Kto z tagu #datascience faktycznie pracuje jako "naukowiec danych" (czyli według mnie bardziej nacisk na dane niż sama umiejętność korzystania z api algorytmów machine learning i jako takie je rozumienie - chociaż to oczywiście również) ? Czy jest osoba która przepoczwarzyła się z programisty w data scientist ? Na jakim faktycznie poziomie wymagana jest wiedza z statystyki i prawdopodobieństwa? Znalazłem taki learning plan - może ktoś rzucić okiem i ocenić czy wartościowy?
Ja pracuje w tych okolicach, a co do statystyki to musisz wiedzieć kiedy i jakie testy zastosować, jakie założenia muszą być do nich spełnione tutaj jest dużo roboty, zresztą nawet dopasowania różnych modeli które uzyskujesz są testowane za pomocą metod statystycznych.
@LeopoldStuff: Koncept tej dziedziny jest na tyle świeży, że potencjalni klienci/pracodawcy, dopiero teraz zaczynają rozumieć że mogą kogoś/czegoś takiego potrzebować. Więc jeśli chodzi o "wymagania" to raczej musisz się popisać swoimi dokonaniami, i przekonać klienta/rekrutera że "umisz". Ten learning plan całkiem spoko, ale ja raczej stawiałbym głównie na praktyke/projekty. Tu ważna jest wyrobiona intuicja, co zadziała, a co nie, a co zadziała lepiej.
@LeopoldStuff: Buduje modele ryzyka oparte o analizie danych. Karty scoringowe, modele jak PD, LGD, EAD czy jakies inne optymalizacje portfeli kredytowych i inwestycyjnych. Obecne stanowisko: Manager w Credit Risk Department. Wymagana wiedza statystyczna jest znikoma. Wystarczy rozumieć koncept. Statystyka w biznesie jest na najprostrzym poziomie czyli albo regresja liniowa/logistyczna, albo Kołmogorow-Smirnow albo Anova. Czyli zwykłe testowanie hipotez. Podstawy statystyki w ogóle nie są potrzebne. Wystarczy, że działa i wszyscy są zadowoleni.
@Miszka_Fisznan: Właśnie w aspekcie czystej wiedzy biznesowej a nie technicznej mam wątpliwość. Chciałbym spróbować przebranżowić się z programisty na data scientist bo wydaję mi się to ciekawsze i o ile wiedzę matematyczno/algorytmiczną można przyswoić bo jest ona ogólnie dostępna to z wiedzą biznesową już nie jest tak łatwo. Tym bardziej, że wydaje mi się, że specyfika danego stanowiska data science jest mocno powiązana z rodzajem biznesu w którym się pracuje (a
@LeopoldStuff: Pracuję nad oprogramowaniem do analizy danych satelitarnych. Statystyka i machine learning w satelitach mało się przydają. ESA stawia na sprawdzone, klasyczne metody. Jakieś grupowanie, box plot, średnie kroczące.
Co innego same modele do wytworzenia danych. Tutaj bez algebry liniowej i analizy matematycznej nawet nie masz co zaczynać. Równania różniczkowe cząstkowe, SVD, kwaterniony.
Tak więc wszystko zależy od projektu. Wbrew powszechnej opinii, najlepsi ludzie od data science mają dużo wiedzy branżowej
@biwalencik: Równania różniczkowe cząstkowe (i ogólne) - lubiłem na studiach Z dekompozycjami macierzy też miałem trochę do czynienia. Kwaterniony - robiłem zaawansowany nieliniowy filtr kalmana do wyznaczania położenia kątowego oparty na kwaternionach i zachowujący symetrię względem obrotu. ( ͡°͜ʖ͡°)
@biwalencik: 'Niestety' tylko .Net a niżej to kiedyś trochę samo C, python pewnie niedługo też dołączy do protfolio :). Pracy jako takiej nie szukam - no chyba, że ktoś od razu zaproponuje stanowisko data scientist mimo braku doświadczenia ;) bo w tym kierunku chciałbym pójść. Ale widzę, że u was też ciekawe rzeczy się robi. ( ͡°͜ʖ͡°)
@LeopoldStuff: Specyfika danego biznesu jest najważniejsza. Nawet jako data scientist specjalizujesz się w danej branży. Jako dobry programista zaprogramuejsz wszystko, ale jeśli chcesz być być dobrym data scientist to musisz posiedzieć z 5 lat w danej branży, bo musisz zaprojektować całe rozwiązanie, a bez szerokiej wiedzy biznesowej tego nie zrobisz. Plus jest taki, że brakuje ludzi i jak się wdrożysz to szybko awansujesz. Praca sama w sobie potrafi być bardzo interesująca.
Bardzo proszę o ciepłe słowa. Zawaliłem uczelnie, mam długi i jestem na najniższym punkcie życia, boję się jutro obudzić. Jeśli ktoś z szerszą perspektywą może popisać byłbym wdzięczny.
Czy jest osoba która przepoczwarzyła się z programisty w data scientist ?
Na jakim faktycznie poziomie wymagana jest wiedza z statystyki i prawdopodobieństwa?
Znalazłem taki learning plan - może ktoś rzucić okiem i ocenić czy wartościowy?
Co innego same modele do wytworzenia danych. Tutaj bez algebry liniowej i analizy matematycznej nawet nie masz co zaczynać. Równania różniczkowe cząstkowe, SVD, kwaterniony.
Tak więc wszystko zależy od projektu. Wbrew powszechnej opinii, najlepsi ludzie od data science mają dużo wiedzy branżowej
Równania różniczkowe cząstkowe (i ogólne) - lubiłem na studiach
Z dekompozycjami macierzy też miałem trochę do czynienia.
Kwaterniony - robiłem zaawansowany nieliniowy filtr kalmana do wyznaczania położenia kątowego oparty na kwaternionach i zachowujący symetrię względem obrotu. ( ͡° ͜ʖ ͡°)
Ale widzę, że u was też ciekawe rzeczy się robi. ( ͡° ͜ʖ ͡°)