074. Чем отличаются data analyst, data engineer и data scientist – Алексей Натёкин

• Зарегистрируйтесь на ODS AI и заполните гугл-форму.  

• Получите инвайт в Slack Open Data Science.  

• В сообществе более 20 тысяч участников.  

• Тематические каналы по диплернингу, проп, компьютерному зрению.  

• Встречи в разных городах и странах.  

• Проектные каналы и конкурсы.  

• Преобразование данных в полезные действия.  

• Создание дата-driven продуктов.  

• Дата-сайентист должен знать статистику, программирование и предметную область.  

• Программирование, математика, машинное обучение.  

• Знание предметной области и общение с коллегами и заказчиками.  

• Три основных направления: мотан, кодинг, общение.  

• Дата-аналитики, ресерчеры, дата-инженеры.  

• Разные роли и задачи в команде.  

• Аналитики и девопсы также важны.  

• Дата-сайентист – недоспециализированная профессия.  

• Каждая вакансия – случайная комбинация навыков.  

• Дата-сайенс применим в разных областях.  

• В конце 90-х был тренд на компьютер-сайентистов.  

• Сейчас вакансии компьютер-сайентистов редки.  

• Профессия дата-сайентиста становится более специализированной.  

• Обсуждается необходимость супер-дата-сайентиста, который может решать задачи бизнеса и разрабатывать продукты на основе данных.  

• Ожидается, что с появлением лучших практик и процессов, специализация в области дата-сайентистики станет более зрелой.  

• Мероприятие организовано по вопросам зрителей, и вопросы будут обсуждаться.  

• С ростом опыта в дата-сайентистике важно не только знание математики, но и понимание полезности для бизнеса.  

• Ответственность за результаты и взаимодействие с бизнес-заказчиками становится ключевым фактором.  

• Сеньор-дата-сайентист должен уметь решать проблемы бизнеса, а не просто создавать математические модели.  

• Сеньор-дата-сайентист должен уметь общаться с бизнес-заказчиками, предлагать решения и поддерживать диалог.  

• Важно уметь переводить бизнес-задачи на язык команды дата-сайентистов и нести ответственность за результаты.  

• Сеньор должен приносить результаты бизнесу, независимо от используемых технологий.  

• Сеньор-дата-сайентист должен постоянно итеративно работать над проектами, принося результаты бизнесу.  

• Важно использовать доступные данные и модели, даже если они не идеальны.  

• Бизнес не всегда требует сложных технологий, главное – решение задачи.  

• Опыт разработки и структурирования кода полезен для карьеры в машинном обучении.  

• Важно кооперироваться с ответственными за продукты на основе данных и разбираться в бизнес-задачах.  

• Многие дата-сайентисты сталкиваются с необходимостью коммуницировать и работать с данными, а не только с математическими моделями.  

• DL – это под-область машинного обучения, но не все методы машинного обучения относятся к DL.  

• ML включает оптимизацию, статистические модели и работу с данными.  

• ML – это математическая дисциплина, а дата-сайентистика – зонтик для создания продуктов на основе данных.