Привет меня зовут Глеб, мне 26 лет, и я работаю аналитиком-разработчиком в «Тинькофф» уже 3,5 года. Считаю, что войти в профессию не так сложно, как кажется на первый взгляд. Однако приложить усилия все же придется — как минимум искренне интересоваться данными и быть терпеливым.
В статье подробно расскажу об этой профессии. Вы базово поймете, к чему надо быть готовым.
Что делаю в банке
Итак, до 10:30 я разбираю рабочую и личную почту и обдумываю задачи на день. Далее — созвон с командой и выполнение этих самых задач. К примеру, сейчас работаю над классификатором временных рядов — это поможет выявить сезонность в банковских данных. Домой ухожу в зависимости от загруза — бывает и в 17:00, и в 20:00.
Куда именно пойдет работать дата-сайентист, не сильно важно с точки зрения базы — везде нужны математика и программирование. Хоть на маркетплейсах, хоть в торговле продуктами. Освоив эту базу, дальше можно развиваться в интересующих вас областях. Допустим, компьютерное зрение или обработка естественного языка.
Это неизбежный параллельный процесс, если хочется профессионального роста. Дело в том, что подавляющее большинство задач в индустрии достаточно типичны и заточены под решение целей бизнеса.
Куда я хочу расти
Мне нравится создавать технологии, которые автоматизируют ручную работу. Например, известная в машинном обучении библиотека scikit-learn поделила профессию на «до» и «после»: у разработчиков появились инструменты для быстрой работы с алгоритмами ML.
Еще планирую изучить другие области машинного обучения. И хочу поглубже копнуть в Deep Learning — глубинное обучение, где нейросети способны решать очень сложные задачи. В этой области нынче происходят наиболее интересные в машинном обучении вещи.
Какие ошибки чаще всего допускают новички на старте (и я в том числе)
В самом начале пути хотелось применять как можно больше новых технологий и подходов. Казалось бы, что в этом плохого! Однако на своем опыте скажу, что так делать не стоит.
Пример. Мне нужно было смоделировать поведение данных по одному из банковских продуктов. У разных методов прогнозирования разная точность: среди моделей следует выбирать наиболее быструю и точную. По неопытности я потратил много времени, чтобы создать сложную модель, а в итоге получил то же качество, что и у самых простых.
Вывод. Не надо из кожи вон лезть и стараться сделать нечто сложное и интересное там, где это совсем не требуется. Так я понял, что лучше вести разработку от простого к сложному. Не усложняйте свои задачи до тех пор, пока работают быстрые проверенные методы.
С каким образованием можно устроиться на подобную работу
Формула успеха в Data Science с нулевыми знаниями на старте: интерес к данным + высокая самодисциплина + годный курс, где все систематизировано и разжевано.
Я рекомендую курс от SkillFactory. Это классический путь: Python, математика (линейная алгебра, теория вероятности и статистика, матанализ) и ML. Хорошее освоение этих трех вещей сильно увеличивает шансы найти первую работу. По времени это занимает минимум полгода для тех, кто пришел из технических областей. Совсем с нуля все можно выучить минимум за год, а после — уже смело подаваться на позиции стажера или джуниора.
Вот кратко я пробежался по самому главному для меня в Data Science. Кажется, что при должном упорстве и интересе все получится. Еще раз дублирую ссылку на курс — внутри найдете подробности и сможете оставить заявку. Желаю удачи :)