- Найти сейчас работу Data Scientist-ом нереально!
- Почему?
- Везде требуется опыт!
- Так получи его 🙂


Сейчас продумываю серию материалов для людей, которые хотят найти работу как Data Scientist/Machine Learning, но пока что не получилось это сделать. На самом деле, причин очень много, но одна из них — это замкнутое кольцо, из которого иногда кажется, что выхода нет, а он есть 🙂

Это как про сусликов: ты его видишь? Нет. А он есть.

Одна из самых главных проблем замкнутого круга — как же приобрести опыт, если вакансий для людей без опыта можно на пальцах пересчитать, а желающих — тысячи? Кстати, это хороший вопрос, на который нужен ответ, иначе зачем начинать? Просто стоять в виртуальной очереди, как в 90-х, когда возьмут — слабая стратегия, статистически шанс очень мал.

- Так что же делать?
- Опыт приобретать!
- А как?!

Ну вот, мы подошли ближе к сути проблемы. Вопрос "как приобрести опыт, чтобы не оказаться в красном океане", правильнее, чем утверждение "меня никто не берет на работу из-за отсутствия опыта".

Тема достаточно глубокая, и здесь накопилась большая боль и непонимание "а как?" Давай сделаем так: поставьте реакцию ❤️ (с любовью буду делать), я тогда пойму, что для Тебя это важно, и начну расписывать по пунктам, что можно делать. Есть чем поделится и вижу как много ошибок обычно делают люди, у которых не получается.

Сразу уточю - это не про успешный успех или втюхивание курсов. У нас нет такой задачи (есть другая задача). Фактом является то, что это не гарантирует, что точно найдешь работу как ML/DS (кстати, если кто-то даёт такие гарантии, то не понимает что делает или лукавит - ну да ладно, в эти дебри влазить не будем), но однозначно, то про что говорю увеличивает Твои шансы и ведет более прагматическим путем к цели.

Ну что интересно? Ставь реакцию ❤️, и начнем двигаться в этом направлении!

Благодарю за обратную связь – супер!

Вижу, что тема "как найти работу в DS/ML" важная, это мотивирует и вдохновляет делиться своим опытом. Сразу думал написать пост или статью, но раз есть такой большой интерес и чувствуется боль, пришла идея сделать еще больше.

Вообщем, вдохновлён и есть желание делиться ещё больше. Давай сделаем вебинар, что думаешь? Тогда будет, как говорят "шире поток", как бы сказал специалист по сетям "оптоволокно" в передаче опыта 😂

Начнем погружаться в суть проблемы (не в эмоции, а в понимание какие правила игры) и как можно искать выход. Ведь при всех этих сложностях только в 2024 году тысячи людей найдут работу с данными. Как оказаться среди этих счастливчиков, вот в чём вопрос? А что если 🤔... а может дело не только в счастье ("типа" кому-то повезло, у того опыт есть, а мне не повезло – поэтому опыта нет). Может, дело в системном подходе к решению задачи?

По сути, если подойти конкретно к этой задаче, как к задаче машинного обучения ( при случае можно попрактиковаться), то жизнь может набрать другие краски, что думаешь? Ведь при таком подходе (используя ML) мы можем "выхватывать" даже очень редкие события, такие как 1 на тысячу или даже ещё реже. А ведь Тебе нужна всего одна работа, правда?

Вообщем, идея простая:
- хочешь отличиться – отличись
- а как?
- ну вот осталось понять как это сделать, этим и займёмся

Почему подумал про вебинар?
Живое общения требует больших трудозатрат с моей стороны, но все же больше получается донести, да и вживую другой поток, другая энергия (тоже можно будет спрашивать). Сейчас будет опрос про время – ответь, пожалуйста 👇. Очень хочу, чтобы у Тебя получилось быть вживую, возможно эта та искра которую ищешь. Хорошо?

Ну что, есть желание погрузиться и разобраться, какие правила игры и как системно можно подойти к решению этой задачи? Ставь сердечко (обратная связь очень важна – она вдохновляет, ведь всё сводится к обмену энергией, так что поддержи и покажи, что это важно) – буду делиться своим опытом и вдохновлять ❤️ И выбирай время 👇


P.S. DataWorkshop - Твой проводник в мир DS/ML

#job #data #strategy

Вебинар на тему «Как найти работу в области Data Science/Machine Learning» пройдет уже в эту среду. Вы умеете замотивировать 🙂

Начало в 20:00 по Минску и Москве, в 19:00 по Киеву (учли итоги голосования😉). Спасибо всем откликнувшимся!

На вебинаре буду отвечать на ваши вопросы и делиться своим практическим опытом - так что обязательно приходите

Ссылка на вебинар ЗДЕСЬ

@data_work

- Посмотрите вакансии и поймите, что датасаентисты никому не нужны. Все еще требуются бэкенд-разработчики - пожаловался Роман в одном чате
- А ты смотрел доступные вакансии?
- Нет... но все так говорят (даже Вася с Лёхой так сказали).
- Ага, ладно 🙂

Вот готовлюсь к завтрашнему вебинару о том, как найти работу как Data Scientist. Сразу скажу, здесь не будет ничего про "успешный успех" за одну ночь и волшебную кнопку. Давайте подойдём к этой задаче как инженеры. Есть некоторые исходные данные, ограничения, доступные ресурсы и посмотрим, что возможно (а что нет).

На самом деле, здесь есть ещё один важный момент, не сразу очевидный: не всем нужно идти этим путём! Так же, как не всем нужно становиться хирургами или другими специалистами.

Будем в реальном времени смотреть доступные вакансии и набрасывать на это мою систему достижения цели. Если хочешь, получить свежую перспективу, как об этом можно думать - приходи. Кстати, задавай вопросы, как это уже сделали некоторые. Например, пришли уже такие вопросы:

- Как развита область Data Science в Европе? Как сильно нужно прыгнуть выше своей головы, чтобы быть не хуже европейских кандидатов на такую должность?
- Хоть я и освоил дополнительно некоторые навыки, более специфичные для Data Analyst, такие как визуализация данных и создание дашбордов, я также, как и с ML/DS, не смог найти работу.

Есть вопросы, которые очень волнуют? Пиши лично мне vladimir@dataworkshop.eu
Поддержи, поставь сердечко ❤️ что тема важная и подход очень интересный (это дает энергию делиться и вдохновлять)

P.S. Завтра (среда, 6 марта) увидимся в 20:00 (Минск/Москва), 19:00 (Киев), 18:00 (Варшава). Будешь?

Напоминаем, что сегодня в 20:00 по Минску и Москве, в 19:00 по Киеву, начнется вебинар на тему:
"Как найти работу в области Data Science".

Будет интересно и практично.

Ссылка на вебинар здесь - https://www.youtube.com/live/Cxz_KLqUMFA

Обязательно приходи 😉

@data_work

Всё! Получилось чуть больше часа, но старался разжевать идею.

Вот лови презентацию.

Поставь реакцию насколько для Тебя это ценно и резонирует подход! Ставь ❤️


P.S. Уставший, но доволен. На связи!

Вчера мы учились читать научные статьи и я показал один трюк, который часто используется в "этом мире" (со всем уважением к настоящей науке, но именно этот трюк часто находит применение). Запомни, что везде действуют свои правила игры, и чем быстрее ты их поймешь, тем быстрее начнешь продвигаться и отличать важное от второстепенного (плюс будешь подходить к задачам менее эмоционально, поскольку эмоции здесь обычно мешают).

Давай прочитаем статью вместе (она на английском, как это обычно и бывает – но даже это не важно).

Прочитав, поставь сердечко ❤️ (справишься за 2-3 мин - это точно!).

#data #science #paper
@data_work

- Хочу найти работу, но не знаю, с чего начать.
- Начни с начала.
- А где начало?
- Вот это хороший вопрос.

Когда мы начинаем что-то новое и не знаем, как достичь цели, очень легко потеряться и заниматься делами, не связанными с целью, тем самым оправдывая себя (мол, я же что-то делаю, какая разница, что не знаю, зачем это делаю 🙄). В DataWorkshop мы называем это "черными дырами" — явлением, когда нужно отдать много энергии (времени, денег и т.д.), а взамен получить ничего. В общем, это несправедливый обмен. Но главная проблема в том, что, начиная что-то новое, "черные дыры" поджидают "свежую кровь", чтобы "присосаться". Поэтому важно найти проводника!

Поэтому важно подготовить простой, понятный и логический план, который поможет держаться за веревочку в лабиринте и продвигаться вперед. Тогда задаешь себе простые вопросы и понимаешь, что делать дальше.

Хочешь найти работу в DS? Посмотри вебинар 👆. Там был один слайд, над которым я лично созревал пару лет. Долго искал какой-то простой алгоритм, который подойдет всем на долгую. Идея заключается в том, чтобы шаг за шагом отвечать на важные вопросы:

1️⃣ Понять, что нравится, чтобы, занимаясь этим, у тебя появлялось желание продолжать. Идеально — это любить, но хотя бы не ненавидеть. Иначе идти в эту сторону нельзя.
2️⃣ Точная синхронизация с рынком, за что именно рынок готов платить (просто Data Science — это слишком абстрактно, есть много направлений).
3️⃣ Сфокусироваться на том, чтобы действительно научиться делать то, что рынок хочет — приобрести опыт (это больше, чем курсы, и здесь есть замкнутый круг, о котором говорю в вебинаре, и у нас есть для этого тоже решения).


Выбери, пожалуйста, цифру, соответствующую тому этапу, на котором сейчас находишься. Кстати, если не выполнил пункты 1️⃣ и 2️⃣, но приступил к 3️⃣, то по сути находишься на круге 1️⃣, так как перепрыгивать через круги нельзя.

Наша текущая задача — помочь осознать и предоставить опыт более чем 1000 людям, которые найдут работу (в идеале — своей мечты) или, по крайней мере, такую, от исхода которой они будут рады. Хочешь быть среди этой группы? Включайся!
1️⃣ => 🤔
2️⃣ => 👍
3️⃣ => 🔥

Кратко и по делу 😀 хороших выходных

- Хочу к вам на стажировку, даже готов работать бесплатно," - сказал один из студентов.
- Это очень дорого - сказал я.
- Почему? - удивился студент.
- Бесплатный сыр бывает только в мышеловке. Если сразу не понятно, кому нужно платить, это не значит, что платить не нужно вообще! Нужно, вопрос только - кому.


Когда я только начал активно заниматься предпринимательством, а это было еще в 2008 году, открыв свою веб-студию по созданию сайтов, у меня была иллюзия, что для начала нужно взять новичков, которые ничего не умеют, но готовы работать бесплатно, и тем самым сделать быстрый рывок. Ведь расходы кажутся минимальными, даже вроде как их нет - зарплата не нужна, ноутбук и интернет свои, и даже офис (комната где-нибудь) свой. Звучит круто, правда?

Но по факту это оказывается самой худшей из возможных конфигураций. Если у человека нет опыта, он создает больше проблем, чем ценностей. Это начинает загружать других людей, у которых час времени может быть весьма дорогим, и это не только "5 минут". Пара таких вопросов может выбить человека из колеи на целый день. Было такое: "У тебя есть 5 минут?" По факту это занимало больше времени, а потом нужно было собраться с мыслями и прийти в себя полчаса или дольше.
Личный вывод, который я для себя сделал: когда берешь человека без опыта, кажется, что можешь сэкономить на зарплате, но по факту теряешь в других местах гораздо больше. Поэтому с точки зрения бизнеса эта конфигурация обычно не очень интересна. Помните, я на вебинаре рассказывал про правила игры? Поймите их, и вам будет легче достигать цели.

И что делать?

Вот это действительно хороший вопрос. Нужно, чтобы аргумент номер один вместо "я готов работать бесплатно, то есть будут проблемы," звучал как "я создам ценность для фирмы, потому что..." Эта конфигурация куда сложнее, но если с ней правильно подойти, вероятность вашего роста становится очень высокой. К этому еще нужно добавить готовность брать на себя риск, тогда успех гарантирован.

С опытом бывает по-разному: иногда везет, и ты сразу "входишь в нужную дверь", где нужен хоть кто-то в этой теме, и лучше тебя никого нет (ведь ты хотя бы умеешь включать компьютер). Это делает старт легче, хотя многие люди упускают этот шанс. Более сложный старт — когда нет площадки, где можно развернуть свои мысли; тогда приходится что-то выдумывать. Например, в DataWorkshop у нас есть симулятор команды Data Science, но даже туда не всех пускают — просто заплатить мало, нужно подготовиться, чтобы потом не тормозить команду по мелочам: "У тебя есть 5 минут?".

Поставь реакцию 🔥, насколько интересны эти мысли. Продолжать?

P.S. Кстати, в DataWorkshp были удачные кейс стажировки - человек быстро вырос.

#data #job #strategy
@data_work

Если единственный аргумент при поиске работы — это "могу работать за маленькую зарплату или даже бесплатно", то шансы найти хорошую работу — малы (близко к 0). Более того, если даже Тебе удастся так устроиться, скорее всего, это повод чтобы растроится и оттуда стоит бежать!

Так что же делать?

Спроси себя, какую ценность ты можешь принести. Это должна быть задачей #1! Для этого обычно не нужно уметь решать интегралы. В мире машинного обучения и данных ценность зачастую кроется в другом.
Конечно, важно освоить "твердые навыки" (hard skills): Python, SQL, статистику, само ML/DS, и нейронные сети тоже не помешают. НО! Этого недостаточно для создания ценности. Это необходимо, но недостаточно.
Ценность — это когда ты получаешь абстрактную задачу, переводишь её на технический язык и делаешь нужное.

Например:
- Нам нужно уменьшить отток клиентов, — сказали из бизнеса.
- Хорошо, — ответил ты и приступил к обучению моделей.
- ... через пару недель (или месяцев)
- Смотрите, у нас precision 90%, использовал топовую модель (трансформеры!!!). В общем, всё круто." - похвастался перед бизнесом
- А проблема с оттоком решена?" - учточнил бизнес
- Хм... На это время не нашлось, я же искал самую крутую модель...

Надеюсь, суть ясна. Умение правильно применять опыт — это важно. Интересно узнать больше про решение проблемы оттока клиентов, которую DataWorkshop  внедрял лидеру телекоммуникационной компании из Европы? О том, с чем столкнулись и почему опыт решения проблемы это гораздо больше чем просто технические знания (даже на уровне эксперта).

Cтавь 🔥, вдохновляй, тем самым я пойму что это важно и буду делиться с Тобой.
Кстати, поставь сердечко, если хочешь, чтобы я писал и технические посты ❤️. Для меня это все взаимосвязано (нет так четкой границы).

Ну что, мои хорошие. Смотря на реакцию, очень хочется, чтобы было больше технических постов? Отлично! Давай проведём такой эксперимент. Хотя концептуальные вещи важны, только "инструментами" (и техеническим подходом) не вытянешь, это точно! Но я тоже помню когда начинал, поэтому понятны приоритеты! Будем калибрироваться.

Истории люблю рассказывать из своего опыта, но давай выстроим некий план, чтобы это не было совсем рандомно. Сегодня подумал, чем написать, в голову пришло сразу три идеи:

1️⃣ Управление зависимостями и как вообще устанавливать пакеты. Вот недавно у меня был вызов, вроде есть requirements.txt, но ничего не работает, все слетает, а запустить надо и что делать? Как выкрутиться (и чтобы ещё не замучаться). И как вообще делать по-хорошему, чтобы в такие ситуации не попадать?

2️⃣ В продолжение темы 1, затронуть Docker. Как инструмент, который стал стандартом (контейнеры могут быть по-разному сделаны, но это как стандарт).

3️⃣ Про машинное обучение сейчас очень много есть высокоуровневого, но давай подойдем с другой стороны, как инженеры. Давай "разденем модель" (звучит круто, особенно для мужского пола 🙈) и посмотрим, что там у нее... спрятано! Спойлер - а там все просто, там просто условия (прям как жизнено). Да, можно сказать, что всё банально просто, иногда даже кажется, что примитивно. Я имею в виду, механика простая, но когда этих условий становится миллионы, тогда она дает лучший результат, чем человек в Excel. Здесь цель — максимально показать, что не Боги горшки обжигают.

Давай голосуй, делись с другими. У Тебя прямо есть пульт управления мной. Только давай наберем хотя бы 25 голосов (на конкретную тему), чтобы говорить о том, что для Тебя действительно важно. Поехали!

#tech #voting

Вот смотрю, выигрывает "раздеть модель", хотя, правда, ситуация еще может измениться, подожду до завтра.

Но у меня есть такое ощущение, что интерес к моделям сохранится и дальше. Отлично! Сейчас в моде тема "генеративные модели", например, "диффузионные модели". Возможно и туда забежим, пощупаем а как оно там работает.

Кстати, формулы понятны (на скрине в этом посте), или их нужно разжевать? Ладно, шучу 😂. Я всегда стараюсь говорить простым языком и даже специально избегать формул (их всегда легко найти, почти все копируют их друг у друга), этот подход значительно сложнее для меня, но проще для Тебя.

P.S. Но все же, что-нибдуь понятно в формулах?

🔥 - да, давай, больше про модели, технические штуки (архитектура) итд