперь нужно заметить, что по сути ранг студента - это просто кол-во студентов, у которых ранг больше или равен чем у него
Например у Владимира нет ни одного студента, имеющего больший ранг чем у него, поэтому у него это кол-во равно 1 (т.е. только он сам). А у Павла есть студент, набравший больший балл чем он (Владимир), поэтому это кол-во равно 2 (Владимир+он сам)
Итоговый запрос получается таким:
Если что-то было непонятно, пиши в комментарии👇
Звучит как шиза, но это реальная задача, которая нередко встречается на интервью😁
Представьте, вам дают входную таблицу с баллами студентов (скрин 1) и вам нужно получить таблицу с их рангами по этим баллам (скрин 2)
Ну казалось бы, напишу просто:
SELECT Имя, Результат, row_number() over(order by Результат desc) as Ранг
from table
А интервьювер говорит, давай без оконок)
Вообще очень часто, когда задание выглядит как какая-то чушь, помогает такой интуитивно неочевидный прием, как джоин таблицы самой на себя
Мы можем для начала сделать cross join таблицы саму на себя, тогда напротив каждого студента мы получим оценки других студентов (в том числе его самого), например:
a.Имя | a.Результат | b.Имя | b.Результат
Дмитрий | 10 | Дмитрий | 10
Дмитрий | 10 | Виктор | 11
Дмитрий | 10 | Олег | 7
Дмитрий | 10 | Николай | 9
и т.д.
Теперь нужно заметить, что по сути ранг студента - это просто кол-во студентов, у которых ранг больше или равен чем у него
Например у Владимира нет ни одного студента, имеющего больший ранг чем у него, поэтому у него это кол-во равно 1 (т.е. только он сам). А у Павла есть студент, набравший больший балл чем он (Владимир), поэтому это кол-во равно 2 (Владимир+он сам)
Итоговый запрос получается таким:
SELECT a.Имя, a.Результат, COUNT(*) as Ранг
FROM table a
CROSS JOIN table b
WHERE b.Результат >= a.Результат
GROUP BY a.Имя, a.Результат
Если что-то было непонятно, пиши в комментарии👇
❤12👍2
🧘♂️ В IT работа очень стрессовая, не каждый справится
Очень часто слышу этот тезис, но мне кажется, его говорят только те, кто на обычных работах никогда не работал 😁
🏭 Если ты работаешь на производстве — на тебе часто огромная материальная ответственность. В IT же худшее, что может произойти — это сайт повисит пару часов 📉
☕️ Если ты работаешь напрямую с внешними клиентами (продавец-консультант, бариста, официант и т.д.), ты неизбежно сталкиваешься с хамством 🙃 В IT же заказчик чаще всего внутренний, и ему с тобой ещё работать 🤝
📂 Если ты дефолтный не очень квалифицированный офисный сотрудник, на тебя часто грузят кучу рутинной, никому не нужной работы 📎 Требования высокие, потому что тебя легко заменить 🔁
Так что здесь, как всегда, всё относительно ⚖️ Да, в IT легко и без стресса войти не получится, но это не значит, что оно того не стоит 💪🔥
Очень часто слышу этот тезис, но мне кажется, его говорят только те, кто на обычных работах никогда не работал 😁
🏭 Если ты работаешь на производстве — на тебе часто огромная материальная ответственность. В IT же худшее, что может произойти — это сайт повисит пару часов 📉
☕️ Если ты работаешь напрямую с внешними клиентами (продавец-консультант, бариста, официант и т.д.), ты неизбежно сталкиваешься с хамством 🙃 В IT же заказчик чаще всего внутренний, и ему с тобой ещё работать 🤝
📂 Если ты дефолтный не очень квалифицированный офисный сотрудник, на тебя часто грузят кучу рутинной, никому не нужной работы 📎 Требования высокие, потому что тебя легко заменить 🔁
Так что здесь, как всегда, всё относительно ⚖️ Да, в IT легко и без стресса войти не получится, но это не значит, что оно того не стоит 💪🔥
❤3🔥3
Я не понимаю что учить в дата аналитике 11 месяцев
Именно столько времени заложено на прохождение расширенного курса по дата аналитике у Яндекс Практикума. Учитывая, что у меня на менторстве ученики с 0 на освоение всех хардов тратят в среднем 3-4 месяца, для меня это звучит просто дико
ML, BigData, PySpark, Google таблицы и еще куча вещей, которые встречаются раз в 15 собесов. Неужели составители не понимают, что вкатуну эти вещи знать вовсе необязательно?
Я думаю все они прекрасно понимают) Чтобы понять почему так, предлагаю подумать на чем зарабатывают подобные курсы. Тут все довольно прозрачно - фулл предоплата. То есть чем больше ценности в их продукте в глазах потенциального клиента, тем больше вероятность его покупки. И как вы думаете, если бы курс длился скажем 3-4 месяца, была ли бы у него такая же высокая ценность в глазах людей? Захотел ли бы кто-то выкладывать 250к предоплаты за трехмесячный курс?😁
Я не говорю, что курсы абсолютное зло и бесполезный мусор. Курс однозначно лучше чем ничего. Однако я хочу донести, что огромное количество информации не означает, что она имеет ценность
Именно столько времени заложено на прохождение расширенного курса по дата аналитике у Яндекс Практикума. Учитывая, что у меня на менторстве ученики с 0 на освоение всех хардов тратят в среднем 3-4 месяца, для меня это звучит просто дико
ML, BigData, PySpark, Google таблицы и еще куча вещей, которые встречаются раз в 15 собесов. Неужели составители не понимают, что вкатуну эти вещи знать вовсе необязательно?
Я думаю все они прекрасно понимают) Чтобы понять почему так, предлагаю подумать на чем зарабатывают подобные курсы. Тут все довольно прозрачно - фулл предоплата. То есть чем больше ценности в их продукте в глазах потенциального клиента, тем больше вероятность его покупки. И как вы думаете, если бы курс длился скажем 3-4 месяца, была ли бы у него такая же высокая ценность в глазах людей? Захотел ли бы кто-то выкладывать 250к предоплаты за трехмесячный курс?😁
Я не говорю, что курсы абсолютное зло и бесполезный мусор. Курс однозначно лучше чем ничего. Однако я хочу донести, что огромное количество информации не означает, что она имеет ценность
👍12🔥2
Нужно ли высшее образование для устройства в дата профессии (аналитика и мл)?
Наверное, этот пост один из самых важных, поскольку может сэкономить кому-то несколько лет жизни
Ко мне часто приходят люди с этим вопросом, особенно часто его задают люди, которые планируют двигаться в мл сейчас или в дальнейшем. Ведь при работе с данными не обойтись без математики, а как я ее смогу освоить без фундаментального высшего образования?
Так вот, сможете. И скорее всего сделаете это намного быстрее, чем вам ее дадут в ВУЗе
У подхода обучения в ВУЗе есть тьма минусов:
1. Часто для вчерашних школьников, да и для людей постарше - это просто зона комфорта. Я учусь, а значит не трачу время зря. Но как я уже сказал, это огромная иллюзия
2. Программа включает в себя кучу ненужного хлама. Пока вы изучаете доисторические языки (C++, Pascal и т.д.) и разделы математики, которые никогда не примените, на рынке люди обходятся одним Python и парой разделов статистики. До работы с данными вы дай бог доберетесь к курсу третьему
3. Нет "боевых" данных. В вузах дают идеальные, помытые датасеты. В реальной жизни данные текут, падают, содержат мусор и никогда не лежат в красивых CSV-файлах
4. К большому сожалению, даже в хороших вузах большинство преподов не имеют никакого отношения к коммерческой разработке, это обыкновенные теоретики
5. Если вы думаете, что профильная вышка даст вам преимущество перед другими кандидатами - забудьте. Во первых образование прекрасно рисуется, ровно также, как и опыт. Во вторых даже если его не писать в резюме, ваша конверсия не падает критически, в моей практике были случаи устройства людей с 9 классами в резюме
6. Упущенная выгода. Представь, насколько огромная пропасть между человеком, который 4 года прокрастинировал в вузе и человеком, который к этому моменту имеет уже 3 года реального опыта
Насчет плюсов. Если честно, мне сходу они даже не приходят в голову, но для честности все таки выделю парочку:
1. Сильное окружение (не факт, что оно в вузе будет таким)
2. Корочка, которая возможно поможет вам уехать зарубеж или устроиться в госуху (если вдруг вы желаете там работать😁)
Слава богу, сейчас есть куча альтернатив. Самостоятельное обучение, ментор, да даже прости господи курсы выглядят лучше на всем этом фоне
Я понимаю, что в вузы часто идут неосознанно, еще неопределившиеся вчерашние школьники. Или люди, которые получают диплом для родителей. Или те, на кого очень давит общественное мнение, что без диплома ты лох. Но я очень прошу, примите взвешенное решение, надо ли оно лично ВАМ, а не маме, папе или обществу
Наверное, этот пост один из самых важных, поскольку может сэкономить кому-то несколько лет жизни
Ко мне часто приходят люди с этим вопросом, особенно часто его задают люди, которые планируют двигаться в мл сейчас или в дальнейшем. Ведь при работе с данными не обойтись без математики, а как я ее смогу освоить без фундаментального высшего образования?
Так вот, сможете. И скорее всего сделаете это намного быстрее, чем вам ее дадут в ВУЗе
У подхода обучения в ВУЗе есть тьма минусов:
1. Часто для вчерашних школьников, да и для людей постарше - это просто зона комфорта. Я учусь, а значит не трачу время зря. Но как я уже сказал, это огромная иллюзия
2. Программа включает в себя кучу ненужного хлама. Пока вы изучаете доисторические языки (C++, Pascal и т.д.) и разделы математики, которые никогда не примените, на рынке люди обходятся одним Python и парой разделов статистики. До работы с данными вы дай бог доберетесь к курсу третьему
3. Нет "боевых" данных. В вузах дают идеальные, помытые датасеты. В реальной жизни данные текут, падают, содержат мусор и никогда не лежат в красивых CSV-файлах
4. К большому сожалению, даже в хороших вузах большинство преподов не имеют никакого отношения к коммерческой разработке, это обыкновенные теоретики
5. Если вы думаете, что профильная вышка даст вам преимущество перед другими кандидатами - забудьте. Во первых образование прекрасно рисуется, ровно также, как и опыт. Во вторых даже если его не писать в резюме, ваша конверсия не падает критически, в моей практике были случаи устройства людей с 9 классами в резюме
6. Упущенная выгода. Представь, насколько огромная пропасть между человеком, который 4 года прокрастинировал в вузе и человеком, который к этому моменту имеет уже 3 года реального опыта
Насчет плюсов. Если честно, мне сходу они даже не приходят в голову, но для честности все таки выделю парочку:
1. Сильное окружение (не факт, что оно в вузе будет таким)
2. Корочка, которая возможно поможет вам уехать зарубеж или устроиться в госуху (если вдруг вы желаете там работать😁)
Слава богу, сейчас есть куча альтернатив. Самостоятельное обучение, ментор, да даже прости господи курсы выглядят лучше на всем этом фоне
Я понимаю, что в вузы часто идут неосознанно, еще неопределившиеся вчерашние школьники. Или люди, которые получают диплом для родителей. Или те, на кого очень давит общественное мнение, что без диплома ты лох. Но я очень прошу, примите взвешенное решение, надо ли оно лично ВАМ, а не маме, папе или обществу
❤3👍3