дата сайнс обучение в россии
Как самостоятельно выучиться на дата-саентиста — адаптированная подборка
Меня зовут Айра, я веду блог про математику, продукты и ML, делаю проекты в DS/ML, а также курсы по созданию ML-проектов. От своей аудитории блога и знакомых часто получаю вопросы в духе «Cтоит ли тратить деньги на тот или иной дорогой курс с codename «Стань DS за два месяца» или все же выучиться на дата-саентиста самостоятельно и бесплатно, и в таком случае, с чего начать?»
Недавно собрала ответ на этот вопрос достаточно развернуто, на мой взгляд, чтобы поделиться им с широкой аудиторией. Не все платные курсы плохие (хотя большинство — да — из-за механизмов отбора, продаж и слабой программы), но о них напишу отдельно. Мне кажется, нужно учитывать больше персонализированных параметров для того, чтобы грамотно выбирать хороший курс за деньги.
Во-первых, в список вошли бесплатные онлайн-курсы и ресурсы для самостоятельного обучения, которые проходила сама или советует профессиональное сообщество аналитиков и дата-саентистов (часто упоминающиеся в ODS.ai), где не нужно проходить какой-то отбор или быть ограниченным офлайн-посещением.
Во-вторых, конечно, это далеко не полный список онлайн-курсов, который вы можете встретить, зато в него попали лучшие курсы от сильных математических и Computer Science-школ мир и другие распространенные ресурсы среди профи из того, что я смогла отфильтровать на свой вкус.
В-третьих, начну с короткого списка, с которого, как мне кажется, стоит начинать обучение предмету, и он идет сразу же следующим абзацем.
С чего советую начать, чтобы тратить время эффективно?
Предполагая, что начинающий дата-саентист уже прошел подготовительные курсы а-ля гарвардский CS50 по основам программирования, pythontutor.ru или курс на Stepik от Института Биоинформатики, посоветую несколько шагов, которые должны стать твердой базой. Далее ссылки все полные, чтобы было легче копировать:
Зарегистрироваться в самом популярном в СНГ профессиональном slack-сообществе Open Data Science ODS.ai, вступить в как можно больше чатов, в том числе про менторство, обучение и карьеру и общаться с местными, чтобы расширить свой кругозор относительно работодателей, требований к прохождению интервью, к позиции и их различиях в разных компаниях и др, найти хороших наставников, тк. такие в сообществе есть!
Пройти вводный курс «Математика и Python для анализа данных» на Coursera — платный, недорогой и хороший. www.coursera.org/learn/mathematics-and-python
По программированию — пройти в leetcode.com все релевантные упражнения: это бесплатные или недорогие в премиальной версии в соотношении цена/качество тренажеры (в нем есть в том числе упражнения на интервью в FAANG).
Пройти mlcourse.ai — это открытый курс машинного обучения от ODS. Авторы смогли разработать курс машинного обучения с балансом между теорией и практикой, когда в лекции вы разбираете достаточно подробно математику, а затем упражняетесь сначала в блокноте, затем на Kaggle.
Для обучения решению разнообразных задач и оптимизации кода — участвовать в соревнованиях по анализу данных и машинному обучению на платформе kaggle.com.
Математика для DS/ML
Приятный курс Стэнфорда по DS «Introduction to Statistics» www.coursera.org/learn/stanford-statistics
Коротенький интерактивный курс по теории вероятностей и математической статистике «Seeing Theory» seeing-theory.brown.edu/
Хороший вводный курс по математике для анализа данных, более объёмный «Специализация Математика для анализа данных:. Можно послушать только интересную тему: дискретная математика / линейная алгебра / математический анализ / теория вероятностей. www.coursera.org/specializations/maths-for-data-analysis
Довольно подробная и читаемая книга по теорверу и матстату «Dekking, A Modern Introduction to Probability and Statistics» cis.temple.edu/
Python&SQL для DS/ML
Упомянутый выше бесплатный тренажер по Python с нуля: pythontutor.ru/
Отличный курс по инструментам по DS от IBM «Специализация Data Science Fundamentals with Python and SQL» www.coursera.org/specializations/data-science-fundamentals-python-sql
Упомянутый выше русский курс по питону и математике (платный, недорогой и хороший) «Математика и Python для анализа данных (Coursera)» www.coursera.org/learn/mathematics-and-python
Упомянутый выше https://leetcode.com/: пройти все релевантные упражнения, это бесплатные или недорогие в премиальной версии в соотношении цена/качество тренажеры (в нем есть в том числе упражнения на интервью в FAANG).
Начальные курсы по ML
Как бы этот курс не ругали из-за устаревшего языка программирования Octave (на котором пишут на Matlab), на мой вкус — это пока что самый простой и понятный курс по ML. Машинное обучение (Coursera) https://www.coursera.org/learn/machine-learning — стэнфордский курс по машинному обучению от Andrew Ng
mlcourse.ai — это открытый курс машинного обучения от ODS. Авторы смогли разработать курс машинного обучения с балансом между теорией и практикой, когда в лекции вы разбираете достаточно подробно математику, а затем упражняетесь сначала в блокноте, затем на Kaggle.
Более продвинутые курсы по ML
Если хочется погрузиться в математические доказательства методов машинного обучения, то есть прекрасные ШАДовские лекции К.В. Воронцова: плейлист «Курс «Машинное обучение» 2019” на YouTube-канале “Компьютерные науки», www.youtube.com/watc? v=SZkrxWhI5qM&list=PLJOzdkh8T5krxc4HsHbB8g8f0hu7973fK&index=2
Также хорош ежегодный гарвардский курс «Advanced Topics in Data Science CS109B». harvard-iacs.github.io/2020-CS109B/
Или курс по углубленным алгоритмам Advanced ML от ВШЭ: «Специализация Продвинутое машинное обучение» www.coursera.org/specializations/aml
Deep learning
(Мне кажется, можно пройти один курс из списка, а остальные смотреть на предмет дополнений)
Рекомендованный Стэнфордовский курс по DL «CS231n: Convolutional Neural Networks for Visual Recognition» cs231n.github.io/
Хороший курс от Университета Карнеги—Меллон «11-785 Introduction to Deep Learning» deeplearning.cs.cmu.edu/F21/index.html
Курс от MIT: «Practical Deep Learning for Coders» https://course.fast.ai/
ШАДовский курс по глубокому обучению доступен в github: «Practical_DL» github.com/yandexdataschool/Practical_DL
Бесплатные классные курсы от МФТИ: dlschool.org/
Также есть курс по DL у ODS.ai, который тоже советуют проходить в самом сообществе: «Deep Learning на пальцах» dlcourse.ai/
А еще есть курс у Samsung AI Research Center на Stepik.org stepik.org/course/50352/info
Natural Language Processing
Стэнфордовский «CS224n: Natural Language Processing with Deep Learning » web.stanford.edu/class/cs224n/
Второй курс у Samsung AI Research Center на Stepik.org https://stepik.org/course/54098/promo
Reinforcement Learning & Self-driving cars
От Deepmind «RL Course by David Silver» www.youtube.com/watc? v=2pWv7GOvuf0
Австралийский курс StarAi «Deep Reinforcement Learning Course » www.starai.io/course/
Data Engineering & MLOps
Бесплатный курс по DE от Дмитрия Аношина, дата-инженера из Microsoft, ex-Amazon: Getting start with Data Engineering and Analytics https://datalearn.ru/ (курс готовится in progress)
Соревнования
Ну, и для обучения решению разнообразных задач и оптимизации кода — участвуйте в Kaggle. https://kaggle.com/
Кроме Kaggle, есть еще несколько соревнований:
Как за два года получить высшее образование в Data Science без отрыва от работы
За три — выйти на уровень middle, минуя junior, за пять-семь — стать профессионалом высокого уровня и попасть в топ зарплат по отрасли. Никто не обещает, что это будет легко, но это возможно. Рассказываем, с чего начать, если интересен этот путь.
Совсем недавно мы выбирали одну профессию на всю жизнь. После школы или института человек шел работать по выбранной специальности. Потом сменить профессию было крайне сложно, если вообще возможно. Менеджеру захотелось стать разработчиком? Mission impossible. Сейчас это вполне реально, люди меняют специальность в любом возрасте благодаря онлайн-образованию. Учиться же можно без отрыва от работы.
Но есть другая проблема — онлайн-курсы редко дают теоретическую базу такого же качества, как хорошие вузы. В 2016 году самые крупные EdTech-стартапы, Coursera, Udemy и Udacity задумались над этой проблемой и начали сотрудничать с вузами. У них все получилось — появились серьезные программы подготовки специалистов, отвечающие стандартам высшего образования. Эти программы объединяют достоинства классического обучения, его фундаментальность, и новейшие разработки из сферы EdTech, её технологичность, удобство и возможность индивидуального подхода к каждому студенту. Сейчас интеграция вузов и EdTech началась и в России.
Пример — первая русскоязычная онлайн-магистратура «Наука о данных» по Data Science от НИТУ «МИСиС» и образовательной платформы SkillFactory. Это еще и первый в РФ случай партнерства частной EdTech-платформы с государственным вузом по модели OPM (Online Program Management).
Мы верим в модель OPM (Online Program Manager) — взаимодействие вузов и образовательных компаний в создании и реализации инновационных образовательных программ. Эта модель уже больше 10 лет успешно работает в США и Европе, и мы уверены, что в ближайшие годы она отлично покажет себя и в российских вузах. Мы рады привнести эту новую практику в Россию и помочь НИТУ «МИСиС» сделать первую русскоязычную онлайн-магистратуру по Data Science
OPM дает возможность вузам быстрее реагировать на запросы рынка, предоставляя студентам современные знания. EdTech-проекты, в свою очередь, делают образование более доступным в финансовом и географическом плане.
Благодаря сотрудничеству МИСиС и SkillFactory выпускник магистратуры получает практический опыт и знания по Data Science, соответствующие уровню миддла, так что выпускник представляет серьезный интерес для бизнеса
Эта цифровая специальность становится все более востребованной. Нужны промышленности, научным организациям, бизнесу, государству. Человечество генерирует все больше данных, в год около пары сотен эксабайт. Большая часть информации — неструктурированная, это сырые данные, которые необходимо обрабатывать и анализировать. Как раз этим и занимаются эксперты по Data Science.
По данным HeadHunter и Mail.ru Group спрос на таких специалистов быстро растет. С 2015 по 2019 гг количество вакансий в области анализа данных выросло в 9,6 раз, вакансий в сфере машинного обучения стало больше в 7,2 раза. И несмотря на это, сфера все еще находится в начальной стадии своего развития. Порог входа достаточно высокий, но вполне преодолимый. С течением времени требования работодателей к экспертам в сфере Data Science будут ужесточаться, поскольку отрасль эволюционирует. Так что если начать обучение сейчас, через 2-3 года студент станет востребованным профессионалом.
Активнее всего специалистов в сфере Data Science ищут IT-компании, финансовые организации и представители сферы услуг для бизнеса. они востребованы и в других сферах. Так, в медицине data scientists требуются для диагностики сложных заболеваний по результатам анализа, в маркетинге они помогают выявлять потребительские инсайты, в образовании — определить эффективность обучения класса, группы или всего вуза в целом. Harvard Business Review называет data scientist «самой желанной профессией XXI века». Часто приходится слышать, что рынок Data Science перегрет, но на самом деле хороших специалистов пока еще очень мало, а вот мест, где они требуются — очень много.
Data science — отрасль, которая ощутимо и понятно меняет мир вокруг нас, делая его эффективнее, быстрее и интереснее