Comments 14
Roadmap такой большой, что едва ли в целую ВУЗовскую программу впихнется. Ну если человек большую часть этого уже изучил в институте и хорошо знает и ему надо лишь некоторую часть доучить, то это одно. Но такие люди и так прекрасно знают что им надо подтянуть и как это сделать. А вот если с нуля... Да с нуля легче на какого ни-будь стоматолога выучиться!
Для входа, то есть для начальной позиции, не думаю, что требуется глубокое погружение во все дисциплины.
https://edu.sirius.online/ai-navigator/
Покроет почти все из роадмапа, за исключением фреймворков tf/pytorch и др.
Ну, тут хорошо подойдёт метафора большого тёмного леса. Начать использовать нейросети можно вообще без знания математики и программирования - я не про chatgpt, а про обучение на распознавание предметов с помощью OpenvCV, например. Но это будет маленькая светлая полянка - ты совершенно не будешь знать, как это всё работает под капотом. Определённо есть какой-то минимум, с которого можно начать работать на какой-то позиции - хотя части леса будет оставаться тёмными. А чтобы весь лет засиял, это десятки лет работы в сфере с постоянным обучением.
Да с нуля легче на какого ни-будь стоматолога выучиться!
Так и должно быть! С чьей подачи (продавцов курсов?) все вдруг решили что на программиста или DS можно с полпинка за 3 месяца выучиться? Я уж не говорю что способности и талант должен наличествовать.
Многие ругают ВУЗы мол ничего там не дают, 5 лет в трубу. Позвольте, эти 5 лет не для того чтобы в вас как не коня в корм запихивали вагон информации. Эти 5 лет чтобы её переварить. 5 лет на практику, эксперименты, погружение в детали как всё устроено и работает. Это минимум. Только после этого что-то более-менее выходить начнёт. А настоящие профи вообще с детства занимаются. Невозможно за 3 месяца выносить и родить ни с какими стимуляторами.
Вопрос: я много раз пыталась разобраться в данной теме,прочитала учебники по линалу, их суть,посмотрела видео материалы, где люди решают задачи ,например на линейная регрессию,но когда дело доходит до kaggle,насколько комфортно и от чего вы отталкиваетесь в первую очередь,чтоб понять ,подходит ли датасет или нет.Извините за такой вопрос,но каждый раз когда пытаюсь,я вхожу в ступор.
"подходит ли датасет или нет" - для чего подходит, о чём вы спрашиваете? ) А так вообще Kaggle - это совсем отдельное искусство. Посмотрите там готовые ноутбуки, по крайней мере изучению данных и построению каких-то моделей там можно научиться на примерах. И для этого даже знание теории не особо нужно, можно чисто утилитарно подходить - вот делаем то-то и то-то и получаем то-то. А потом уже можно подкреплять практику теорией. Если не идёт практика, то учить теорию без толку, нужно разбираться именно с практикой. Делать её сначала по готовым примерам, а потом самостоятельно.
Попробую объяснить. Начинать надо не с Kaggle, а с данных из уже "прочувствованной" вами предметной области, где интуитивно многое понятно и без линала. Бухам и экономистам легко начать с журнала проводок 1С или личных финансов, фитнес-тренерам и домохозяйкам - с таблиц рационов и калорийности продуктов итд.
Данные нужно очистить и обогатить (50%), понять-проанализировать (30%) и лишь потом пытаться создать ML-модели для предсказаний (20%). В скобках указана доля времени на выполнение. Для всего этого нужен базовый Python и всего две либы pandas + sklearn, запущенные обязательно в jupyterlab (colab итп. тормозит и своеобразен). Огромный плюс этих двух либ - наличие ответа на любой ваш вопрос на первой страничке выдачи yandex.ru и google.com.
Большинство же курсов построено иначе: 50% времени дают на теорию и 50% на ML, злоупотребляя академичными подходами: трехэтажными формулами вместо данных, абстракциями вместо частностей, умными словами вместо понятных примеров из жизни, ненужными историческим дискурсами и маркетингом/модностями.
В результате сразу после курса человек что-то умеет, но не может понять почему оно делается именно так и для чего он это умеет. И такие знания быстро "тают". Хорошо если есть понимание что нужно вернуться к "азам", что надо потратить время на поиск интересной задачи (на Kaggle они заумные, заковыристые, чужие, на английском). Kaggle - это "спорт высоких достижений", простых задач там почти нет, а если и есть, то они примитивны и неприменимы в жизни (привет, Титаник).
Попробуйте начать с интересной задачи в знакомой вам предметной области. Для работающих - это м.б. какой-то противный сложный отчет о чем угодно, который можно автоматизировать, сделать "умным" и добавить немного "предсказамуса" в него, на базе его же "истории". Во-первых, есть двойной смысл, во-вторых, даже если не получится - знания и навыки добавятся и станут понятны дальнейшие направления.
Интересные у вас примеры задач, встречал такие в одной образовательной школе...
Рекомендую глянуть ноутбук в 100 Numpy exercises (RUS version), в нём более 100 задач Каждое упражнение с условием, описанием использованных методов на русском и ссылками на оф. доку. Конечно, NumPy для новичков может оказаться сложным в полном объёме, но он упоминает тут как мощный инструмент, и я полностью с этим согласен. Некоторые задачи адаптированы к реальным ситуациям в Data Science.
А Excel? Им вообще не нужно владеть тому кто знает всё это?
Для изучения языка Python единственный верный путь это курсы Поколение Python на платформе Stepik, остальные курсы уступают этой линейке. В линейке первые два курса бесплатные, в них более 1000 практических задач, от простых тестов с выбором правильного варианта ответа, до сложных(для новичка и среднего уровня) задача на которые лично у меня уходило 2-3 часа. Если же человек хочет продолжить изучение Python вплоть до концепций ООП, то линейка курсов предлагает два платных курса(цена вменяемая, сам студент)
Вливаемся в Data Science: подробный roadmap что и где изучать