Об учебной нагрузке
На сайте MADE пишут про нагрузку в 15-20 часов в неделю. Как шутили коллеги в чатике «15-20 часов в неделю — это если вы уже всё знаете». У меня в 1-м семестре уходило в районе 25-30 часов. Сейчас — в районе 20-25 часов в неделю.
Допустим, мы сдаем минимум, 3 предмета. Можно посчитать:
- 3 лекции и 3 практических занятия по 3-м предметам — это уже минимум 9 часов в неделю
- Домашка по каждому занимает совсем не 2 часа. По алгоритмам было такое, что я сидел по 15-20 часов только над одной задачей. Но даже если вы — молодец и будете тратить на ДЗ по каждому предмету всего 5 часов в неделю (что маловероятно), выйдет 15 часов.
- Сопутствующее обучение. К примеру, мне пришлось быстро выучить основы C++, чтобы сдавать алгоритмы.
9 + 3 • 5 = 24 часа. В неделю. Это уже ближе к реальности.
Из плюсов большого объема учебы кроме знаний и навыков:
- Никаких экзистенциальных кризисов. Точно понятно, куда будет уходить ВСЁ свободное время в ближайшие 1.5 года.
- Сильно упало экранное время в телефоне
- Перестал смотреть сериалы.
- Начал медитировать. Надо же как-то компенсировать хронические недосыпы.
Учиться сложно. ДЗ много, предметов — 3+. Кто-то выбирает «путь самурая» и берет 4. Я сдал в 1-м семестре 4 предмета и больше такой подвиг морально не готов повторять.
Несмотря на то, что после вступительных с хорошим конкурсом кто попало поступить не мог, первый семестр «пережили» не все. Алгоритмы и структуры данных (обязательный в 1 семестре предмет) сдала примерно половина. Остальные, вроде как, дальше не пошли.
Было непросто, но с 1-м семестром справился. Притом, хорошо.
Если резюмировать по нагрузке — это отличный вызов, который я искал.
Преподаватели
Они не только просто классные, но и крутые спецы в своем деле. Спасибо им огромное за терпение и желание научить. К тому же, в том, чтобы проверить 80-100 довольно больших работ на каждое ДЗ и персонально дать комментарии каждому студенту, есть некоторая доля героизма.
Очень здорово, что большинство преподавателей умеют доносить сложные вещи просто и понятно. Лично мне больше всего запомнились Радослав Нейчев (вот и вот пару его курсов по ML в МФТИ), Сергей Николенко (его канал с лекциями и книга «Глубокое обучение» про нейросети), Даниил Лысухин и Михаил Хальман. Но это — скорее личные предпочтения. Все преподаватели по своему крутые
Управление
Специалист по цифровой трансформации
По данным техмедиа IDC, в 2023 году больше 50% всех расходов в сфере IT бизнес направит на цифровую трансформацию. Чтобы конкурировать на рынке, корпорациям и производствам понадобятся руководители цифровой трансформации, которые не просто принесут в текущий бизнес IT-инструменты, но построят новые процессы.
Чем занимается специалист по цифровой трансформации
CDTO составляет стратегию цифровой трансформации компании. Специалист изучает текущие бизнес-процессы и смотрит, где их можно оптимизировать, добавив технологии. Также CDTO изучает опыт успешных компаний и смотрит, какие уже проверенные решения можно применить в проекте. Чтобы оценить эффективность стратегии, CDTO запускает пилотные проекты в компании, проверяет и корректирует стратегию по их итогам. Конечный результат работы специалиста по цифровой трансформации ― документ со стратегией и дорожной картой изменений.
Средняя зарплата CDTO в России ― 600 тыс. рублей, в крупных компаниях ставка может достигать 1 млн рублей. Откуда такие цифры? Специалист по цифровой трансформации ― это по сути руководящая должность, на ней нужно работать с людьми, бизнес-процессами и одновременно разбираться в технологиях. CDTO полностью трансформирует работу компании, а прибыль от изменений в разы превышает вложения в работу специалиста. Кроме того, таких специалистов, как правило, ищут для крупных нефтегазовых корпораций, промышленных производств и банков.
Почитать о профессии
- Руководитель цифровой трансформации бизнеса: кто это, зачем нужен бизнесу, как им стать
- Что такое стратегия цифровой трансформации
- Зачем бизнесу цифровая трансформация в 2022 году и каких специалистов ждут в отрасли
Продакт-менеджер
Рекрутинг-сайт Glassdoor включил продакт-менеджера в десятку лучших профессий в США в 2022 году. При подсчете рейтинга учитывают зарплаты, количество вакансий и удовлетворенность работой. Пока есть потребность в продуктах, будь то программа или приложение, гаджет или другой товар ― потребность в продакт-менеджерах сохранится.
Чем занимается продакт-менеджер
Продакт-менеджер работает на стыке исследования и управления. Он отвечает за то, чтобы исследовать рынок и конкурентов, сгенерировать идеи для продукта, выбрать наиболее жизнеспособные и проверить их потенциал. Далее продакт-менеджер контролирует разработку, тестирование, маркетинговую стратегию и запуск продукта на рынок. После релиза продакт-менеджер работает с обратной связью от пользователей и составляет рекомендации, чтобы улучшить продукт.
Почитать о профессии
- Кто такой продакт-менеджер и чем он занимается
- Самые востребованные навыки продакт-менеджера в 2022 году
- Какие сейчас перспективы у продакт-менеджеров
2017: Высшая школа экономики будет обучать Data Culture на всех программах бакалавриата
НИУ ВШЭ первым из российских университетов начнет формировать компетенции по Data Science у всех студентов, обучающихся на программах бакалавриата. В рамках проекта Data Culture расширится набор дисциплин и появятся образовательные треки по анализу больших данных.
Data Culture – это общий термин для обозначения навыков и культуры работы с данными. Высшая школа экономики считает, что запуск проекта, направленного на воспитание у студентов таких навыков, сейчас актуален из-за огромного потенциала использования больших данных и трансформации профессий, которые, так или иначе, используют или могут использовать большие массивы информации. Потребность рынка в специалистах с компетенциями по анализу данных, перерастает в необходимость воспитания во всех предметных областях профессионалов, понимающих возможности и ограничения массивов данных, потенциал и особенности методов машинного обучения, а в ряде направлений и умеющих пользоваться этими технологиями и инструментами.
Проект Data Culture станет продолжением интеграции в образовательные программы НИУ ВШЭ элементов, направленных на воспитание у студентов культуры и умений работы с данными. Он расширит возможности студентов уже абсолютно всех образовательных программ по формированию компетенций, связанных с Data Science. Это позволит выпускникам в перспективе быстро и эффективно интегрироваться в решение профессиональных задач на стыке предметных областей и компьютерных технологий, которые сегодня являются передовыми, но уже в ближайшей перспективе станут привычной практикой.
Проект включает разработку отдельных курсов по Data Science так или иначе кастомизированных под специфику образовательных программ, а также формирование специализированных образовательных треков из таких курсов с разной степенью сложности: начального, базового, продвинутого, профессионального и экспертного уровней. Это связано с большим разнообразием образовательных программ, студенты которых дифференцированы по базовым компетенциям в сфере математики и информатики. Для программ или их блоков будет предложена система курсов Data Culture в определенной вилке «сквозного уровня продвинутости». Более того, эти системы курсов определятся спецификой предметных областей.
Внедрение дисциплин Data Culture будет происходить поэтапно. В 2017/2018 учебном году будут включены в учебные планы обязательные и элективные курсы по направлению Data Science для части образовательных программ, но таковых будет более половины. Например, у студентов-гуманитариев, юристов и дизайнеров появится вводный курс по цифровой грамотности, программы экономистов дополнятся дисциплиной по машинному обучению, политологов – анализу социальных сетей, у статистиков появится курс по программированию и извлечению и анализу интернет-данных. С 2018 года к проекту примкнут все образовательные программы.
Для реализации проекта Data Culture предполагается привлечение преподавательского состава как из академической среды (преподаватели факультета компьютерных наук, сотрудники департамента математики факультета экономических наук и общеуниверситетской кафедры высшей математики и т.д.), так и из индустрии (участники сообществ по анализу данных, участники тематических мероприятий по анализу данных, проводимых в IT-компаниях). Более того, преподаватели факультетов, которые уже погружены в работу с данными в рамках своей профессиональной деятельности, также будут разрабатывать курсы в рамках проекта Data Culture для студентов своих и смежных факультетов.
Вступительные экзамены
Все, чему я учился эти 6 месяцев в библиотеке, пригодилось. И алгоритмы, и машинное обучение, и конечно, математика.
- Онлайн-тестирование по математике. Задачи от простых из матанализа, которые можно решить даже «на глаз», до сложных, где пришлось расписать, к примеру, неоднородный дифур 2-го порядка. Как-то решил все. До сих пор не уверен, что правильно.
- Тестирование по алгоритмам. Оно оказалось сильно проще, чем я ожидал. Первые 3 задачи можно было решить просто исходя из здравого смысла, а для 4-й уже понадобилось уметь обходить деревья. Конечно, потом (при учебе) такие странные решения, хоть они и давали правильный ответ, преподаватели просто не приняли бы. Но здесь была оценивающая система, и я умудрился сдать все 4 задачи. Сдавал на Python.
- Необязательный этап. Соревнование по анализу данных, чтобы набрать дополнительные баллы. Конечно, я участвовал в нем тоже. В отличие от тестов, здесь времени было не несколько часов, а 14 дней. В итоге, закончил его на 30 месте из 527 человек.
Так я поучаствовал в своем первом соревновании по анализу данных и машинному обучению. И как не странно, не на Kaggle. Место 30 / 527
И 30 сентября мне пришло письмо. До последнего не верил, что пройду. Я был очень рад
Вот к этому письму я шел полгода
Как потом узнал, на очное был конкурс в районе 10 человек на место. А на дистанционное (куда поступал я), 32 человека на место. Иначе как упорство и удача я свой результат назвать не могу.
В этом году, судя по инфе на сайте, поступление будет похожим. За исключением двух моментов:
- Конкурс будет один и тот же для очников и дистанционников. Это очень хорошо для тех, кто планирует учиться удаленно.
- Для части людей будет дополнительное онлайн-собеседование.
Почему не платные курсы?
Потому что задача MADE — подготовить востребованных на рынке специалистов, в том числе для Mail.ru. Потому что обучение будет сложное: не все потянут и их не будут подтягивать. Потому что будут учить не тому, что большинство сможет освоить, а тому, что сейчас нужно рынку. Потому что это просто эффективно. Но я понимал, что за эту эффективность придется платить всем свободным временем, нервами и сном. И был к этому готов.
Платные курсы — намного более мягкий вариант. Берут туда почти всех. Проведут за ручку, все объяснят, отстающим помогут. Будет проще. Требования ниже. Сходимость к концу курса большая: подозреваю, в районе 70-80% учеников «доживает» или даже больше. Не это не «путь самурая», как потом сказал мой коллега по MADE, Михаил
Хотя если бы у меня было свободных 10-15 часов в неделю, и я не мог бы себе позволить учиться фулл-тайм полгода в библиотеке, то платные курсы были бы хорошим выходом.
Управлять посещаемостью занятий
Всеми данными о студентах, которые используются в системе МГПУ, вузы обычно владеют по умолчанию. Марина Лапенок из Уральского государственного педагогического университета представила на конференции модель прогноза посещаемости, основанную на более личной информации об индивидуальных поведенческих особенностях студентов.
Чтобы узнать, будет ли студент (или целая группа) посещать занятия по определённому предмету, недостаточно знать его предыдущие оценки. Среди показателей в системе УрГПУ — темперамент студента, наличие у него работы, пересечение сферы его интересов с выбранной дисциплиной и многое другое. Эту информацию исследователи получили в результате анкетирования. Экспериментируя с новой системой, в университете выявили: лучше всего посещаемость предсказывают мотивация к учёбе и умение организовать себя. Этот вывод открывает возможности развития инструмента, рассказала Лапенок:
«Дальнейшее обучение нейросети позволит реализовать, например, выработку рекомендаций по развитию качеств студентов и формированию расписания, способствующих улучшению посещаемости занятий».
Фото: BoxerX / Shutterstock
Пока разработка УрГПУ — это выпускной проект одной из студенток бакалавриата. Модель строили и проверяли на данных её курса. Возможно, в перспективе вуз сможет внедрить подобные измерения полномасштабно.
От описаний к предписаниям: 3 примера Big Data аналитики в ВУЗах
В 2013 году английский Университет Ноттингем Трент внедрил интерактивную систему дескриптивной аналитики студенческих результатов в виде панели мониторинга, которая показывала данные о вовлеченности студентов в учебный процесс. Дэшборд был разработан с целью снизить показатели отсева студентов, улучшить посещаемость и увеличить чувство принадлежности к университетскому сообществу. На панели, доступной студентам, преподавателям и кураторам (тьюторам), выводятся показатели вовлеченности каждого учащегося в сравнении с его одногруппниками: частота работы с библиотекой, сведения об изучаемых курсах, посещаемость и прочие учебные показатели
Таким образом любой студент может посмотреть собственную активность и сравнить себя с сокурсниками, чтобы понять, насколько он включен в учебный процесс и жизнь университета в целом, а также на что стоит обратить большее внимание. Если студент не подает признаков активности в течении двух недель, платформа отправляет уведомления тьюторам, чтобы те быстро связались с обучаемым и поддержали его
Через 3 года после внедрения системы, результаты университетского опроса показали, что 72% первокурсников использовали эту Big Data панель студенческого мониторинга и она вдохновила их увеличить количество времени на учебу .
Университет Пердью в США запустил у себя систему предиктивной аналитики, которая собирает информацию об академической истории студентов, их активности в цифровой учебной среде и демографические данные. На основе этой информации рассчитывается уровень риска отсева для каждого студента. Значение этого показателя периодически направляется координатору курса и самому учащемуся. Для наглядности данные визуализированы: зеленым цветом отмечены студенты, которые, вероятнее всего успешно закончат семестр, желтым – те, что находятся в зоне риска, а красным – требующие незамедлительной помощи куратора. Благодаря такой интерактивной Big Data системе удалось улучшить результаты обучения и снизить показатели отсева .
Интересен также опыт еще одного ВУЗа США, Университета Карнеги-Меллона, где создана онлайн-платформа с учебными курсами, которая предоставляет студентам подробный отчет об их успехах. Результаты ее эксплуатации показали, что детальные отзывы и возможность посмотреть анализ собственной успеваемости и образовательной активности почти в 2раза ускорили срок прохождения онлайн-курсов .
Аналитика больших данных поможет лучше понять способности и возможности студентов
Что такое Data Science?
Вообще говоря, Data Science — это набор конкретных дисциплин из разных направлений, отвечающих за анализ данных и поиск оптимальных решений на их основе. Раньше этим занималась только математическая статистика, затем начали использовать машинное обучение и искусственный интеллект, которые в качестве методов анализа данных к матстатистике добавили оптимизацию и computer science (то есть информатику, но в более широком смысле, чем это принято понимать в России).
Основная статья — Наука о данных (Data Science)
А чем занимаются ученые из этой сферы?
Во-первых, программированием, математическими моделями и статистикой. Но не только
Для них очень важно разбираться в том, что происходит в предметной области (например, в финансовых процессах, биоинформатике, банковском деле или даже в компьютерной игре), чтобы отвечать на реальные вопросы: какие риски сопровождают ту или иную компанию, какие наборы генов соответствуют определенному заболеванию, как распознать мошеннические транзакции или какое поведение людей соответствует игрокам, которых надо забанить.
Про предметы, которые изучаем
Самая первая лекция по машинному обучению. Ведет Виктор Кантор.
За 1-й семестр мы в основном проходили базу: алгоритмы, статистика, машинное обучение, продвинутый Python/С++. Получился своеобразный уравнивающий блок, после которого можно уже двигаться дальше к прикладным задачам.
За 2-й семестр мы изучали (и пока ещё изучаем) больше прикладных вещей: natural language processing, компьютерное зрение, big data, дизайн и планирование экспериментов. Довольно много работы с нейросетями: учились генерировать текст, переводить с одного языка на другой, находить точки на лице, распознавать автомобильные номера. Есть соревнования, когда нужно сделать алгоритм лучше, чем у других. Есть обычные ДЗ, где задача — к примеру, написать систему машинного перевода лучше, чем заданная планка качества. Или с подачи Сергея Николенко мы моделировали распространение коронавируса.
И появились еще более теоретические предметы вроде методов оптимизации и продвинутого машинного обучения.
Я взял NLP, Computer Vision, дизайн экспериментов (мини-курс), продвинутый ML и методы оптимизации. Но от последнего курса пришлось отказаться в середине семестра, ибо банально не успевал.
На 2-м семестре так же начинается разделение по специализациям: Data Scientist, Machine Learning Engineer и Data Engineer. Но на нашем потоке это разделение скорее в виде рекомендаций, чем жестких ограничений. Если хотите пройти какой-то курс другой специализации, никто запрещать не будет.
За 3-й семестр, как я понял, будут углубленные предметы вроде нейробайесовских методов, распределенных систем и ML на графах. Но это уже посмотрим.
Кто получит скидку в 2022 году
На поддержку со стороны государства могут рассчитывать граждане России старше 16 лет. Главное условие — быть студентом или уже иметь диплом о высшем или среднем профессиональном образовании.
- Максимальную скидку в 100% получат люди с инвалидностью и безработные, официально зарегистрированные в службе занятости.
- 75% компенсации могут получить безработные, которые не состоят на учёте, и родители детей до трёх лет, если их зарплата ниже средней по региону (при более высокой зарплате скидка составит 50%).
- Кроме того, 50%-ную скидку получат студенты колледжей и вузов, сотрудники бюджетных организаций, а также лица, чья зарплата ниже средней по региону проживания.
- По сравнению с 2021 годом условия участия существенно изменились, ведь на старте программы компенсация от государства не превышала 50%.
В первый год отбор со стороны оператора прошли 132 учебные программы. Участие в проекте приняли 46 образовательных платформ и вузов, включая «Яндекс», университет «Иннополис», МГТУ им. Н. Э. Баумана, ИТМО, «Нетологию» и GeekBrains.
Data Science
Data Scientist
Data Scientist ― это специалист, который может применить свои навыки во многих областях: в маркетинге, научных, медицинских и бизнес-исследованиях. Именно поэтому спрос на специалистов по большим данным постоянно увеличивается и, по оценке экспертов, вырастет еще на 31% к 2029 году. С каждым годом данных становится больше, и, чтобы эффективно их использовать, миру нужны дата-сайентисты.
Чем занимается Data Scientist
Data Scientist ― это профессия, которая сочетает в себе программирование и аналитику. В задачи специалиста входит достать большие данные, например из системы управления заводом, очистить их, проанализировать и запрограммировать алгоритм для их обработки. Конечным продуктом работы дата-сайентиста могут быть методология применения данных и прикладной инструмент для бизнеса, который поможет принимать решения.
Сколько зарабатывает
Средняя зарплата Data Scientist в России ― 150 тыс. рублей.
Почитать о профессии
- Кто такой Data Scientist
- Привет, я Data Scientist в «Тинькофф»
- Насколько хорошо нужно знать математику, чтобы стать Data Scientist
Data Scientist
профессия
24 месяца
Data Scientist
Дата-сайентисты решают поистине амбициозные задачи. Научитесь создавать искусственный интеллект, обучать нейронные сети, менять мир и при этом хорошо зарабатывать. Программа рассчитана на новичков и плавно введет вас в Data Science.
24 месяца
9 150 ₽/мес.
5 033 ₽/мес.
Подробнее
9 150 ₽/мес.
5 033 ₽/мес.
ML-инженер
Аналитическая компания Gartner , что в ближайшие годы искусственный интеллект научат распознавать эмоции людей, а 30% контента для бизнеса будет производить генеративный ИИ. К счастью, всему этому компьютеры вряд ли научатся без помощи человека. Наставником, который будет помогать ИИ, станет Machine Learning инженер. На hh.ru сейчас ищут 52 инженеров машинного обучения, на Хабр.Карьере ― 100.
Чем занимается инженер машинного обучения
ML-инженер создает и обучает алгоритмы работы с большими данными, чтобы решить конкретную проблему бизнеса. Например, он может научить программу распознавать речь человека и формировать из нее поисковый запрос ― примерно так работают голосовые помощники Siri и Алиса. Или запрограммировать чат-бот, чтобы он мог распознавать вопросы пользователя и отвечать на них. Нейросети, которые генерируют картинки и тексты, онлайн-переводчики ― все это дело рук ML-инженера.
Сколько зарабатывает
В ноябре средняя зарплата ML-инженера в России ― 252 тыс. рублей. Тимлиды в этой сфере могут получать 300–400 тыс. рублей. Обучать модели ― очень сложная работа, для которой нужна экспертиза в математике и постоянная практика. Таких специалистов на рынке сейчас мало, поэтому компании предлагают высокие зарплаты. На зарубежном рынке это тоже одни из самых высокооплачиваемых специалистов: их средняя годовая зарплата ― 130 тыс. долларов (это 7,8 млн рублей в год или 650 тыс. в месяц).
Почитать о профессии
- Кто такой специалист по машинному обучению
- Выдавать кредиты, диагностировать болезни, управлять заводами: где применяется Machine Learning
- У меня был бизнес по оценке автомобилей, а теперь я анализирую большие данные
Что говорят студенты
Среди слушателей немало зрелых людей. «Портрет среднестатистического студента «Цифровых профессий» существенно отличается от студентов стандартных курсов «Нетологии». Эта аудитория более зрелая: средний возраст — 35 лет», — отмечает Марина Гиря. В GeekBrains, по словам Александра Волчека, 34,8% всех слушателей от 36 до 55 лет.
Слова экспертов подтверждают рассказы учащихся. Ильхаму 49 лёт, в своё время он получил финансовое образование и много лет проработал на руководящей должности в производственной компании. В сферу его деятельности входили оптовая торговля продукцией и оценка инвестиционных проектов. За время пандемии положение предприятия существенно пошатнулось.
«Пришлось думать, чем будешь заниматься, если и дальше придётся сидеть дома. А так как я привык работать с информацией, выбор пал на учебный курс «Анализ больших данных». Эта профессия только на первый взгляд кажется чем-то неприступным. На деле всё сводится к очистке информации от всего лишнего, отсеиванию и классификации полезных данных. Если раньше я делал всё это в таблице Excel, то теперь владею десятью разными программными инструментами на все случаи жизни», — рассказал он.
В ближайшее время Ильхам планирует пройти ещё один учебный курс, чтобы познакомиться с отдельными программами более углублённо. А в дальнейшем, с учётом предыдущего образования и опыта, он сможет организовать работу отдела аналитики или открыть своё дело.
Ещё одной участнице программы — Нине — тоже около 50 лет. Она работает врачом в государственном медучреждении и постоянно сталкивается с необходимостью обработки больших объёмов информации. Поэтому её выбор пал на курс «Аналитик данных».
