X

Поговорим о данных на Data Толк #2

7 августа в московском офисе Одноклассников состоится ok.tech: Data Толк #2. В этот раз мероприятие будет посвящено образованию в Data Science. Сейчас вокруг работы с данным такой хайп, что только ленивый не задумывался над получением образования в области Data Science. Кто-то считает, что без университетского образования стать специалистом по анализу данных невозможно, есть сторонники мнения, что можно обучиться работе с данными с помощью курсов, другие придерживаются позиции, что хороший специалист по данным — это тот, кто постоянно практикуется и использует разносторонний подход. Мы соберем на своей площадке представителей разных мнений и дадим им возможность подискутировать на эту тему.

Мероприятие пройдет в формате дискусси между спикерами. В этот раз с нами будут Евгений Соколов (ВШЭ, Яндекс.Дзен), Дмитрий Бугайченко (OK.ru), Пётр Ермаков (Lamoda, DataGym), Дмитрий Коробченко (Nvidia, GeekBrains, SkillBox, DigitalOctober) и Виктор Кантор (Mail.ru Group, Data Mining in Action). Мы приглашаем всех, кому интересна тема образования в Data Science присоединиться к мероприятию и высказать свою точку зрения. Учились на курсах — приходите и расскажите, что это вам дало. Считаете, что без PhD в анализе данных нельзя — приходите и расскажите почему. Считаете, что специалист по данным должен уметь писать в прод — приходите, обсудим.

Евгений Соколов, ВШЭ, Яндекс.Дзен

Сейчас есть много вариантов обучения анализу данных: есть что-то ближе к “техникуму”, где учат просто пользоваться готовыми инструментами, есть и противоположные мнения о том, что надо смотреть на ML как на математическую штуку, а не на ремесло. Считаю, что, в первую очередь, нужно всё же учить ремеслу, потому что без этого невозможно мотивировать студента, да и потом на работе он 80% времени будет пользоваться именно этими навыками. Но в то же время крайне важно потом научить его правильному мышлению и глубокому пониманию методов — без этого студент просто не станет конкурентоспособным на рынке труда.

Дима Бугайченко, Oдноклассники

По DS образованию я бы выделил несколько важных “челенджей”, которые отличают именно DS от остальных направлений. Во-первых, это динамика. Все очень быстро меняется и поэтому нельзя выучится, получить диплом и стать DS, можно только постоянно учится, чтобы им оставаться. Во-вторых, это синергия очень разных дисциплин. Нужно понимать и математическую суть методов, и быть “на ты” с технологиями (если мы говорим о DS, а не о мартышке тыкающей в XGBoost палкой). Ну и, в-третьих, это очень высокий спрос на образованных DS от индустрии, в совокупности с большим разрывом в ожиданиях между индустрией и академией в России, что, в том числе, приводит к появлению большого числа “школ” от крупных игроков рынка.

Пётр Ермаков, Lamoda, DataGym

Я очень люблю преподавание, особенно тот момент, когда сложное удается рассказать простым языком, а в глазах увидеть понимание. За последние 10 лет я успел попреподавать в 26 запусках трех коммерческих курсов, двух университетах, внутри компании и провести открытый образовательный проект. А сейчас я занимаюсь созданием коммерческого 3-х месячного курса по машинному обучению DataGym.ru. Все виды образования хороши по-своему. И коммерческие курсы — не исключение. Это другие возможности, другой порог вхождения, другой уровень мотивации и временных затрат.

Дмитрий Коробченко, Nvidia, GeekBrains, SkillBox, DigitalOctober

Моя позиция — в том, что нет направлений, которые бы обладали всеми возможными плюсами. Не могу сказать, что что-то одно рулит, а вот это вот другое — нет. Я скорее за матан, линал и нормальную математику. Не очень люблю, когда люди пользуются инструментами без понимания, как они работают (хотя бы на среднем уровне). Но думаю, что в некоторых бизнес-кейсах это будет оправдано. Особенно с учётом демократизации AI. Касательно Каггл, могу сказать, что знаю много людей (и сам из таких), кто развился в области довольно хорошо вообще не прибегая к этому ресурсу. Но думаю, что дополнительный буст в определенных скиллах он всё же даёт.

Виктор Кантор, Mail.ru Group, Data Mining in Action

Каждый год в рамках одного только оффлайн-курса Data Mining in Action с машинным обучением знакомится порядка тысячи человек. В онлайн-курсах, запущенных только нами с коллегами (а на свете, очевидно, еще очень много других курсов), за последние три года поучаствовало примерно 100 тысяч человек. Разумеется, тех, кто не просто “знакомится”, а доходит до конца и становится, например, Junior Data Scientist’ом, значительно меньше, но все равно в анализ данных сейчас приходит просто сумасшедшее количество людей, так что нанять человека на начальную позицию не очень сложно. А вот с уровня миддлов и выше начинаются проблемы — поиск сотрудника сразу становится долгим, мучительным и, как следствие, дорогим. Что же с этим делать — вопрос, которым я занимаюсь сейчас.

Катигория:
Categories: Data Science Lab