• Совет: Python Intermediate Developer?

    gobananas
    @gobananas
    finishhim.ru
    Странные вы люди...
    Начал, продвинулся, до конца пока не дошёл, решил повернуть совсем в другую сторону. 2 года жизни выкинуть не жалко...

    По существу совета два:
    1) начните работать питон-разработчиком не на Data Science пока. Получите профильный опыт разработки и потом даже без профильного образования проще будет на нужную должность перейти.
    2) Отсутствие образование формального мешает? Получите заочно, удалённо.

    В общем: по американски "Сделай ИЛИ умри", по-нашему "Умри НО сделай". Если чувствуете что сфера интересна - добивайте её до конца. Ну и работу смените, она убивает ваше это и уверенность в себе, а это мешает двигаться дальше.
    Ответ написан
    1 комментарий
  • Как выбрать правильный вектор развития в IT сфере?

    @frozen_coder
    Java-developer
    Не считаю себя хорошим программистом и профи, пока в процессе. Могу поделиться своим ИМХО.

    Часть 1
    1. Готовое использовать тоже надо уметь и знать, где это готовое найти, которое помочь может, какое готовое хорошо, а какое будет лишним.
    2. П.1 не исключает возможности писать велосипед. Писать велосипеды полезно для себя, чтобы глубже разобраться в работе готового, в процессе подглядеть на готовый код, подумать как написал бы сам. Мб писать узкоспециализированные велосипеды, которые подойдут именно вашей задаче лучше, чем готовые, но универсальные решения.
    3. Я работаю full-stack. У нас все такие, ибо народу не так уж много. Периодически устаю от этого, но периодически не представляю себя без возможности писать и на фронте, и на беке. Если вам по душе решать задачу от начала и до конца, то почему нет? Главное, чтобы в кайф. Возможно стоит в таком случае развиваться периодами - выделяем период и изучаем это направление, потом переключаемся на другое. А возможно надо отталкиваться от конкретной задачи и в её рамках изучать как решить её на клиенте, а как на сервере. Чтобы переключаться и читать любой код, надо обладать широким кругозором и знать базовые концепции, Computer Science, паттерны, парадигмы и т.п. Чтобы делать это быстро, нужен опыт. Когда однажды решал что-то подобное, то второй раз решить это будет проще и быстрее. Ещё полезно держать руку на пульсе и слушать, что сейчас в IT вообще твориться, чтобы знать куда копать, если возникнет необходимость - я покрываю это подкастами и статейками из всяких еженедельных рассылок.

    Часть 2
    1. Английский каждый день, хоть 10 минут, но каждый день. Читать, смотреть, слушать. В идеале ещё и говорить.
    2. Дискретка - да. Например, есть книжка Дискретная математика для программистов. Вышка, матан - ну хз, смотря, что за задачи решать, большинству не особо то и пригождается.
    3. Алгоритмы и структуры данных - да. Какие-нибудь классические книжки по этому делу. Кормен, например. Но вот тут, имхо, нужно писать велосипеды! Изучаете алгоритм или структуру данных, описание на естественном языке, а потом берёте ваш любимый ЯП и реализуете этот алгоритм по описанию сами. Затем ищите в интернете его "эталонную" реализацию, сравниваете с вашим велосипедом. Как книжку пройдёте, то мб захочется углубиться в какую-нибудь сферу Computer Science. Ещё есть Open Source Univercity - https://github.com/ossu/computer-science - это сборник лучших бесплатных материалов по CS в сети, как бы онлайн-образование в сфере CS. Сам не проходил, но в планах туда заглянуть есть)
    4. Паттерны, как и п.3
    5. Изучите пару ЯП с парадигмой, отличной от привычной вам.
    6. Если вы в web, то надо познать как работают сети.
    7. В идеале познать ОС, в общих чертах как устроена, как работает. Команды оболочки, поадминить какие-нибудь сервисы в мини-сети из виртуалок, пожить немного чисто в консоли.
    8. Принять участие в Open Source. Вы же пользуетесь готовыми штуками. Возьмите небольшую такую штуку, посмотрите как она устроена внутри, сходите на её гитхаб, посмотрите issue, мб там нужна ваша помощь. Часто есть issue, отмеченные для новичков. Тут одни плюсы - разберётесь в готовой штуке, сделаете её лучше для себя и для других, получите гордое звание контрибьютора).
    9. Не слушать таких людей, как ваш начальник - это у него не получится, а вы на себе крест не ставьте, вам до пенсии ещё кодить и кодить.
    10. Ну и писать код, больше кода богу кода.
    Ответ написан
    2 комментария
  • Как стать разработчиком Python?

    sergey-gornostaev
    @sergey-gornostaev Куратор тега Python
    Седой и строгий
    Не с видеокурсов. Возьмите учебник.
    Ответ написан
    Комментировать
  • Достаточно ли знать только Python, чтобы начать работать в области IT?

    Привет

    Есть хорошая статья - https://habr.com/post/322332/ - там есть общий совет по учебе Питона, а также совет, когда его следует учить.
    Ответ написан
    Комментировать
  • Список литературы (или курсов) математики для Data Scientist?

    @dmshar
    Так "список литературы и курсов для Data Scientist" (как в названии) или" Список литературы(или курсов) МАТЕМАТИКИ для Data Scientist" (как в тексте). Это как бы немного разные вещи.
    На базе 7-9 класса можно, конечно, захотеть и Великий адронний колайдер следать дома на кухне, но все-таки рекомендую для Data Science остановиться на любом наборе курсов математики на уровне 2-3 курса вышки. Ну, например, - линейная алгебра+методы оптимизации с численными методами+теория вероятности и основы матстатистики+основы дискретной математики +алгоритмы обработки данных.
    Любые учебники - вполне пригодны. Наичнайте читать и если вам понятно и учебник "зашел" - алтернативы искать не стоит .
    А если текущий уровень - это 7-9 класс" - ну так стоит начать с того, что-бы довести его до уровня, при котором можно начинать университетские учебник читать - т.е до уровня выпускного класса (как минимум).
    Удачи.
    Ответ написан
    4 комментария
  • Что делают люди в «Науке о данных»?

    sgjurano
    @sgjurano
    Разработчик
    Data science - общий термин для обозначения совокупности методов аналитической работы с данными, от старомодной статистики со всеми её статистическими критериями и подсчетами доверительных интервалов до современных методов машинного обучения, включая нейронные сети, для задач прогнозирования, классификации и прочих плохо формализуемых вещей.
    Ответ написан
    Комментировать
  • Какие книги для начинающего по Data Science?

    erniesto77
    @erniesto77
    oop, rb, py, php, js
    на рутрекере по запросу "big data" (сортировка по времени добавления)
    Ответ написан
    Комментировать
  • Какие книги для начинающего по Data Science?

    Denormalization
    @Denormalization
    Если с пониманием Анг все хорошо, то посоветую начать с курса от Стенфорда. По хочу обучения поймешь каких знаний в математике тебе не хватает, и сможешь учить конкретные темы.
    Ответ написан
    Комментировать
  • Какие книги для начинающего по Data Science?

    DanilBaibak
    @DanilBaibak
    Machine Learning engineer
    https://medium.com/machine-learning-for-humans/how... - от простого к сложному. Нужен английский.
    Ответ написан
    Комментировать
  • Какие книги для начинающего по Data Science?

    @dmshar
    Вопрос несколько странный ввиду реально НЕСМЕТНОГО количества книг по DS,
    BD, ML вышедших в последнее время. На любых языках, для любого стартового уровня образования, с прицелом на различные инструменты. Берите любую и начинайте учить. Когда что-то станет ясно и захочется углубить или наоборот, когда что-то станет непонятно - ищете целенаправлено другой источник, в котором уже известная вам тема изложена глубже или яснее. И так двигаетесь, расширя свой кругозор в тема.
    Если сложно самомунайти - есть уже составленные списки, например:
    https://ru.stackoverflow.com/questions/Книги-и-уче...
    Или
    https://www.learndatasci.com/free-data-science-books/
    И подсказок в сети тысячи - как, что и в каком порядке учить. Например:
    https://proglib.io/p/learn-data/
    Вот куча дополнительных ресурсов.
    www.7wdata.be
    https://www.datasciencecentral.com
    https://datascienceplus.com
    https://www.kdnuggets.com
    https://www.analyticsvidhya.com
    https://towardsdatascience.com
    Удачи.
    P.S. " стоит выбор между К.Доугерти "Введение в эконометрику" и Гмурман "Теория вероятностей и математическая статистика" - может ктото может подсказать принципиальную разницу между этими книгами?"
    ----> Принципиальная разница: Гмурман дает общую теорию, хорошую основу, универсальный учебник.
    Доугерти больше ориентирован на специализированную нишу экономических и социальных задач.
    Оба неплохи для изучения статистики на соответствующих специальностях в универе.
    Начинать с нихсамостоятельное изучение я бы не рекомендовал. Лучше гляньте список и рекомендации, приведенные выше и из них выбирайте.
    Ответ написан
    Комментировать