Из многих маршрутов вы можете продолжить изучение науки о данных и машинного обучения (аспирантура, MOOC, учебные лагеря, самообучение и т. Д.), Которые…

Зачисление в университет (бакалавриат / магистратура, короткие курсы и учебные лагеря)

Из множества маршрутов, которые вы можете выбрать для изучения науки о данных и машинного обучения (аспирантура, MOOC, учебные лагеря, самообучение и т. Д.), Какой из них может вам подойти?

Вхождение в сферу науки о данных — это огромный скачок, и существует так много разных путей, что это может быть ошеломляющим (и обескураживающим) только для начала.

Недавно в этом осеннем семестре я вернулся в аспирантуру с целью развития навыков, которые будут востребованы и ожидаемы от инженеров в самом ближайшем будущем. Я работаю в крупной международной корпорации и недавно был выбран в качестве студента дневной формы обучения по ускоренной магистерской программе с целью помочь объединить функциональные знания (т.е. инженерные навыки и бизнес-знания) с навыками, которые в значительной степени связаны с компьютером и наука о данных. Когда я впервые услышал об этой возможности, я подумал, что это прекрасная возможность помочь изучить все эти навыки более структурированным образом.

В последние годы я работал в своей компании в основном как владелец продукта цифровых и аналитических проектов, работая с заинтересованными сторонами (потенциальными конечными пользователями указанных проектов) и командой разработчиков (в основном состоящей из различных ИТ-специалистов в моей Компания). Я помогал руководить проектами и работать с командами разработчиков, но очень редко вовлекался в основы разработки. Наши рабочие отношения были связаны с передачей знаний и требований для разработки продукта, когда он был запущен, а затем медленно перешел к тестированию, настройке демонстраций и составлению плана по его продвижению в производство. В этой роли мне всегда хотелось узнать, что именно происходит за кулисами ИТ с нашими специалистами по обработке данных и разработчиками программного обеспечения, но я легко потерял голову, когда они начали вникать в сорняки кода, процессов и т. Д. Я знаю, что если бы я хотел быть лучшим менеджером или лидером в этом новом объединенном пространстве, мне нужно было бы узнать больше.

Я хотел поделиться этим фоном о себе, чтобы иметь возможность поделиться:

1. Выделите некоторые плюсы и минусы, которые я видел у некоторых вариантов / маршрутов, которыми вы можете следовать.
2. По возможности поделитесь своими мыслями и предложите помощь.
3. «Сотостраничная книга по машинному обучению» Андрея Буркова.

MOOC (массовые открытые онлайн-курсы)

В наши дни существует множество вариантов предложений MOOC, некоторые из которых предоставляют сертификаты для подтверждения вашего обучения. Ключевым моментом, который я хочу подчеркнуть с помощью МООК, является то, что с их появлением и признанием со стороны компаний, они действительно облегчают бремя прохождения программ на основе степени, чтобы изменить карьеру. Хотя компании могут не смотреть на сертификат MOOC так же, как на четырех- или двухлетнюю степень, если пользователь может продемонстрировать свои знания, полученные с помощью портфолио работ и своего резюме, это очень важно для учащегося. Эффективный и дешевый способ получить новые навыки для дальнейшей карьеры.

Самообучение

МООК, на котором я сосредоточусь и который активно использовал, — это «Coursera». Я пользовался услугами других компаний, но больше всего мне понравился Coursera. У них есть множество классов, тем и специализаций (набор курсов по определенной теме). В Coursera замечательно то, что курсы составляются академическими учреждениями и университетами, профессиональными организациями / учреждениями, а также компаниями (например, Google). Что я считаю хорошим, так это то, что если вы хотите начать развивать свои математические знания для подготовки своей карьеры в области науки о данных, существует множество организаций и учреждений, которые преподают общий материал, а это означает, что если методы обучения вам не подходят вы можете найти другие курсы по той же теме, которые лучше подходят вашему стилю обучения. С помощью MOOC вы можете постепенно углубить свое понимание в любом направлении, в котором вы хотите двигаться в этой новой области (инженерия данных, наука о данных и т. Д.). Вы также можете помочь составить план обучения и запланировать последовательность курсов, чтобы либо быть универсальным, либо сузиться до специализации в определенной области. На самом деле есть много отличных вариантов, поэтому я бы посоветовал любому использовать MOOC, если вы можете. Они действительно занимают много времени, чтобы прочесть лекции, задания и т. Д. Так что будьте очень сосредоточены на том, что вы хотите узнать, и составьте расписание, чтобы выполнить это за определенное количество времени.

Я бы также назвал эту категорию офлайн-обучение, поскольку она не связана с какой-либо структурированной курсовой работой и действительно фокусируется на конкретных концепциях, темах и идеях. Это еще один путь и путь, в котором вы можете принять участие, но он исходит из множества предположений от кого-то, кто пытается освоить новые навыки. Основным плюсом этого является то, что это самый дешевый вариант, но он вызывает больше всего вопросов о том, как двигаться к цели, которую вы действительно не понимаете, где находится финишная черта или где она. Я бы сказал, что вы можете выполнять самообучение в сочетании с другими методами, поскольку они могут помочь. На самом деле существует много хороших текстов, и у меня есть довольно много, я бы сказал, что они очень помогают в изучении науки о данных. Я могу порекомендовать любой учебник О’Рейли действительно хорошо подготовлен, у меня лично есть пара в печатном виде, а также у меня есть доступ (через мою компанию) к их онлайн-порталу почти ко всем их текстам, и я могу сказать, что в целом они действительно хорошо написаны. вместе. Есть другие издатели и писатели, у которых есть несколько очень хороших книг по темам. Предлагаю почитать книги Андрея Буркова. Это очень хорошие обзоры, особенно по машинному обучению и операциям. Краткий список книг, которыми я владею и которые я бы порекомендовал (вы можете видеть, что у меня есть склонность к темам машинного обучения):

Резюме

Еще один способ продолжить самообучение — это просмотр видео на YouTube. Хотя, опять же, вам нужно быть осторожным с легитимностью канала YouTube и видео, все еще существует масса отличных каналов, которые могут помочь вам лучше понять некоторые из сложных концепций, которые существуют. Вот некоторые из каналов, которые мне нравятся:

• Практическое машинное обучение с помощью Scikit-Learn, Keras и TensorFlow »Аурелиен Герон
• Машинное обучение с TensorFlow »Крис Маттманн
• Машинное обучение Андрей Бурков
• Лекционные курсы Массачусетского технологического института — существует довольно много различных курсов, в которых целые лекции в течение семестра доступны бесплатно. Качественные материалы, предоставленные одним из уважаемых университетов США (обратите внимание, что ссылка ведет на канал Александра Амини, хотя быстрый поиск на YouTube предоставит другие варианты)

Я бы сделал оговорку, что самообучение из бумажных / цифровых книг и видео — не лучший способ только начать развивать навыки, необходимые для построения и развития карьеры в области науки о данных. Я действительно считаю, что это очень хороший способ дополнить один из других методов, описанных выше.

• 3Brown1Blue — отличный ресурс по многим из трудных для понимания и абстрактных математических принципов, которые служат основой науки о данных / машинного обучения / искусственного интеллекта. Видео хорошо скомпонованы и используют визуальные эффекты, чтобы объяснить некоторые из тех сложных для понимания концепций.
• GeeksforGeeks. Хотя это в большей степени было бы направлено на курсовые работы по информатике, GeeksforGeeks отлично справляется с объяснением некоторых вопросов, связанных с кодированием, которые у вас могут возникнуть.
• Взаимодействие с людьми — знания, передаваемые / обсуждаемые в этой среде, от профессоров до студентов не имеют себе равных.

Выше я кратко описал три основных подхода, которые можно использовать, чтобы начать свою карьеру, и в основном перечислял их в следующем порядке важности, основываясь на моем опыте. Как уже говорилось, я все еще нахожусь в этом путешествии и ни в коем случае не являюсь экспертом в какой-либо из этих областей, но я думаю, что я видел и потреблял достаточно контента, чтобы иметь хорошее представление о том, что там есть, и о том, что лучше всего за ваши деньги. .

Зачисление в университет

Плюсы:

MOOC (массовые открытые онлайн-курсы)

Минусы:

• Возможности карьерного роста — в большинстве кампусов есть возможности карьерного роста и партнерские отношения со многими компаниями, которые могут помочь вам найти новое направление в вашей новой карьере.
• Учебные лагеря и короткие курсы — более адресная, более быстрая и дешевая альтернатива, чем программы на основе дипломов
• Альтернативные затраты — для традиционной двух- или четырехлетней программы обучения на получение степени необходимо много денег и личного времени.

Плюсы:

• Необходимые предварительные условия — в зависимости от программы вам может потребоваться выполнить предварительные требования для участия в программе (например, стандартизированные тесты, завершенная степень бакалавра и т. Д.)
• Доступность. В наши дни существует так много возможностей, что вся образовательная система, кажется, переворачивается с ног на голову. Так много вариантов и стилей обучения, из которых вы можете продолжить свою карьеру, и все это по значительно более низкой цене, чем оплата в традиционном университете.

Самообучение (на самом деле несравнимо с двумя другими методами, но отличное дополнение)

Минусы:

• Целевая курсовая работа — в зависимости от направления в области науки о данных / машинного обучения / искусственного интеллекта / аналитики / инженерии, которое вы хотите выбрать, существует множество курсов, которые доступны для людей на выбор.
• Партнерство с академическими организациями. Многие университеты имеют партнерские отношения с компаниями MOOC (такими как Coursera), чтобы предоставить вам качественные курсы университетского уровня в легко доступной и дешевой альтернативной форме.
• Дорожная карта — я называю это недостатком, потому что существует так много вариантов, что можно потратить много времени, пытаясь сформулировать план того, чему учиться и какие курсы проходить. Я бы посоветовал, прежде чем начинать какой-либо MOOC, провести небольшое исследование, чтобы определить навыки, необходимые для выбранного вами карьерного пути, а затем попытаться создать структуру курсов, поддерживающих эту цель. Поначалу это может показаться пугающим, но важно убедиться, что вы не крутите колеса, и хотя в МООК могут быть какие-то вещи, предназначенные для этого, уровень понимания каждого человека и их карьерных целей всегда кардинально различаются.

Плюсы:

• Признание достижений — я просто хотел выделить это о МООК. В основном вы посещаете эти курсы, чтобы узнать новые вещи, чтобы иметь возможность применять их в профессиональной среде. Это означает, что завершенный курс в MOOC не будет рассматриваться так же, как, скажем, университетский курс, но если вы воспользуетесь полученными навыками и знаниями и сможете продемонстрировать их через портфолио работ (например, поддержание учетной записи GitHub с новыми проектами) вот где значение.
• Дополнительное обучение — как упоминалось выше, это отличный способ учиться в автономном режиме. Вы можете использовать статические источники данных для поддержки изучаемых вами тем.

Мой опыт и то, как он привел меня туда, где я нахожусь в своей карьере

Минусы:

• Затраты — книги (электронные и бумажные) относительно количества информации, находящейся в них, относительно дешевы. Видео на YouTube бесплатны, что делает этот вариант самым дешевым.
• Руководство. Основная ошибка в использовании самообучения заключается в том, что ваше собственное предвзятое отношение к различным темам может указывать вам направления, которые не являются идеальными или оптимальными для вашего времени.

Если у вас есть какие-либо вопросы о моем путешествии или у вас есть какие-либо советы, не стесняйтесь прокомментировать эту статью или отправить мне сообщение в Twitter.

• Отсутствие взаимодействия — учиться самому себе сложно! Если вы не понимаете концепцию, иногда это то, что мы прячем под ковер и идем дальше, и вы не понимаете полностью некоторые представленные концепции.
• Традиционный метод обучения, позволяющий людям получить новые навыки и сделать карьеру, — это поступить в классический университет и получить степень. Степень обычно является индивидуальной вехой, которую компании и организации принимают как подтверждение того, что кто-то приобрел навыки, необходимые для достижения успеха. По этой причине эти типы программ по-прежнему пользуются большой популярностью среди тех, кто может позволить себе время и деньги, необходимые для их завершения. В настоящее время я прохожу ускоренную программу по информатике со специализацией в области науки о данных. Мне очень повезло, что компания, в которой я работаю, выбрала меня на эту должность и покрывает стоимость программы и позволяет мне находиться в творческом отпуске, пока я не завершу программу. Я бы сказал, что одним из самых больших преимуществ этого режима обучения является интерактивное обсуждение с профессорами и одноклассниками, а также обсуждение общих ловушек ошибок, полезных советов и налаживания связей. Хорошим примером этого является то, что до запуска моей программы я бы в значительной степени полагался на такие сайты, как stackoverflow.com, Github, а также на статьи Medium, чтобы попытаться решить кодирование и / или проблемы с вещами, которые я изучал. Одна вещь, которую новичок (который использует эти источники как неоспоримую истину) может изначально не понять, что не весь контент создается одинаково, а это означает, что на этих сайтах размещается много ошибочных и далеко не идеальных вещей, поскольку это краудсорсинг для решения . Обучение из надежных и надежных источников, таких как профессора и курсовая работа, помогло мне научиться лучше искать (и интерпретировать) эти сайты и научиться понимать, имеет ли это смысл и действительно ли это поможет мне с моей проблемой. . Другой пример: проходя онлайн-курс или занимаясь программированием самостоятельно, вы можете почувствовать себя немного самоуверенным в том, в чем заключаются ваши настоящие компетенции. В течение долгого времени я чувствовал, что делаю большие успехи, но на самом деле не понимал многих основных вещей о базовом языке Python, скорее, я был действительно хорош в импорте пакетов и вызове функций. Когда меня поместили в традиционную классную комнату с заданиями, я быстро понял, что мне нужно сосредоточиться на базовых вещах, чтобы я мог писать сценарии и кодировать более эффективно. Это всего лишь несколько примеров того, как, по моему мнению, традиционный университетский маршрут может быть полезным, но он стоит дорого как за деньги, так и за время, необходимое для завершения. Есть и другие варианты, например, ученая степень, если у вас уже есть степень STEM (и все еще стоит значительную сумму денег, но меньше времени, чем степень бакалавра). Кроме того, существуют ускоренные программы без получения степени, такие как учебные лагеря и другие короткие курсы для получения сертификатов, на которые вы можете записаться и пройти. Это также дает множество вариантов, чтобы пойти по этому пути. Многие известные университеты, такие как Гарвард, Калифорнийский университет в Беркли и Массачусетский технологический институт, предлагают какой-то учебный лагерь и / или онлайн-программу на получение степени, которую вы можете пройти. Исходя из собственного опыта, я хотел бы верить, что это наиболее эффективный метод обучения благодаря дополнительному взаимодействию, которое вы получаете с людьми, и возможностям построения сетей, но за это приходится платить.

Как лучше всего подготовиться к карьере в области науки о данных / машинного обучения?