मैंने डेटा साइंस की पढ़ाई कैसे की

मेरा नाम अज़ात ब्युलक्कुलोव है। मैं फिनटेक कंपनी आईडी फाइनेंस में एक जोखिम विश्लेषक के रूप में काम करता हूं। मैंने एनालिटिक्स के साथ शुरुआत की, जोखिम, विपणन और वित्त विभागों के लिए रिपोर्ट बनाई। हमारी अपेक्षाकृत छोटी कंपनी में, मुझे सभी विभागों के साथ बातचीत करनी थी। नतीजतन, मैं एक विविध पेशेवर अनुभव प्राप्त करने में कामयाब रहा। मैंने वित्त के लिए भंडार की गणना में भाग लिया, ए / बी परीक्षणों में प्रदर्शन की तुलना, विपणन के लिए खंडित ग्राहक, आदि। एक साल से भी कम समय में, मैं स्कोरिंग कार्ड के विकास में शामिल हो गया। और मुझे एहसास हुआ कि मैं डेटा विश्लेषण और प्रसंस्करण को बेहतर ढंग से समझना चाहता हूं।




ग्राहक की चूक की भविष्यवाणी करने के लिए हमने क्लासिक लॉजिस्टिक रजिस्टेंस का इस्तेमाल किया। हमारे डेटा के स्रोतों में से एक वित्तीय लेनदेन है, जो यदि वांछित है, तो ग्राहक हमें पहुंच प्रदान करते हैं। उनके साथ काम करना एक रचनात्मक दृष्टिकोण की आवश्यकता है, क्योंकि डेटा के इस भंडार से बहुत सारी उपयोगी जानकारी निकाली जा सकती है। जैसा कि मैंने बाद में सीखा, इस प्रक्रिया को फीचर इंजीनियरिंग कहा जाता है। इसने मुझ पर कब्जा कर लिया - मुझे डेटा साइंस में और भी दिलचस्पी हो गई।

अन्य विभागों के साथ काम करते हुए, मैंने देखा कि एमएल लगाने की गुंजाइश बहुत अधिक है। डीएस में मेरी रुचि में कम से कम भूमिका इस तथ्य से नहीं निभाई गई थी कि हम भारी एसएएस-ई में विकसित हो रहे थे। इसमें सबसे सुविधाजनक इंटरफ़ेस और अधूरी कार्यक्षमता नहीं है। मैं अधिक लचीले टूल के साथ काम करना चाहता था।

मैंने महसूस किया कि डेटा विज्ञान का आत्म-अध्ययन, उदाहरण के लिए, कोर्टेरा में, दृढ़ इच्छाशक्ति और आत्म-अनुशासन की आवश्यकता है, जो मेरे पास पर्याप्त नहीं है। इसलिए, मैंने ऑनलाइन पाठ्यक्रमों की ओर देखना शुरू किया, लेकिन व्याख्यान, चर्चा और होमवर्क के साथ "लाइव" पाठ्यक्रम।

मैंने अपने पर्यवेक्षक को उस दिशा के बारे में काम करने की जानकारी दी जिसमें मैं विकास करना चाहता हूं। प्रबंधन मुझसे मिलने आया, और पाठ्यक्रमों के लिए भुगतान करने की पेशकश की, और बाद में होल्डिंग के अंदर डेटा साइंस विभाग में चला गया।

इसलिए, मैंने पाठ्यक्रम चुनना शुरू कर दिया। उत्सुकता से, ऑनलाइन पाठ्यक्रम डीएस शैक्षिक बाजार में प्रबल होते हैं। मॉस्को में भी गंभीर पाठ्यक्रमों का एक बड़ा चयन नहीं है, "हम आपको 21 दिनों में डेटा विज्ञान सिखाएंगे" की शैली में नहीं है। मैं समझ गया कि गुणवत्ता प्रशिक्षण कम से कम छह महीने तक चलना चाहिए। मैंने यांडेक्स एसएचएडी पर विचार नहीं किया, क्योंकि इसके लिए कुल विसर्जन और दैनिक गतिविधियों की आवश्यकता होती है। पूर्णकालिक काम करना, शैक्षिक सामग्री को उच्च-गुणवत्ता वाले तरीके से अवशोषित करना और संसाधित करना मुश्किल होगा। आगे देखते हुए, मैं कहता हूं कि चुने हुए पाठ्यक्रम में मुझे अध्ययन के लिए समय की समस्या थी, मुफ्त का उल्लेख नहीं करना था। नतीजतन, मैं छह महीने तक चलने वाले लोकप्रिय स्कूलों में से एक के डेटा साइंटिस्ट कोर्स में रुक गया: डिप्लोमा लिखने के लिए 5 महीने का गहन प्रशिक्षण + एक महीना।

कोर्स के बारे में

प्रशिक्षण की लागत लगभग 200,000 रूबल है। कई कक्षाएं थीं - सप्ताह में 3 बार 3 घंटे के लिए। लगभग 2 में से 3 कक्षाओं के बाद होमवर्क होता था। कार्यक्रम शास्त्रीय था और इसमें मशीन लर्निंग, सिफारिश प्रणाली, छवि मान्यता, मशीन दृष्टि, प्रकृति भाषा प्रसंस्करण (एनएलपी), समय श्रृंखला के बुनियादी तरीकों को शामिल किया गया था। इसके अलावा कई हैकथॉन और एक डिप्लोमा उन लोगों के लिए थे जो न्यूनतम आवश्यक राशि गृहकार्य को सौंप देंगे।



बॉमस्काय में कक्षाएं आयोजित की गईं, समूह में 30 लोगों को नामांकित किया गया था, लेकिन वे लगातार 15-20 चले। मैंने सप्ताह के दिनों और शनिवार को 10:00 से 13:00 तक दो बार अभ्यास किया। यह उत्सुक है कि विभिन्न क्षेत्रों के लोग, जरूरी नहीं कि आईटी से संबंधित हों, पाठ्यक्रमों में आए। हां, सामने / बैकएंड डेवलपर्स थे, लेकिन पाठ्यक्रम का आधा उत्पाद / व्यवसाय या जोखिम विश्लेषण से संबंधित था। और लगभग सभी के लिए, इन पाठ्यक्रमों का मतलब था पेशे में बदलाव। कुछ लोग आए क्योंकि अब डेटा साइंस के आसपास एक निश्चित प्रचार है, अन्य अपनी वर्तमान गतिविधियों से ऊब चुके हैं, जबकि अन्य अपने काम में डीएस का उपयोग करने की योजना बनाते हैं। लगभग सभी ने अपने स्वयं के प्रशिक्षण के लिए भुगतान किया, इसलिए ब्याज का स्तर काफी अधिक था।

मेरे इंप्रेशन

यह सब अजगर, डेटा विज़ुअलाइज़ेशन में बुनियादी ज्ञान और प्रोग्रामिंग कौशल के साथ शुरू हुआ। फिर हमने एक सरपट पर स्विच किया और एक पाठ में एक मशीन सीखने की विधि का पालन करना शुरू किया: महत्वपूर्ण पेड़, रैखिक / उपस्कर प्रतिगमन, यादृच्छिक वन, संवर्द्धन। व्यक्तिगत रूप से, मुझे लगता है कि इन क्लासिक तरीकों को सीखने में अधिक समय लगता है।

मुझे क्या अच्छा लगा?

• हमने मशीन सीखने के लगभग सभी आधुनिक तरीकों और तरीकों का अध्ययन किया।
• फीचर इंजीनियरिंग पर एक अलग ब्लॉक था - 3 सबक। यह उपयोगी जानकारी है, लेकिन, दुर्भाग्य से, व्याख्याता ने इस भाग को सर्वोत्तम तरीके से नहीं पढ़ा।
• होमवर्क का हिस्सा कागल प्रतियोगिता से था। परिणाम सबमिट करने के बाद, आप अपनी स्थिति देख सकते हैं। उसके बाद, आपके मॉडल को बेहतर बनाने, इसके मापदंडों को समायोजित करने, और न केवल "नरक" पर होमवर्क करने के लिए एक प्रेरणा थी।
• सिफारिश प्रणाली, एनएलपी और कंप्यूटर दृष्टि पर गहराई से पाठ्यक्रम थे, जिनमें से प्रत्येक में 6-8 कक्षाएं थीं। और, मेरी राय में, सबसे अच्छे व्याख्याता थे।
• कंप्यूटर दृष्टि और समय श्रृंखला पर ब्लॉक के बाद, 2 हैकथॉन थे।

यह एक बहुत उपयोगी व्यायाम निकला। कम से कम समय में स्वीकार्य परिणाम प्राप्त करने की आवश्यकता है और मस्तिष्क को पूरी तरह से लोड करता है। साथ ही, एक टीम में काम करते समय, आप अन्य लोगों के दृष्टिकोण को देखते हैं।

• मेरे व्यक्तिगत खाते में एक छात्र रेटिंग थी, जहां मैंने होमवर्क में अपने सहपाठियों की प्रगति देखी। यह मददगार था। चूंकि ब्रेक के दौरान मैंने "नर्ड" से संपर्क किया और पूछा कि उन्होंने यह या उस होमवर्क को कैसे बनाया।
• "लाइव" व्याख्यान का लाभ पाठ के दौरान प्रश्न हैं।
• दर्शकों में, व्याख्याता के निर्देश पर, हमने अजगर में तुरंत छोटे अभ्यास किए
• छात्र समुदाय - सहपाठियों के साथ संवाद, विचारों का आदान-प्रदान, दूसरों से उनकी प्रेरणा और उनके लिए ब्याज के क्षेत्रों के बारे में सुनना दिलचस्प था।

क्या पसंद नहीं आया?

• मुख्य विधियों के अवलोकन में उच्च घनत्व - प्रति विधि केवल एक पाठ।
• सामान्य तौर पर, मुझे सप्ताह में 2 कक्षाएं चाहिए, न कि 3. व्यक्तिगत रूप से, मेरे लिए, अध्ययन कठिन था, मैंने अपना लगभग सारा खाली समय खा लिया। मेरे सहपाठियों का हिस्सा, मेरी ईर्ष्या के लिए, काम पर अध्ययन कर सकता था।
• अज्ञात कारणों से, यूनिट को एनएलपी के माध्यम से स्थानांतरित किया गया और कंप्यूटर विज़न (सीवी) के लिए आयोजित किया गया। परिणामस्वरूप, एनएलपी में, हमें तंत्रिका नेटवर्क का उपयोग करना पड़ा, जिसे केवल सीवी के संदर्भ में अधिक विस्तार से वर्णित किया गया था।
• बहुत कम शैक्षणिक क्षमताओं वाले व्याख्याता थे। इसके अलावा, उन्होंने समय पर होमवर्क की जांच नहीं की।

डेटा साइंस का दायरा हाल ही में बढ़ा है।

कुल मिलाकर

मेरे पास 5 महीने का गहन प्रशिक्षण था, जहां मैंने एमएल की दुनिया में काफी गहराई तक पहुंचाया। मैंने पायथन में डेटा प्रोसेसिंग लिखना, उन्हें कल्पना करना, विभिन्न मॉडलों का निर्माण करना सीखा। तंत्रिका नेटवर्क, वर्गीकृत छवियों का उपयोग करके पाठ भी उत्पन्न किया।
मुझे लगता है कि मुझे शुरुआत करने का अच्छा अनुभव मिला। मेरे डिप्लोमा संरक्षक ने कहा कि हमारा ज्ञान एक मध्यम डेटा वैज्ञानिक द्वारा खींचा गया है, और एक जूनियर द्वारा अनुभव। खैर, हम कुछ महीनों में देखेंगे। चूंकि मैं दो सप्ताह के लिए हमारी कंपनी के डेटा साइंस विभाग में जाता हूं।