Цель заброшена
Автор не отписывался в цели 4 года 1 месяц 20 дней
Дневник цели
Сегодня закончилась
19 неделя
Из целей, что я поставил на прошлую неделю я закончил курс на Pandas и начал (но не закончил) курс Intro to ML. Самое главное - сделать резюме и изменить данные в профиле LinkedIn - я даже не взялся. Что-ж, это будет первый из пунктов на эту неделю.
Планы на текующую неделю:
- Создать резюме по новому профилю
- Обновить профиль в Linked In по новому профилю
- закончить курс Intro to ML на kaggle
- начать и закончить курс Data Cleaning на kaggle
- начать и закончить курс Data Visualization на kaggle
- начать курс Intermediate ML на kaggle
В этот понедельник закончилась
18 неделя
- За это время я успел выучить Python (что было относительно просто, он похож на мой предыдущий ЯП)
- Повторить (а местами выучит заново) теорию вероятности
- Шапочно познакомиться с специализированными библиотеками для работы и визуализации ML в Python-e (но нужно освоить на хорошем уровне, это впереди
План на эту неделю:
- Создать резюме по новому профилю
- Обновить профиль в Linked In по новому профилю
- Зкончить разбираться с библиотекой Pandas по курсу на kaggle
- Начать и закончить короткий курс Intro to Machine Learning на kaggle
Нда, ну вот и просрочилась эта цель. Прошло уже 3 месяца, а результат пока не особо осязаемый. Продлю цель еще на месяц, хотя трудно сказать что за месяц я смогу ее достичь полностью.
Но через месяц будет виднее
Проблема в том, что тут сложно составить четкий план. Я лишь примерно понимаю, что мне понадобиться в дальшейшем. Плюс, желательно выбрать некую спецализацию в ML, и от этого будет зависеть план.
Вообще, меня очень сильно демотивировал объем математики, которую я когда-то знал, но теперь приходится заново учить почти с ноля. Как представлю, сколько времени можно было бы сэкономить, если бы я просто не забрасывал эти навыки или продолжил заниматься всем это еще в универе...
На прошлой неделе в курсе на coursera внезапно открылась возможность проходить тесты между видео. Раньше я мог решить тест, но не мог отослать его на проверку.
Я начал отсылать на проверку все те решения, что насобирал за это время. Чтож, оказалось, что по большей части я ошибался, и пришлось возврващаться и все перепроходить. Это сильно замедлило мой прогрессс, но в любом случае повторение - это не что-то плохое.
Одинадцатая неделя прошла
Я приближаюсь к своему первоначальному дедлайну в 3 месяца. Однако, мой прогресс сильно отстает от намеченного в самом начале. Он не стоит на месте, но продвигается и близко не так быстро, как хотелось бы.
Девятая неделя прошла.
Блин, третий месяц начался. Но последние 2 недели (то есть пол месяца) я почти ничего не делал. Не заостряя внимания на причинах - это плохо. Но надеюсь, что с этой недели я вернусь в колею и продолжу в ускоренном темпе. Потому как я планировал, что процесс займет ~3 месяца, но половину этих двух месяцев я не занимался делом. А так процесс может неприлично растянуться. Но запас денег ограниченный, так что нужно действовать
Шестая неделя прошла.
На прошлой неделе забыл отписаться, но прогресс уже куда приличней. Каждый будний день (за парой исключений) эти две недели я был доволен собой, и продвигаюсь неплохо.
Нашел еще один (более подробный и интересный) курс по мат. статистике для ML, и прохожу пока его. Первый же курс пока приостановил, вернусь к нему когда разберусь с этим, и закончу его для закрепления материала.
По Python я нашел адаптивный цикл задач на Stepic и решаю по несколько задач в день для поддержания уровня. Ключевой момент - смотреть чужие решения и пытаться подсмотреть разные интересные реализации. Уже узнал про некоторые удобные штуки, про которые не было в курсе Python.
В целом темп хороший, главное его не сбавлять. Ну и не перестать "за деревьями видеть лес". Очень легко сосредоточиться на математике, забыв зачем она мне изначально была нужна
Комментарии
Поделюсь своим опытом. В 2016-ом году я решил вернуться в IT после долгого перерыва (несколько лет). До этого был опыт в web. После разговора с другом, решил, что буду изучать ML тематику. Я прошел курс от Яндекса на курсере и курс Andrew Ng "Machine Learning". После этого поучаствовал в паре сореванований на Kaggle и пошел искать работы. После 20 собеседований, нашел работу в Москве. Весь процесс от начала обучения до нахождения работы занял примерно 6 месяцев. Было очень тяжело, но все получилось, потому что очень хотел и заканчивались деньги :)
Подводные камни с ML, которые я вижу с сегодняшней позиции:
1. Нужно четко понимать, что есть куча разных специализаций -- Data Scientist, Research Engineer, ML Engineer, и т.п. Если нет глубокого фундамента в математикe, то лучше целить в ML Engineer. По сути, это инженер разработчик, который понимает ML и умеет довести идею до продакшн уровня. Для сравнения, data scientist все-таки больше занимается анализом данных, экспериментами, взаимодействием в бизнес-командой, а не реальным кодингом.
2. ML сфера очень сильно изменилась за последние годы. По крайней мере, я так вижу из США, где я сейчас живу и работаю. Тренд идет на то, что вещи, которые еще недавно были очень сложными, становятся доступными и простыми. Достаточно посмотреть на Google Cloud и Amazon Web Services, чтобы увидеть какое количество крутых ML сервисов стало доступно простой публике. И это то, что реально можно использовать в продакшн системах, а не просто локально на своем ноутбуке. Мораль в том, что лучше уметь круто кодить и хорошо понимать основные ML принципы, чем лезть глубоко в математику или теорию вероятностей. Шансы на успех будут выше. Это мое скромное мнение.
3. Нужно заранее готовиться к поиску работы. Самый простой вариант -- внутренний переход на новую должность в своей компании. Если такого варианта нет, то я бы рекомендовал пройти какой-нибудь курс по ML и сразу идти собеседоваться куда-нибудь, чтобы понять, к каким вопросам готовиться и чего вообще хотят работодатели.
Желаю удачи! Пусть все получится.
Сергей, спасибо большое за информацию! Я как раз пытался найти среди знакомых людей, что уже работают в индустрии.
Про различия в специализациях знаю, и собираюсь метить именно в ML Engineer. Хотяб для того, чтоб мой предыдущий опыт программирования мне больше помогал. Потом видно будет.
Самую большую проблему вижу в том, что у меня в Украине продкутовых компаний очень мало, а ML на аутсорс врядли часто отдают. Так что вакансий не то чтоб много, по сравнению с той же Москвой/заграницей. Но без опыта в ML меня врядли сразу возьмут на удаленную работу заграницу. Так что самым сложным (как всегда) будет начать хоть где-то
Тоже изучаю ML только курс прохожу на на курсере от Кембриджа, он на англ, но очень классный. ML - это всего лишь 10% программирования остальное это чистая математика, ты думал почему питон такой простой и именно его везде форсят в больших данных? Потому что он сделан для математиков, которые хотят быстро выразить свою математическую модель и использовать вычислительную компьютерную мощь, быстро и не вникая в подробности работы компьютера. Советую тебе друг, посмотреть на себя со стороны жёсткого критика, и ответить себе на вопрос нравится ли тебе математика или нет?...
Лол, я думал жесткие математики вообще придумывают себе отдельные языки для специализированных задач вроде R или того же Mathematica.
Да, знаю что ML это не столько про программирование, сколько про математику. Я занимался этим немного в универе, но потом как-то не до того стало. Сейчас вот кряхчу, стараюсь воскресить свои знания по математическим дисциплинам.
В любом случае спасибо за поддержку
Хах, классика. Фронтендеры мечтают перейти в бекенд, бекенд мечтает перейти в ML. Как говорит один мой знакомый - осталось узнать, куда хотят перейти ML-щики.