🐳 Следи за новостями: t.me/gernar228/ - новости, анонсы, бесплатный контент 🍑 Приватный телеграм: t.me/gernar228_bot/ - весь движ тут: сообщество, собесы, мои личные консультации и другой эксклюзивный контент! ⬆ Boosty больше недоступен, всё переехало в телеграм ⬆
Не, это ещё нормальный собоес) Помню смотрел в прошлом году собеседование на джуна-датасаентиста, и там первый вопрос был "Расскажи как устроена память в питоне". Подразумевалось, что кандидат должен был в течение минут 20 рассказывать о том, как организована память, как хранятся данные, как работает сборщик мусора и т.д. Вот нахрена это знать джуну? По ходу скоро про квантовую физику начнут спрашивать ПОТОМУ ЧТО ЭТО БАЗА. Как ты программировать собрался, если не знаешь как транзисторы работают, а?
А нахрена это знать даже мидлу, и откуда. Я в дата сайенсе, но вообще не знаю про всякую память и прочие сложные программирские вещи. Могу пояснить за теорвер, статистику, матан, и прочее, но по вопросам памяти я буду обращаться к питонистам. Почему помимо дата инженеринга, построения моделей и математики для АБ тестов надо знать нетривиальные вещи про питон и всякую шляпу которую я за 4 года ни разу не применял в работе
Не согласен, что стать дата саентистом сложнее из-за объема знаний, Если речь идет о backend python, то в процессе собеседования помимо самого python затронут еще огромное количество тем, которые непосредственно языка не касаются: - Вопросы по шаблонам проектирования ООП - Вопросы по теории микрсервисных архитектур - Architectural, Enterprise and Design Patterns - Алгоритмы и структуры данных - Вопросы по Docker - Вопросы по Kubernetes - Вопросы на понимание CI/CD - Вопросы по одному из клаудов (GCP, AWS, Azure) - Вопросы по базам данных - отдельно по реляционным базам и отдельно по no-sql - Вопросы по Messaging Queues на понимание существующих решений, архитектур и отличий между ними - Вопросы по веб-фреймворкам которые используются для разработки на пайтон (e.g. Flask, Falcon, Django, Web2py, aiohttp, Tornad) - Вопросы по орм-фреймворкам которые испольщуются для рабработки на пайтон (e.g. SQLAlchemy) - Вопросы по теории тестирования и по фрейм-воркам которые используются для тестирования в пайтон (pyTest, unittest) - Общие вопросы по теории HTTP - Вопросы на понимание работы сетей По каждому из этих пунктов существуют десятки или сотни вопросов, поэтому по факту объем знаний, который нужен - выше. Другой вопрос, что чем выше конкуренция, тем более жестко собеседуют, независимо от того собеседуют на data science или на backend. Судя по всему, сейчас конкуренция на data science вакансии выше, поэтому собеседования проходят тяжелее. Но времена бывают разные, и, например, в 2021 людей брали с минимальными знаниями.
Как будущий вкатыш ответственно заявляю - 80% перечисленных тем на датасайнс тоже надо знать. Да, может уровень знаний надо будет поменьше, может про солид и теорию хттп сайнтиста и не спросят, но это будет легко компенсированно бездой тем по мл.
это всё равно что сказать что на ДСа также спрашивают: - знание Jupyter Notebook - знание numpy - знание pandas - ... всё что ты описал "включено" в знание питона и ботается за месяц но приятно что есть альтернативные мнения, спасибо!
@@fuck_off_ ну а я это заявляю как человек, который уже больше 10 лет работает и прошел и провел десятки, собеседований. Теория HTTP и SOLID это самое простое из того что вы перечислили. По базам данных на дата саенс спрашивают максимум написать какой-то SQL запрос, а у бекендщика будут спрашивать по нормальным формам, по ACID уровням изоляции транзакций, по CAP теореме, по существующим видам репликаций и их реализациях в существующих SQL/NoSQL базах. Одних только шаблонов GoF десятки и по ним можно придумать сотни задач. Не говоря уже про шаблоны высоконагруженных и микросервисных архитектур, которых еще больше и они гораздо более тяжелые для понимания. Теория Messaging Queues обширная и по ней тоже можно разговаривать часами с разбором разных задач на понимание каждой реализации. Фрейморков для бекенд разработки гораздо больше чем для дата саенс, потому что дата саенс появился значительно позже. По одним только этим фреймворкам потенциальных вопросов гораздо больше, их сотни. По клаудам, kubernetes и docker то что спрашивают в среднем на дата саенс по объему гораздо меньше, потому что от бекендщика часто хотят, чтобы он все сам это умел деплоить и соответственно хорошо понимал, а не просто умел посмотреть логи где-нибудь в консоли. Можно продолжать еще долго. В конце концов, если вы утверждаете, что за обычный бекенд платят больше и нужно меньше знать, чего же вы ждете?
@@andreyyaskulsky5029мне кажется, вопрос скорее в том, а чем именно вы занимаетесь. Очевидно, писать компилятор или делать хайлоад - искусство, а сайты пилить малому бизнесу уже не такая фантастика. Ровно как и в дс: кто-то обучает LLM или, например, работает над восприятием беспилотника окружающей среды, а кто-то только и делает fit predict. Сложные задачи есть везде, и требуют они одинаково классного образования
ахаха, что за детские вопросы? Ты бы ещё написал, что нужно знать магические методы в ООП). Раз уж на то пошло, перечислю что надо знать нормальному ml-инженеру: - sql/ mongo - hadoop - python (функции, ооп, паттерны, конкурентность, тесты, парсинг и т.д.) + алгоритмы и структуры данных - вышмат (линейка, матан, дискра, теорвер, матстат) - ml-фреймворки: numpy, pandas, matplotlib, sklearn + классическое машинное обучение (предобработка и анализ данных, алгоритмы машинного обучения, метрики оценки и т.д.); - dl-фреймворки (один или несколько из следующих: pyttorch/tensorflow/keras/jax) + глубокое обучение (архитектуры нейронных сетей, их оптимизация и регуляризация, и т.д.) + фреймворки и знания в одном из направлений (analytics, recsys, cv, asr, nlp, robotics) - git, docker/kuber + MLOps в целом (MLflow, KubeFlow, практики и т.д.) Поверь, в том же Django ты разберешься гораздо быстрее, чем почему в XGBoost целевая функция аппроксимируется разложением в ряд Тейлора 2-го порядка, не говоря уже про то в каких случаях Adam уступает Nesterov momentum. Я уже молчу, что в том же ASR и Computer Vision ещё очень часто требуется знание С++, чтобы тащить обученные модели в прод, а на собесах в норм компании помимо system design еще есть секция по ml system design. Я тоже соглашусь с Вадимом, что лучше не идти в data science, если нет сильного желания этим заниматься: в снг зп почти во всех компаниях такие же как у разрабов, а учится это все гораздо дольше и сложнее. Есть смысл заниматься серьезно, чтобы потом работать в fanng или в компаниях типа openAI т.к. уже здесь ЗП будет в несколько раз выше, чем у разраба на аналогичном грейде, но туда не берут обычных чувачков, которые просто знают как запустить из либы модельки.
Вопрос с подвохом, каким образом испольузются нейронные сети на госуслугах? Понятно, что бОльшего хранилища данных на заданную тему, хоть иногда и специфических не найти, наверное, во всем мире, но для каких задач это нужно?
LayerNorm применяется во всех сетях, что принимают последовательности переменной длины, потому что для них батч норм будет не релевантным. По этой причине в трансформерах везде layernorm, а не батч
никто не запрещает использовать батч норм, он будет работать, но он зависит от статистик батча, которые нужно будет хранить для каждого временного шага, а сколько таких шагов будет на инференсе заранее неизвестно, вполне может получиться так, что длина последовательности будет больше, чем максимальная на трейне, и тогда придется обрезать последовательность. вот во избежание таких проблем и был предложен layer norm, так как он всегда в состоянии посчитать статистики по сэмплу.
@@ПонтийПрат вообще не то, набросил про какую то нерелевантность, хотя в трансформерах длина контекста фиксирована, так что батч норм вполне себе прокатывает. справедливости ради в статье attention is all you need ни слова не сказано, почему выбор пал на layer norm, не проведены сравнения метрик качества, просто авторы его по дефолту взяли, так и повелось дальше.
@@noname-bi7ve нерелевантность заключается в разной длине последовательности внутри батча: метрики посчитанные для одной длины последовательности будут нерелевантны для другой длины. Насколько я понимаю, твой аргумент основан тоже на длине)
Не поймите неправильно, но разве не кажется, что тезис: «дата-сатанист должен уметь и это и то и поэтому он круче разраба» абсурд? Достаточно знать, что во многих компаниях существуют целые команды разработки для ликвидации недостатка инженерных знаний у DS. И только с ростом грейда и опыта DS начинают мало-мальски писать код для прода.
@@gernar228 Я бек, результат действительно понятный - код проходит ревью, тестировщик говорит, что всё чики-брики, клиент принимает доработку. У нас так, по крайней мере (это b2b). А как в дс устроено, что считается выполненной задачей?
Такой вопрос, а это действительно плохо когда спрашивают по всем подряд смежным темам? Может приследуется какая нибудь цель? Например есть несколько вариантов куда приземлить кандидата, и они определяют где лучше заходит. Как вариант.
Про roc auc когда вогну просто поменять местами 0 и 1 не всегда сработает, в твоих ответах не всегда все правильно просто один попался так к слову.... если честно для меня важнее life кодинг вот задача давай решай вот время и 0 подсказок а то начинается чтобы проверить реальные твои знания и гуглить тоже нельзя, конечно же. ну про чат гпт молчу... вот это будет собес а то поразвелось датасайнтистов с джанговистами куда там 300+к)))) вы прикалываетесь)
Конкретно в Германии предложений гораздо больше по рынку. Машинное обучение, ИИ инженеры, Дата инженеры либо в екоммерц компании типа Заландо, либо в стартапы различные, например, с медициной связанные или с улучшением качества воды в кране. Спрос на рынке большой, но без знания немецкого на очень хорошем уровне и без ученой степени практически нет шансов. Как я понимаю в РФ с этим попроще.
Я уже 2,5 года потратил. ) Реально бездонная яма какая то. Из плюсов устроился на аналитика данных весной в it небольшую с неплохой зп. И дальше фигачу. Щас ищу работу паралельно.
Сразу сужай свое направление. Есть вакансии и чисто на ml. А если нейронки то что именно думай интересно. Типо nlp или cv, или ещё что. С ml уже можно начать искать вакансии. Щас уже аналитики требуются со знанием ml часто. Я с дуру все изучал абсолютно.
@@arturbobrovich9396если есть опыт, то нет. А без опыта я уже 9 месяц ищу, не зовут. Но если тебе 22, есть профильное образование + вуз топовый, то могут и без опыта позвать
На разраба, тоже алгоритмы нужны) На самом деле смешно, как ребята из Дс пытаются сказать как им тяжело, какой сложный матан (который состоит из матстата)
Меня ни разу ещё не спросили. И даже если нужны, то это куда легче чем математику учить. Матстат это только одна из областей математики которую нужно освоить
Матан легчайший предмет из областей математики как и линал, тот же матстат куда сложнее. Сложность в нетривиальных прогерские вещах, типа памяти в питоне, ассихрнонности, и прочее говно, которое я ни разу не применял в работе за 4 года. А если надо применить я обращусь к коллеге разработчику питона(да, так на работе тоже можно).
@@cardmaster6915МатСтат это тот же матан, только в другой плоскости. Матан и линалг выглядят простыми только в прикладном значении, так как используются в популярных задачах, например векторами поворочать или производную найти. Но этим их роль не ограничивается
🐳 Следи за новостями: t.me/gernar228/ - новости, анонсы, бесплатный контент
🍑 Приватный телеграм: t.me/gernar228_bot/ - весь движ тут: сообщество, собесы, мои личные консультации и другой эксклюзивный контент!
⬆ Boosty больше недоступен, всё переехало в телеграм ⬆
Боже, что за гений создал этот канал?!
Вадим Новоселов
Не, это ещё нормальный собоес) Помню смотрел в прошлом году собеседование на джуна-датасаентиста, и там первый вопрос был "Расскажи как устроена память в питоне". Подразумевалось, что кандидат должен был в течение минут 20 рассказывать о том, как организована память, как хранятся данные, как работает сборщик мусора и т.д. Вот нахрена это знать джуну? По ходу скоро про квантовую физику начнут спрашивать ПОТОМУ ЧТО ЭТО БАЗА. Как ты программировать собрался, если не знаешь как транзисторы работают, а?
А нахрена это знать даже мидлу, и откуда. Я в дата сайенсе, но вообще не знаю про всякую память и прочие сложные программирские вещи. Могу пояснить за теорвер, статистику, матан, и прочее, но по вопросам памяти я буду обращаться к питонистам.
Почему помимо дата инженеринга, построения моделей и математики для АБ тестов надо знать нетривиальные вещи про питон и всякую шляпу которую я за 4 года ни разу не применял в работе
хотелось бы еще увидеть собесы на дата инженера)))
будет такой
Огонь)
Интересно увидеть резюме , с которым подаешься, что много где приглашают на собесы) сейчас же типо рынок переполнен, или ошибаюсь, я о джунах )
@@LudaMihkoсеньоров не добро сильный, мидлов тоже не добор. Но если говорить об снг
Не согласен, что стать дата саентистом сложнее из-за объема знаний,
Если речь идет о backend python, то в процессе собеседования помимо самого python затронут еще огромное количество тем, которые непосредственно языка не касаются:
- Вопросы по шаблонам проектирования ООП
- Вопросы по теории микрсервисных архитектур
- Architectural, Enterprise and Design Patterns
- Алгоритмы и структуры данных
- Вопросы по Docker
- Вопросы по Kubernetes
- Вопросы на понимание CI/CD
- Вопросы по одному из клаудов (GCP, AWS, Azure)
- Вопросы по базам данных - отдельно по реляционным базам и отдельно по no-sql
- Вопросы по Messaging Queues на понимание существующих решений, архитектур и отличий между ними
- Вопросы по веб-фреймворкам которые используются для разработки на пайтон (e.g. Flask, Falcon, Django, Web2py, aiohttp, Tornad)
- Вопросы по орм-фреймворкам которые испольщуются для рабработки на пайтон (e.g. SQLAlchemy)
- Вопросы по теории тестирования и по фрейм-воркам которые используются для тестирования в пайтон (pyTest, unittest)
- Общие вопросы по теории HTTP
- Вопросы на понимание работы сетей
По каждому из этих пунктов существуют десятки или сотни вопросов, поэтому по факту объем знаний, который нужен - выше.
Другой вопрос, что чем выше конкуренция, тем более жестко собеседуют, независимо от того собеседуют на data science или на backend. Судя по всему, сейчас конкуренция на data science вакансии выше, поэтому собеседования проходят тяжелее. Но времена бывают разные, и, например, в 2021 людей брали с минимальными знаниями.
Как будущий вкатыш ответственно заявляю - 80% перечисленных тем на датасайнс тоже надо знать.
Да, может уровень знаний надо будет поменьше, может про солид и теорию хттп сайнтиста и не спросят,
но это будет легко компенсированно бездой тем по мл.
это всё равно что сказать что на ДСа также спрашивают:
- знание Jupyter Notebook
- знание numpy
- знание pandas
- ...
всё что ты описал "включено" в знание питона и ботается за месяц
но приятно что есть альтернативные мнения, спасибо!
@@fuck_off_ ну а я это заявляю как человек, который уже больше 10 лет работает и прошел и провел десятки, собеседований. Теория HTTP и SOLID это самое простое из того что вы перечислили. По базам данных на дата саенс спрашивают максимум написать какой-то SQL запрос, а у бекендщика будут спрашивать по нормальным формам, по ACID уровням изоляции транзакций, по CAP теореме, по существующим видам репликаций и их реализациях в существующих SQL/NoSQL базах. Одних только шаблонов GoF десятки и по ним можно придумать сотни задач. Не говоря уже про шаблоны высоконагруженных и микросервисных архитектур, которых еще больше и они гораздо более тяжелые для понимания. Теория Messaging Queues обширная и по ней тоже можно разговаривать часами с разбором разных задач на понимание каждой реализации. Фрейморков для бекенд разработки гораздо больше чем для дата саенс, потому что дата саенс появился значительно позже. По одним только этим фреймворкам потенциальных вопросов гораздо больше, их сотни. По клаудам, kubernetes и docker то что спрашивают в среднем на дата саенс по объему гораздо меньше, потому что от бекендщика часто хотят, чтобы он все сам это умел деплоить и соответственно хорошо понимал, а не просто умел посмотреть логи где-нибудь в консоли. Можно продолжать еще долго. В конце концов, если вы утверждаете, что за обычный бекенд платят больше и нужно меньше знать, чего же вы ждете?
@@andreyyaskulsky5029мне кажется, вопрос скорее в том, а чем именно вы занимаетесь. Очевидно, писать компилятор или делать хайлоад - искусство, а сайты пилить малому бизнесу уже не такая фантастика. Ровно как и в дс: кто-то обучает LLM или, например, работает над восприятием беспилотника окружающей среды, а кто-то только и делает fit predict. Сложные задачи есть везде, и требуют они одинаково классного образования
ахаха, что за детские вопросы? Ты бы ещё написал, что нужно знать магические методы в ООП).
Раз уж на то пошло, перечислю что надо знать нормальному ml-инженеру:
- sql/ mongo
- hadoop
- python (функции, ооп, паттерны, конкурентность, тесты, парсинг и т.д.) + алгоритмы и структуры данных
- вышмат (линейка, матан, дискра, теорвер, матстат)
- ml-фреймворки: numpy, pandas, matplotlib, sklearn + классическое машинное обучение (предобработка и анализ данных, алгоритмы машинного обучения, метрики оценки и т.д.);
- dl-фреймворки (один или несколько из следующих: pyttorch/tensorflow/keras/jax) + глубокое обучение (архитектуры нейронных сетей, их оптимизация и регуляризация, и т.д.) + фреймворки и знания в одном из направлений (analytics, recsys, cv, asr, nlp, robotics)
- git, docker/kuber + MLOps в целом (MLflow, KubeFlow, практики и т.д.)
Поверь, в том же Django ты разберешься гораздо быстрее, чем почему в XGBoost целевая функция аппроксимируется разложением в ряд Тейлора 2-го порядка, не говоря уже про то в каких случаях Adam уступает Nesterov momentum. Я уже молчу, что в том же ASR и Computer Vision ещё очень часто требуется знание С++, чтобы тащить обученные модели в прод, а на собесах в норм компании помимо system design еще есть секция по ml system design.
Я тоже соглашусь с Вадимом, что лучше не идти в data science, если нет сильного желания этим заниматься: в снг зп почти во всех компаниях такие же как у разрабов, а учится это все гораздо дольше и сложнее. Есть смысл заниматься серьезно, чтобы потом работать в fanng или в компаниях типа openAI т.к. уже здесь ЗП будет в несколько раз выше, чем у разраба на аналогичном грейде, но туда не берут обычных чувачков, которые просто знают как запустить из либы модельки.
F1 считают по среднему гармоническому потому что у Precision и Recall знаменатели разные, их нельзя просто так сложить и поделить на 2
Почему нельзя? Можно же
Вопрос с подвохом, каким образом испольузются нейронные сети на госуслугах? Понятно, что бОльшего хранилища данных на заданную тему, хоть иногда и специфических не найти, наверное, во всем мире, но для каких задач это нужно?
конкретно этот собес был на их чат-бота синенького, который на госуслугах
Крутая картинка. Подскажи, на какую камеру снимаешь?
Сони зв х 10
LayerNorm применяется во всех сетях, что принимают последовательности переменной длины, потому что для них батч норм будет не релевантным. По этой причине в трансформерах везде layernorm, а не батч
никто не запрещает использовать батч норм, он будет работать, но он зависит от статистик батча, которые нужно будет хранить для каждого временного шага, а сколько таких шагов будет на инференсе заранее неизвестно, вполне может получиться так, что длина последовательности будет больше, чем максимальная на трейне, и тогда придется обрезать последовательность. вот во избежание таких проблем и был предложен layer norm, так как он всегда в состоянии посчитать статистики по сэмплу.
@@noname-bi7ve
я вроде это и сказал, не ?
@@ПонтийПрат вообще не то, набросил про какую то нерелевантность, хотя в трансформерах длина контекста фиксирована, так что батч норм вполне себе прокатывает. справедливости ради в статье attention is all you need ни слова не сказано, почему выбор пал на layer norm, не проведены сравнения метрик качества, просто авторы его по дефолту взяли, так и повелось дальше.
@@noname-bi7ve нерелевантность заключается в разной длине последовательности внутри батча: метрики посчитанные для одной длины последовательности будут нерелевантны для другой длины. Насколько я понимаю, твой аргумент основан тоже на длине)
Не поймите неправильно, но разве не кажется, что тезис: «дата-сатанист должен уметь и это и то и поэтому он круче разраба» абсурд?
Достаточно знать, что во многих компаниях существуют целые команды разработки для ликвидации недостатка инженерных знаний у DS.
И только с ростом грейда и опыта DS начинают мало-мальски писать код для прода.
Да уж, ДС джунов совсем не густо сейчас в вакансиях....
Можете ли вы снять видео о накрутки опыта или посоветовать, что посмотреть?
Хорошо, сниму
@@gernar228 Спасибо!
Видео и собесы раз от разу все круче
спасибо!
А что по итогу? Дали оффер? Если да, то на сколько? Если нет, то почему? Были ли еще какие-то этапы собесов?
позвали на след этап, я не пошёл
@@gernar228 а следующий этап - это какой? Алгоритмы?))
Полностью согласен, что DS в разы сложнее обычной разработки бэкенда, хотя принято считать наоборот)
Я сожалею о том что не выбрал в своё время DS/ML Engineering, тк кейсы у них банально интереснее, чем в той же моб. разработке и беке.
Хз я с радостью свичнулся из дс в бек. Результат работы понятнее, задачи легче, платят больше
@@gernar228 да без проблем думаю свичнишься, и если потеря грейда будет, то минимальная
@@gernar228 Я бек, результат действительно понятный - код проходит ревью, тестировщик говорит, что всё чики-брики, клиент принимает доработку. У нас так, по крайней мере (это b2b). А как в дс устроено, что считается выполненной задачей?
Такой вопрос, а это действительно плохо когда спрашивают по всем подряд смежным темам?
Может приследуется какая нибудь цель? Например есть несколько вариантов куда приземлить кандидата, и они определяют где лучше заходит. Как вариант.
Не, это просто любопытство интервьюера, он копает глубину твоих знаний, проходили)
Сначала показалось что вы в списке на собеседование в военкомат через госуслуги (GPT храни датасайнтиста)
так в этом и прикол
Очень интересный собес, подскажи, их вакансия ещё открыта? Хотел бы тоже сходить пообщаться.
пацаны говорят она уже 2 месяца как открыта
заходи))) есть еще вакансии)
@@wonderitrecruitment дайте ссылку
Про roc auc когда вогну просто поменять местами 0 и 1 не всегда сработает, в твоих ответах не всегда все правильно просто один попался так к слову.... если честно для меня важнее life кодинг вот задача давай решай вот время и 0 подсказок а то начинается чтобы проверить реальные твои знания и гуглить тоже нельзя, конечно же. ну про чат гпт молчу... вот это будет собес а то поразвелось датасайнтистов с джанговистами куда там 300+к)))) вы прикалываетесь)
А если рассматривать дата сайнс не в снг, а в Европе, или в Америке, там она считается более пристижной работой, чем в снг, или так же?
Престижно в каком смысле? В плане денег?
@@АвиТворческий да
Да нет
Конкретно в Германии предложений гораздо больше по рынку. Машинное обучение, ИИ инженеры, Дата инженеры либо в екоммерц компании типа Заландо, либо в стартапы различные, например, с медициной связанные или с улучшением качества воды в кране. Спрос на рынке большой, но без знания немецкого на очень хорошем уровне и без ученой степени практически нет шансов. Как я понимаю в РФ с этим попроще.
Ёпт я на все вопросы ответил. А мне все кажется что я тупой ) и в ds не попасть.
Грустно слышать в начале видео о старте карьеры через data science, особенно когда недавно уже начал его изучать😢
Это возможно, но будь готов что выучить придется много))
@@gernar228 с помощью твоих видео буду ближе к цели
Я уже 2,5 года потратил. ) Реально бездонная яма какая то. Из плюсов устроился на аналитика данных весной в it небольшую с неплохой зп. И дальше фигачу. Щас ищу работу паралельно.
Сразу сужай свое направление. Есть вакансии и чисто на ml. А если нейронки то что именно думай интересно. Типо nlp или cv, или ещё что.
С ml уже можно начать искать вакансии. Щас уже аналитики требуются со знанием ml часто. Я с дуру все изучал абсолютно.
@@aleksgor1408 развивайся как аналитик. Под боком тупые бабы с одним SQL по 5000-6000€ получают
> word2vec допотопный и никем не используется
> в декабре на NeurIPS статья по word2vec получает награду "Test of time"
Почему их четверо😂
А к ML это тоже относится?
Да конечно
@@gernar228 но без работы же не останешься всё равно? да?
@@arturbobrovich9396если есть опыт, то нет. А без опыта я уже 9 месяц ищу, не зовут. Но если тебе 22, есть профильное образование + вуз топовый, то могут и без опыта позвать
Бро, Data scienctist глубоко должен знать математику?
Желательно
Топ. А дата инженеру проще найти работу чем дсу? Или все-таки проще разрабом стать?
имхо разраб это более универсально, но я не изучал подробно
на DE проще всего
@@noname-bi7ve Это субьективно или факт?
@@quansumonner для меня лично факт, работал в двух разных компаниях бекендером, везде сильный дефицит на дата инженеров.
@@sergeitrofimov1179 Cпасибо за ответ и мнение! Но я не думаю, что 2 компании это достаточная выроботка.
Галопом по европам ) Какие-то очень разнородные вопросы.
на NLP обычно так и собесят. Тк хотят знание и классического ML и NLP
ну почему такого канала нет по фронту 😭 смотрю все равно хотя ничего и не понимаю))
Подписывайся будет)))
по фронту 9999999 каналов
На разраба, тоже алгоритмы нужны)
На самом деле смешно, как ребята из Дс пытаются сказать как им тяжело, какой сложный матан (который состоит из матстата)
ну так на разраба матан вообще не нужен, так что справедливо
Меня ни разу ещё не спросили. И даже если нужны, то это куда легче чем математику учить. Матстат это только одна из областей математики которую нужно освоить
Матан легчайший предмет из областей математики как и линал, тот же матстат куда сложнее.
Сложность в нетривиальных прогерские вещах, типа памяти в питоне, ассихрнонности, и прочее говно, которое я ни разу не применял в работе за 4 года. А если надо применить я обращусь к коллеге разработчику питона(да, так на работе тоже можно).
@@cardmaster6915МатСтат это тот же матан, только в другой плоскости. Матан и линалг выглядят простыми только в прикладном значении, так как используются в популярных задачах, например векторами поворочать или производную найти. Но этим их роль не ограничивается
Капец... Собес на senior что ли?)