Владимир Олохтонов

Отсутствие высшего образования не является заметным препятствием при трудоустройстве если у вас больше 3 лет опыта, однако вам придётся самостоятельно выучить очень много материала, а затем знать всё лучше ребят с высшим образованием, чтобы пробиться через собесы.

Так происходит из-за того, что работодатели зачастую ориентируются на высшее образование в хорошем вузе как на признак потенциально хорошего кандидата, даже если и не требуют его.

Долгосрочно это не важно, но на начальных шагах карьеры может мешать.

Что касается учёбы, то я бы не стал делать выводы о всей программе по неполному первому курсу, его задача — подтянуть всех поступивших до одного уровня, тем у кого подготовка получше часто становится скучно, беда в том что такие ребята на втором курсе зачастую перестают справляться из-за того, что пропускают момент когда вся группа ушла вперёд.

Тем не менее рекомендую рассмотреть поступление в ШАД, это сейчас одно из лучших мест в России для обучения на DS: https://yandexdataschool.ru/

По поводу практики: для наработки опыта в DS рекомендую участвовать в kaggle-соревнованиях, в том числе изучать решения других участников: https://www.kaggle.com/

Так же могу порекомендовать вступить в slack-сообщество Open Data Science, чтобы быть в контексте происходящего в индустрии: https://ods.ai/

Не знаю за остальных, но могу сказать за себя (вступил на этот путь 5 лет назад) — действительно есть некоторая романтика искусственного интеллекта, которая улетучивается когда погружаешься в тему поглубже.

Однако того факта, что это гораздо интереснее чем сайтики клепать, никто не отменял, всё-таки в DS каждая задача — это небольшое приключение :) Ну и платят за это хорошо, так почему бы и нет?

Возьмите xgboost.XGBRegressor, обучайте на подвыборке за все предыдущие дни для каждого часа отдельно. В качестве метрики качества можете рассмотреть MSE или MAE.

Качество будет приличное, думать много не надо.

Решение похожей задачи: https://youtu.be/nZdeB6QI9Vw

PS: Градиентный бустинг, который реализован в xgboost, это последовательное добавление решающих деревьев в композицию, с подкручиванием весов объектов на каждом шаге таким образом, чтобы каждое следующее дерево (estimator в терминах xgboost) наилучшим образом учитывало ошибки всей композиции на предыдущем шаге.

Как научится писать обработку данных, машинное обучение и куда с этим потом идти? - вот здесь хорошие статейки :)

Попробуйте ШАД :)