Меня зовут Азат Буляккулов.
Я работаю аналитиком рисков в финтех-компании ID Finance. Я начал с аналитики, создавая отчеты для отделов рисков, маркетинга и финансов.
В нашей сравнительно небольшой компании мне приходилось взаимодействовать со всеми отделами.
В результате я смог получить разнообразный профессиональный опыт. Принимал участие в подсчете финансовых резервов, сравнивал показатели в A/B-тестах, сегментировал клиентов для маркетинга и т. д. Менее чем через год работы я занялся разработкой скоринговых карт. И я понял, что хочу лучше понять анализ и обработку данных.
Мы использовали классические логистические регрессии для прогнозирования дефолта клиентов.
Одним из источников наших данных являются финансовые операции, к которым клиенты предоставляют нам доступ, если захотят. Работа с ними требовала творческого подхода, поскольку из этой сокровищницы данных можно было извлечь много полезной информации.
Как я позже узнал, этот процесс называется разработкой функций.
Это меня увлекло — я еще больше заинтересовался наукой о данных.
Работая с другими отделами, я увидел, что у нас есть огромные возможности для использования ML. Не последнюю роль в моем интересе к DS сыграло то, что мы разрабатывали тяжелый SAS-e. Он имеет не самый удобный интерфейс и не обладает полным функционалом.
Я хотел работать с более гибким инструментом.
Я понял, что самостоятельное изучение науки о данных, например, на Coursera, требует сильной воли и самодисциплины, которой у меня недостаточно.
Поэтому я стал смотреть не в сторону онлайн-курсов, а «живых» курсов с лекциями, дискуссиями и домашними заданиями.
Я рассказал своему руководителю на работе о направлении, в котором хочу развиваться.
Руководство пошло мне навстречу и предложило оплатить курсы и в дальнейшем перейти в отдел Data Science внутри холдинга.
Итак, я начал выбирать курсы.
Интересно, что на рынке DS-образования доминируют онлайн-курсы.
Даже в Москве нет большого выбора серьезных курсов не в стиле «мы научим вас data science за 21 день».
Я понимал, что качественное обучение должно длиться не менее полугода.
Яндекс САД я не рассматривал, так как он требует полного погружения и ежедневной практики.
Работая полный рабочий день, было бы сложно эффективно усваивать и обрабатывать учебный материал.
Забегая вперед, скажу, что даже на выбранном курсе у меня были проблемы со временем на учебу, не говоря уже о свободном времени.
В итоге я остановился на курсе Data Scientist от одной из популярных школ длительностью полгода: 5 месяцев интенсивного обучения + месяц на написание диплома.
О курсе
Обучение обошлось около 200 000 рублей.Занятий было много – 3 раза в неделю по 3 часа.
Примерно после каждых 2-х занятий из 3-х было домашнее задание.
Программа была классической и включала базовые методы машинного обучения, рекомендательные системы, распознавание изображений, компьютерное зрение, обработку естественного языка (НЛП), временные ряды.
Плюс было несколько хакатонов и диплом для тех, кто сдал минимально необходимое количество домашних заданий.
Занятия проходили на Бауманской, в группу было зачислено 30 человек, но посещало только 15-20. Занималась дважды в будни вечером и в субботу с 10:00 до 13:00. Интересно, что на курсы приходили люди из разных сфер, не обязательно связанных с IT. Да, были front/backend-разработчики, но половина курса была связана с аналитикой продуктов/бизнеса или рисков.
И практически для всех эти курсы означали смену профессии.
Кто-то пришел потому, что вокруг data science сейчас определённый ажиотаж, другим наскучила их текущая деятельность, третьи планируют использовать DS в своей работе.
Практически все сами оплачивали обучение, поэтому уровень интереса был достаточно высоким.
Мои впечатления
Все началось с базовых знаний и навыков программирования на Python и визуализации данных.Потом мы понеслись галопом и начали проходить один метод машинного обучения за один урок: деревья решений, линейная/логистическая регрессия, случайные леса, бустинг.
Лично я считаю, что для изучения этих классических методов требуется больше времени.
Что мне понравилось
- Мы изучили практически все современные методы и подходы машинного обучения.
- По фиче-инжинирингу был отдельный блок — целых 3 урока.
Это полезная информация, но к сожалению лектор прочитал эту часть не лучшим образом.
- Часть домашних заданий была взята с соревнований Kaggle. После отправки результатов вы сможете увидеть свою позицию.
После этого появилась мотивация улучшить свою модель, настроить ее параметры, а не просто делать уроки и «отвали».
- Были углубленные курсы по рекомендательным системам, НЛП и компьютерному зрению, каждый по 6-8 уроков.
И, на мой взгляд, там были лучшие лекторы.
- После блоков по компьютерному зрению и временным рядам было 2 хакатона.
Необходимость получить приемлемый результат за минимальное время активизирует и нагружает мозг по полной.
Плюс, работая в команде, видишь подходы других людей.
- В моем личном кабинете был рейтинг учеников, где я видел прогресс моих одноклассников в выполнении домашнего задания.
Это было полезно.
Так как на перемене я подходил к «ботанам» и спрашивал, как они делают то или иное домашнее задание.
- Преимущество «живых» лекций в том, что вы задаете вопросы во время урока.
- На занятиях по заданию лектора мы делали небольшие упражнения прямо на Python.
- Студенческое сообщество – общение с одноклассниками, обмен мнениями, было интересно услышать от других об их мотивации и областях ML, которые их интересуют.
Что мне не понравилось
- Высокая плотность при рассмотрении основных методов – всего по одному уроку на каждый метод.
- Вообще мне хотелось бы 2 занятия в неделю, а не 3. Лично для меня учеба была тяжелой, съедающей почти все свободное время.
Некоторые мои одноклассники, к моей зависти, смогли учиться, одновременно работая.
- По неизвестным причинам блок НЛП был перенесен и перенесен на компьютерное зрение (КВ).
В результате в НЛП нам пришлось использовать нейросети, о которых подробнее мы говорили только в части CV.
- Были преподаватели с крайне низкими педагогическими способностями.
Кроме того, они не проверяли домашнее задание вовремя.
В последнее время сфера применения науки о данных значительно расширилась.
Общий
У меня было 5 месяцев интенсивного обучения, где я достаточно глубоко погрузился в мир ML. Я научился писать приличную обработку данных на Python, визуализировать ее и строить различные модели.Он также генерировал текст с помощью нейронных сетей и классифицировал изображения.
Думаю, у меня хорошее начало.
Мой наставник-выпускник сказал, что наши знания — на уровне специалиста по данным среднего уровня, а опыт — уровня младшего.
Ну, посмотрим через пару месяцев.
Так как через две недели я перехожу в отдел обработки данных нашей компании.
Теги: #наука о данных #обучение #Большие данные #Машинное обучение #Образовательный процесс в ИТ
-
Информация О Вычислительном Оборудовании
19 Oct, 24 -
Ноутбук Тошиба
19 Oct, 24 -
Интервью — 10 Вопросов О Swift. Часть 1
19 Oct, 24 -
Уязвимость Apple.com Продолжает Работать
19 Oct, 24 -
Windows Internet Explorer 8 Rtw
19 Oct, 24 -
Социальная Сеть Для Мертвых
19 Oct, 24
