дополню еще: часто нужно будет заниматься разметкой данных (настройкой процессов краудсорсинга или самому руками что-то размечать), так как предоставленных данных обычно мало для хорошего качества, а также нужно уметь заворачивать свою модель в продакшн сервис, потому что разработчики, как правило, не сумеют этого сделать
Надя здравствуйте. Очень нужна помощь. Хочу определиться с обучением. Если позволите, я бы скинула вам программу обучения, могли бы вы посмотреть если обучиться по ней, то смогу ли я работать в data science.Только нужна ваша почта. Спасибо за ответ 😊
Линейная алгебра, математический анализ, статистика, теория вероятностей, временные ряды. Думаю, что можно ориентироваться на программу курса "Математика для анализа данных" (тут можно скачать программу курса в pdf): practicum.yandex.ru/math-for-da-ds/?Yan_Sch_RF_Data_mathFoDaDs_b2c_Gener_Regular_1_460_upskill&As_none%3Acid_88398913%3Agid_5205239372%3Akw_математика+для+анализа+данных%3Apid_44938533077%3Aaid_14238680314%3Acrid_0%3Arid_44938533077%3Ap_1%3Apty_premium%3Amty_%3Amkw_%3Adty_desktop%3Acgcid_17978231%3Arn_Санкт-Петербург%3Arid_2&математика+для+анализа+данных&yclid=17841709064336965631
Можно уточнить по поводу "много текста и мало кода". Вы имеете ввиду, что это больше похоже на лабораторную работу с подробным описанием алгоритма, где программирование выступает как инструмент (в предобработке данных), а не самоцель? Например, в сайтах или играх всё заточено на написание логики сервиса, работу с БД и прочее, а в Data Science весь код заключается в том, чтобы преобразовать информацию из какого-то формата в пригодный для обучения модели вид?
Ну, да. Это не программирование. Просто код используется, чтобы изучить данные, обучить модель. Язык программирования помогает почистить данные, построить графики, сводные таблицы и т.д. Но всё это делается, чтобы провести анализ. На курсах нас учили под каждым графиком (и не только графиком) писать свои умозаключения. Как я поняла, это обычная практика и на работах (но может быть так не везде, не знаю). Я, например, раньше верстала сайты. Сидишь и верстаешь, не надо никому никаких промежуточных выводов писать. Сверстал - выдал результат. Ну, можно презентацию сделать, чтобы клиенту продемонстрировать результат. А здесь больше анализа и писанины. Хотя, в интернете я видела, что люди выставляют чистый код без текста. Но, в любом случае, этот код был написан, чтобы что-то понять про данные.
Можно и так сказать) Например, все модели машинного обучения работают по каким-то математическим законам. Можно пытаться применять их вслепую, не понимая, что делаешь, методом подбора. Но, как по мне, важно понимать, что происходит и почему что-то сработало так, как оно сработало. Тем более, ресурсов может не всегда хватать, чтобы тыкаться.
Как думаете, только по большому счёту с (довольно хорошим) знанием школьной базовой математики по 9-й класс включительно, стоит браться за освоение этой профессии? Или лучше таки еще пару лет потратить на освоение 10-11 и чего-нибудь релевантного из университетской мат-программы?
@@strannik8234 можно. Просто включите в освоение этой профессии математику тоже) Ну и всё остальное проходите параллельно. С математической точки зрения не сразу всё будет понятно. Но вы ко многому будете много раз возвращаться. И каждый раз будете понимать больше.
Спасибо, что делитесь своим опытом, очень вдохновляет!
Спасибо за видео, то что нужно
Спасибо! Было очень полезно, приятный голос и все по делу
Спасибо!
Хорошее видео, всё коротко и по делу
Спасибо!
чётко,без воды!
дополню еще: часто нужно будет заниматься разметкой данных (настройкой процессов краудсорсинга или самому руками что-то размечать), так как предоставленных данных обычно мало для хорошего качества, а также нужно уметь заворачивать свою модель в продакшн сервис, потому что разработчики, как правило, не сумеют этого сделать
Спасибо!
Надя здравствуйте. Очень нужна помощь. Хочу определиться с обучением. Если позволите, я бы скинула вам программу обучения, могли бы вы посмотреть если обучиться по ней, то смогу ли я работать в data science.Только нужна ваша почта. Спасибо за ответ 😊
Здравствуйте! Пока будет некорректно с моей стороны оценивать программу обучения с точки зрения актуальности. Для начала мне нужно самой найти работу)
Вы уже успели устроиться по направлению?
Нет, еще не занималась поиском.
@@alanovnavlog Зря, чем раньше, тем лучше
@@alanovnavlogа планируете искать работу в ds направлении ?
@@aleksgor1408 да
какая математика нужна?)
Линейная алгебра, математический анализ, статистика, теория вероятностей, временные ряды. Думаю, что можно ориентироваться на программу курса "Математика для анализа данных" (тут можно скачать программу курса в pdf): practicum.yandex.ru/math-for-da-ds/?Yan_Sch_RF_Data_mathFoDaDs_b2c_Gener_Regular_1_460_upskill&As_none%3Acid_88398913%3Agid_5205239372%3Akw_математика+для+анализа+данных%3Apid_44938533077%3Aaid_14238680314%3Acrid_0%3Arid_44938533077%3Ap_1%3Apty_premium%3Amty_%3Amkw_%3Adty_desktop%3Acgcid_17978231%3Arn_Санкт-Петербург%3Arid_2&математика+для+анализа+данных&yclid=17841709064336965631
Можно уточнить по поводу "много текста и мало кода". Вы имеете ввиду, что это больше похоже на лабораторную работу с подробным описанием алгоритма, где программирование выступает как инструмент (в предобработке данных), а не самоцель? Например, в сайтах или играх всё заточено на написание логики сервиса, работу с БД и прочее, а в Data Science весь код заключается в том, чтобы преобразовать информацию из какого-то формата в пригодный для обучения модели вид?
Ну, да. Это не программирование. Просто код используется, чтобы изучить данные, обучить модель. Язык программирования помогает почистить данные, построить графики, сводные таблицы и т.д. Но всё это делается, чтобы провести анализ. На курсах нас учили под каждым графиком (и не только графиком) писать свои умозаключения. Как я поняла, это обычная практика и на работах (но может быть так не везде, не знаю). Я, например, раньше верстала сайты. Сидишь и верстаешь, не надо никому никаких промежуточных выводов писать. Сверстал - выдал результат. Ну, можно презентацию сделать, чтобы клиенту продемонстрировать результат. А здесь больше анализа и писанины. Хотя, в интернете я видела, что люди выставляют чистый код без текста. Но, в любом случае, этот код был написан, чтобы что-то понять про данные.
@@alanovnavlog Спасибо большое, про этот момент нигде не читал. Кажется теперь что-то проясняется)
Примерно поэтому чаще говорят DS/ML engineer - инженер а не программист
@@DataScienceGuy хороший канал. Один из первых, на который я наткнулась)
Я правильно понимаю, что Data Science - это мат-анализ, статистика, комбинаторика и теория вероятностей с помощью компьютера?
Можно и так сказать) Например, все модели машинного обучения работают по каким-то математическим законам. Можно пытаться применять их вслепую, не понимая, что делаешь, методом подбора. Но, как по мне, важно понимать, что происходит и почему что-то сработало так, как оно сработало. Тем более, ресурсов может не всегда хватать, чтобы тыкаться.
Как думаете, только по большому счёту с (довольно хорошим) знанием школьной базовой математики по 9-й класс включительно, стоит браться за освоение этой профессии? Или лучше таки еще пару лет потратить на освоение 10-11 и чего-нибудь релевантного из университетской мат-программы?
@@strannik8234 можно. Просто включите в освоение этой профессии математику тоже) Ну и всё остальное проходите параллельно. С математической точки зрения не сразу всё будет понятно. Но вы ко многому будете много раз возвращаться. И каждый раз будете понимать больше.
@@alanovnavlog
Спасибо большое за ответы! Буду присматриваться дальше к DS, быть может это моё...
@@strannik8234 удачи!