Rivalry2

HTML Diff

0 added 0 removed

Original 2026-01-01

Modified 2026-02-21

1 <a>#статьи</a>

2 <ul><li>5 апр 2021</li>

3 <li>0</li>

4 </ul>Если наука о данных кажется вам несложной - у вас недостаточно данных.

5 Кандидат философских наук, специалист по математическому моделированию. Пишет про Data Science, AI и программирование на Python.

6 Путь в Data Science в изложении блогеров, популяризаторов и энтузиастов часто напоминает набор сравнительно несложных трюков и приёмов. Сначала немного Python’а, затем дюжина функций из библиотеки Pandas, потом обучаем модель линейной регрессии, и - вуаля! Вы дата-сайентист.

7 Но коллективный опыт индустрии и здравый смысл подсказывают, что между падаваном, который владеет несколькими трюками, и хорошим дата-сайентистом - весьма приличная дистанция.

8 В терминах классической педагогики изучение Data Science - этосложная образовательная задача, а сам Data Science -сложный навык. То есть он не сводится исключительно к сумме простых навыков - для его освоения нужны ещё три условия:

9 <ul><li>Вспомогательные знания. Когда и в каких ситуациях применять те или иные простые навыки. Эти знания можно представить в виде эвристических схем "если - то - иначе". Чтобы описать сложный навык, понадобятся целые леса из таких схем.</li>

10 <li>Процедурные знания. Объясняют, как именно применять навыки. Чаще всего это инструкции, руководства или чек-листы.</li>

11 <li>Практика отработки задач по частям. Помогает закрепить простые навыки не по отдельности, а в правильных сочетаниях и последовательностях - от небольших цепочек приёмов до законченных циклов действий.</li>

12 </ul>Если не забывать про все четыре компонента - три перечисленных плюс набор приёмов, - изучение Data Science будет более эффективным. Списки необходимых навыков и приёмов можно найти, например, в нашей<a>недавней статье</a>о карьерном пути дата-сайентиста.

13 Успешная работа в Data Science требует сплава знаний из программирования, статистики и консалтинга. Вот примеры задач, которые решает дата-сайентист:

14 <ul><li>оценка потребностей заказчика;</li>

15 <li>отбор данных для анализа;</li>

16 <li>загрузка данных в среду разработки;</li>

17 <li>удаление выбросов и обогащение данных;</li>

18 <li>выбор и настройка модели;</li>

19 <li>интерпретация результатов работы модели.</li>

20 </ul>Настоящий специалист решает задачи согласованно и с учётом их взаимного влияния, а не по отдельности - "сферически в вакууме".

21 Эти сложные взаимосвязи рабочих задач дата-сайентиста порождают цепочки верхнеуровневых вопросов. Например:

22 <ul><li>Как заполнить пропущенные значения в данных, исходя из особенностей бизнеса и потребностей заказчика?</li>

23 <li>Какие параметры выбрать у моделей, если пропущенные значения заполнены тем или иным способом?</li>

24 <li>Почему модель выдаёт странные результаты: я выбрал не те параметры, не разобрался в отрасли или просто не понял заказчика?</li>

25 </ul>Традиционный подход - последовательно осваивать простые навыки, а в конце объединить их в один сложный. Такой метод помогает понять каждый шаг решения, но обычно игнорирует взаимосвязи между ними. Альтернатива - решать задачу целиком, учитывая взаимные и обратные связи между этапами. Звучит хорошо, но как это сделать?

26 Пол Хиемстра, преподаватель и практик Data Science,<a>даёт три совета</a>тем, кто хочет эффективно изучать науку о данных.

27 Работайте над проектами целиком. У начинающих дата-сайентистов обычно скромная роль, они отвечают за небольшие кусочки проекта. Эту проблему решает pet-проект, который можно делать параллельно с основной работой. Он поможет помнить о масштабе и не работать над разными этапами по отдельности. Конечно, придётся осваивать и точечные навыки (например, какую-нибудь Python-библиотеку), но потом сразу возвращайтесь к целой задаче.

28 Как сделать pet-проект: найдите<a>датасет из интересующей вас области</a>и проанализируйте его, например, по методологии<a>CRISP-DM</a>. Описывайте каждое своё действие, а главное - соединяйте шаги между собой. Для этого подойдут сервисы типа<a>Google Colab</a>и Jupyter Notebooks. Подробный отчёт о pet-проекте украсит ваше портфолио.

29 Найдите хорошего наставника. Обсуждать свою работу с опытным дата-сайентистом - хорошая практика. Так вы прокачаете метакогнитивные навыки, которые необходимы для быстрого разбора сложных проблем. В общении с наставником старайтесь фокусироваться на том,каквы решаете проблему - то есть на подходе и идеях, а не на самом решении (коде, модели, библиотеке). Вопросы "а как…" позволяют максимально раскрыть и перенять опыт.

30 Найдите единомышленников. Объяснение своих решений другим людям, ответы на их вопросы - прекрасный способ лучше понять собственную работу. Помните незадачливого "препода" из анекдота, который на третий раз уже и сам понял, что говорит, а студенты так и не смогли? Так вот - это не просто шутка. А слушая решения других, пытайтесь в первую очередь выяснить,почемуваш собеседник сделал что-либо (например, выбрал конкретную модель).

31 Если помнить про целостный подход и четыре компонента обучения сложному навыку, получится не только брать лучшее из статей и блогов по Data Science, но и грамотно составлять собственные планы изучения конкретного сложного навыка. Как это сделать:

32 <ul><li>Составьте список необходимых простых навыков. Их несложно нагуглить.</li>

33 <li>Пропишите сценарии применения этих простых навыков в рамках сложного. Скорее всего, надо будет обратиться к специализированным блогам, форумам, книгам, подкастам.</li>

34 <li>Научитесь применять каждый навык изолированно, опираясь на инструкции, руководства и документацию. Как правило, их можно найти на официальных сайтах или в блогах разработчиков.</li>

35 <li>Составьте серии задач с увеличением сложности, для решения которых каждый раз будет требоваться всё больше простых навыков. Поиск в интернете по фразе "<название навыка> + задачи" даст вам начальные ориентиры.</li>

36 </ul>Когда составите список, посоветуйтесь с наставником или единомышленниками, чтобы понять, какие задачи стоит убрать, а каких не хватает.

37 Далее следуйте плану. А собранные материалы станут отличной основой для поста в блог, Telegram-канала, подкаста или видео - так вы поможете другим людям и повысите свой статус.

38 <a>Бесплатный курс по Python ➞Мини-курс для новичков и для опытных кодеров. 4 крутых проекта в портфолио, живое общение со спикером. Кликните и узнайте, чему можно научиться на курсе. Смотреть программу</a>