czy opłaca się zmienić wektor na machine learning i tym podobne? np stack typu Python+Keras Tensorflow lub PyTorch i cos z data science Troche mialem tego na studiach, niestety nie jakos duzo bo to nie moja specjalizacja, ale calkiem mi sie to spodobalo i koniunktura zmierza w tym kierunku. Problemem wydaję się tylko czy jest to w ogóle do nauczenia "w domu" tak jak to robili bootcampowicze i przysiadali do projektów? Przecież w ML jest mnóstwo matmy i skomplikowanych, naukowych zagadnień.
@BreathDeath: Nie warto, przez 6 lat pracy wykorzystywałem może 20 procent tego co robiłem w wolnym czasie i się uczyłem. Nic tak Ci nie da boosta jak robota w firmie gdzie faktycznie się czegoś używa. Nauka samemu jest spoko, ale to takie bardziej oglądowe.
@BialyCrossaintXDDL: @BreathDeath: Teraz to już nie te czasy że brano bo "coś tam się robi". Mnie tak kiedyś jak była jeszcze "hossa" z racji że jestem Java Developerem chciano rekrutować na Scala Developera, FullStacka (Angular) i za każdym razem mi mówiono że mnie przyuczą. Teraz nie wiem czy jest taki rynek pracy, że firma byłaby w stanie kogoś wziąć i np. mieć amortyzację w postaci $$ by pozwolić
@Sz23_: A jak to wygląda w sektorze AI/ML, bo mało o tym informacji. Większość (w tym ja) siedzą w typowo biznesowych sprawach - mikroserwisy, crudy, architektury, cloudy itd.
I tutaj sprawa jest jasna - koniec pracy dla entry level, w niedalekiej przyszlosci midzi i slabi seniorzy zagrożeni. Natomiast jak wygląda rynek AI/ML - czy tam też są tak bardzo surowi jak w tych co powyżej, czy wystarczy się chociaż wykazać
Natomiast jak wygląda rynek AI/ML - czy tam też są tak bardzo surowi jak w tych co powyżej, czy wystarczy się chociaż wykazać podstawową wiedzą i dadzą na juniora?
@BialyCrossaintXDDL: Wydaje mi się że ciężko kogoś bez doświadczenia zatrudnić patrząc na rynek pracy. No chyba że masz stanowiska na Juniora.
Zdecydowanie warto, nawet w celach hobbystycznych i poznawczych. GPT-4 bardzo dobrze ogarnia Python i Pytorch, co będzie szalenie pomocne w budowie prostych modułów, np. finetuning modeli bazowych. Warto wybrać publikację z dostępnym kodem źródłowym i spróbować powtórzyć eksperyment.
Przecież w ML jest mnóstwo matmy i skomplikowanych, naukowych zagadnień.
Łatwiej iść ścieżką applied ML. Podobnie jak w informatyce 20-30 lat temu, tylko niektórzy mieli potencjał i wiedzę żeby budować kompilatory czy algorytmy
czy opłaca się zmienić wektor na machine learning i tym podobne? np stack typu Python+Keras Tensorflow lub PyTorch i cos z data science
Troche mialem tego na studiach, niestety nie jakos duzo bo to nie moja specjalizacja, ale calkiem mi sie to spodobalo i koniunktura zmierza w tym kierunku. Problemem wydaję się tylko czy jest to w ogóle do nauczenia "w domu" tak jak to robili bootcampowicze i przysiadali do projektów? Przecież w ML jest mnóstwo matmy i skomplikowanych, naukowych zagadnień.
I tutaj sprawa jest jasna - koniec pracy dla entry level, w niedalekiej przyszlosci midzi i slabi seniorzy zagrożeni.
Natomiast jak wygląda rynek AI/ML - czy tam też są tak bardzo surowi jak w tych co powyżej, czy wystarczy się chociaż wykazać
@BialyCrossaintXDDL: Wydaje mi się że ciężko kogoś bez doświadczenia zatrudnić patrząc na rynek pracy. No chyba że masz stanowiska na Juniora.
Łatwiej iść ścieżką applied ML. Podobnie jak w informatyce 20-30 lat temu, tylko niektórzy mieli potencjał i wiedzę żeby budować kompilatory czy algorytmy