Как выбрать профессию в IT?

Собираем истории всех, кто готов поделиться опытом. В совместном проекте с Пикабу пикабушники, студенты и эксперты Практикума рассказывают, чем хороши их профессии.

Если вы уже работаете в IT, расскажите, с чего всё началось, что вас вдохновляет в работе, не жалеете ли о выборе.

А если только выбираете направление, читайте истории других — возможно, какая-то из них вам откликнется и поможет с выбором. Орфография и пунктуация авторов сохранены.

Программирование → Я попробовал программировать за компанию с другом, и мне неожиданно зашло. Я решил связать с этим жизнь, о чем не пожалел ни разу. У меня было мало ожиданий. Но были некие образы программиста.

Откровением стало, что для того, чтобы достичь какого‑то высокого уровня, нужны софт скилы! Если задумались об этой профессии, попробуйте сделать пет‑проект. Если захватит — вам надо. Все иное подтянется. А без любви все тлен.

Не идите в IT ради денег или спокойного места и не думайте, что профессия легка.

Тестирование → Я никогда не тянулись к программирования. И потому, когда в 2011 прошла собеседование на тестировщика ПО даже не представляла, что буду делать. Важным оставалось, что программировать не придётся.

Да, по зп тестировщик проигрывает программисту, ну и пусть. Я люблю свою профессию за вдумчивость, копание, разбор и анализ. Необходимо разбираться в той области, где ты тестируешь.

Я работала с банковским ПО и с программами для расчёта коммунальных платежей. Без основ нельзя поймать баги. Приходилось изучать и бухучёт, и законодательство, и основы работы у юр.фирм и многое многое другое.

Но зато такое удовольствие и удовлетворение, когда ты ПОНИМАЕШЬ как это работает. Как должно быть. И как этот продукт увидит конечный пользователь. Вот за это и люблю свою профессию.

Аналитика → Data Science — увлекательная современная сфера, в которой рутину можно автоматизировать — из данных извлекать закономерности и обучать на них нейросети. Работать можно удаленно, а еще войти в интеллектуальное сообщество.

Когда я прошел курс, сомнения «точно ли это мое» развеялись. Было неожиданным ощутить, что я айтишник. Нужно не бояться выходить из зоны комфорта, чтобы не пришлось потом жалеть о несделанном и думать: «А ведь это могла быть моя жизнь!».

Так что советую освоить основы Python и SQL, а также повторить школьную математику, найти и пройти хороший практический курс и сделать пет‑проект.

Да, в учебе будет много математики и алгоритмов, потом всю жизнь придется читать документацию и осваивать новые технологии, иногда на английском. Но есть большая ложка меда — код помогают писать нейросети!

👉 Читать все истории и поделиться своей

Подборка полезных ресурсов для ML-инженера

Рассказываем, какие русскоязычные курсы, учебники и сообщества помогут ML-инженеру развиваться в профессии или даже войти в неё с нуля.

Онлайн-учебник по машинному обучению от Школы анализа данных — учебник для тех, кто не боится математики и хочет разобраться в технологиях ML. Вы изучите классическую теорию и тонкости реализации алгоритмов, пройдя путь от основ машинного обучения до тем, которые поднимаются в свежих научных статьях.

Прикладная математика для машинного обучения — онлайн-курс от преподавателей МГУ для желающих подтянуть математику. Программа последовательно разбирает методы, на которых строится машинное обучение и модели нейронных сетей. Подходит начинающим ML-инженерам без математического бэкграунда.

Машинное обучение в биологии — машинное обучение используется в самых разных областях — от банковской сферы до прогнозирования заболеваний. Этот курс поможет применить уже имеющиеся знания ML-инжиниринга в биологии и отработать навыки на реальных задачах.

Машинное обучение в физике — ещё один курс-погружение в специфическую область — в этой программе акцент сделан на решение задач, возникающих при работе с данными в физике, с учётом их характерных свойств и особенностей.

Машинное обучение. Портфолио реальных проектов — книга, в которой собраны практические проекты, связанные с конкретными бизнес-задачами из разных индустрий. Помогает понять, в каких сценариях используется машинное обучение, и погрузиться в ключевые концепции через практику.

Промт-инжиниринг для GenAI. Паттерны надежных запросов для качественных результатов — книга для тех, кто хочет научиться получать максимум от GPT и других LLM-моделей. Пригодится как в ML-инжиниринге, так и в решении профессиональных задач в других сферах.

Сообщество ML-инженеров Open Data Science — крупнейшее сообщество в России. Вы сможете посещать мероприятия, искать вакансии в сфере, присоединяться к проектам и проходить курсы, а когда наберётесь опыта — участвовать в соревнованиях (часто с хорошими денежными призами).

Сохраняйте, чтобы не потерять 🖤