Data Scientist

10) Однажды мне пришлось звонить инвестору и извиняться за неудачный (или слишком удачный) каламбур. Инвестор, кстати, не был представителем гордой кавказской республикой.

Show this thread

Data Scientist

@dsunderhood

Sep 17

9) Однажды меня уволили за пост в инстаграме, полный сексизма, шовинизма и других отвратительных вещей, на которые способны только цисгендерные хуемрази.

8) Знаю человека, который ходил в бар с женщиной из другой компании, чтобы получить у нее датасет для проекта, которым он занимался.

7) Есть человек, которого я нанимал на двух работах по очереди. В свое время он занял мою позицию, когда я уходил. Когда-то перед этим он работал конюхом.

6) Один из потенциальных докладчиков на Датафесте предлагал $1000 за то, чтобы включить его в программу.

5) Кстати, я подписался делать минский Датафест на слабо́: когда-то в пьяном виде на вечеринке после ICML Леша Натекин убедил меня, что это отличная идея, а потом соскочить было уже неловко!

4) Когда-то я делал минские Датафесты и сопутствующие митапы. На самом большом минском датафесте было больше 1000 человек из 13 стран.

3) Однажды я накосячил в логировании так, что на двух фабриках остановились производственные линии.

2) Однажды я накосячил в конфигурации так, что компания недополучила примерно 250k$ в течение месяца, но никто не заметил.

1) Однажды я дрался с женщиной на работе в ожидании митинга. Нормально так помахались, до крови!

Ладно, на сегодня у меня нет никаких конкретных тем, а пятница - хороший день для всякой бестолковой движухи! Потому устроим классическую игру: я напишу 10 фактов (7 правдивых и 3 ложных) и предлагаю дорогим подписчикам угадать, что из них правда, а что нет.

В прошлом году впервые отказался от оффера на $100k+/year удаленно (спасибо ковиду). А ведь я объективно туповат и ленив, и деревья балансировать едва умею, и в динамическое программирование не могу.

Я дважды уходил с хорошей работы с потерей в деньгах более 30%, и многие крутили пальцем у виска "этот лысый совсем поехал кукухой". В обоих случаях mid term это было несомненно правильным решением, не жалел ни разу.

Знаю немало людей, которые оставались в золотой клетке и в течение 3-5 лет теряли в профессионализме. Потом, конечно, им приходилось идти ночевать под мост и собирать бутылки. Или как-то иначе умерить амбиции, точно не помню.

Еще, напомню, есть концепция exploration-exploitation trade-off, она тоже применима к карьере не меньше, чем для многоруких бандитов.

Как в прикладном ML некая устойчивость модели обычно важнее метрики на конкретном тестовом датасете, так и в карьере не надо оверфититься под одно измерение, будь то бабки, модный тайтл или хипстерский технологический стек.

Деньги в моменте не так важны, часто мелочность только мешает в карьере. Но, конечно, я не призываю становиться бессребренником: надо выжимать и окнорм денег и интересную работу, без впадания в крайности.

У меня два основных критерия в карьере: надо максимизировать количество умных людей вокруг и то, насколько лично меня прет этим заниматься. Пилить унылое говно за чемодан денег - неправильно в долгосрочной перспективе (если, конечно, есть неунылые альтернативы).

Сегодня продолжим на тему карьеры, затронутую вчера. Итак, никакие сторонние активности типа Kaggle и опенсорса не заменят осмысленную работу на работе.

Но широта кругозора все равно важна, так что долгосрочно ищите себе нормальный трейд-офф между задротством и гниением, пацаны и пацанессы. Какие еще банальности про образование и т.н. "саморазвитие" я не затронул?

В начале карьеры FOMO и прочите синдромы самозванца хороши и полезны, они мотивируют вгрызаться в новое знание. Дальше и без них неплохо живется: ну, не разобрал свежую статью, и фиг с ним - когда нужно будет, тогда и вникну. Можно позволить себе жить вне работы, весь этот WLB.

Пилить open source - полезно, порог входа повыше, зато и долгосрочная польза для человечества есть! Лучше всего вписываться в проекты средней величины: мелкие - это то же томление в собственном соку, крупные уже достаточно неповоротливы и потому feedback loop будет так себе.

Kaggle круче пет проектов тем, что дает обратную связь в виде лидерборда, но плох тем, что является подмножеством задачи из реального мира. Немного старых (но по-прежнему актуальных) рассуждений на эту тему

habr.com

Kaggle-подходы для CV в проде: внедрить нельзя выпилить

Среди дата сайнтистов ведется немало холиваров, и один из них касается соревновательного машинного обучения. Действительно ли успехи на Kaggle показывают способности специалиста решать типичные...

Kaggle - крутая штука для первичной прокачки в ML. Я когда-то зависал там довольно много, но, став мастером, несколько потерял интерес. Впрочем, раз в год захожу что-нибудь лайтово порешать - посмотреть по сторонам, расширить кругозор.

Пет проекты особенно хороши на начальных этапах карьеры или для освоения совсем незнакомых технологий. Дальше полезность снижается во многом из-за нехватки обратной связи: варясь в собственном соку, экспертом, очевидно, не станешь.

Мне вот дико повезло с умниками - почти всегда вокруг меня оказывались прекрасные коллеги, у которых есть чему поучиться.

Потому забегу вперед и затрону тему карьеры: первые N лет нужно выбирать такую работу, где вокруг тебя будут умники, а ты сам сможешь наступить на достаточное количество граблей в интересной тебе сфере.

Помимо универов и курсов для образования нужны (1) практика, (2) эксперты, которым можно задавать вопросы. Какую-то часть практики можно делать самостоятельно и с людьми в коммьюнити (kaggle, опенсорс, пет проекты). Но этого недостаточно.

Если меня вдруг читают молодые люди, которые не могут для себя решить, надо ли учиться в универе, то лучше учитесь. Я до сих пор изредка жалею, что забил.

Мы - первое поколение, которое может учиться, не выходя из дома, используя топовые курсы на курсере и ютубе, бесплатно или за символические деньги. Нам охренеть как повезло! Правда, человеки по-прежнему ленивы, я в том числе.

Кстати, чтобы получить зачет по "высшей математике" на факультете журналистики (да-да, такое было!), нужно было или уметь перемножать матрицы, или спеть деду-преподавателю песенку. Выбор очевиден.

Сегодня будем говорить про образование и самообразование в том или ином виде. Так уж получилось, что самое продвинутое из околотехнических тем, чему меня учили в формальной системе образования - это умножение матриц. Остальное пришлось собирать по кусочкам самостоятельно.

Дорогие читатели, как вы считаете, насколько широким должен быть спектр задач у машинлернеров?

MLE должны пилить ML
18.5%
MLE - это такие фуллстеки
47.2%
Что-то посередине
20.4%
Да мне наплевать
13.9%

108 votesFinal results

Капитан Очевидность лишний раз напоминает, что software engineering и computer science - это разные вещи.

Проще научить инженера читать статьи и утаскивать sota с гитхаба, чем машинлернера - делать production-ready системы, которые не будут разваливаться от каждого чиха.

В среднем получается, что MLE нужны скиллы и в ML, и в software engineering, в разных местах - в разных пропорциях. По моему скромному опыту, software engineering навыки в среднем оказываются полезнее.

Соответственно, чтобы затащить фичу в прод, надо 1) понять задачу, 2) сделать ее ML ядро, 3) обернуть в python сервис, 4) обновить API у сервисов-консьюмеров (а это обычно разные стеки), 5) потестить, задеплоить, еще раз потестить, 6) что-то еще, о чем я забыл.

Вообще в Instrumental сильна идея, свойственная многим западным стартапам: сказать "it's not my job" - это фатальный зашквар. Потому по умолчанию предполагается, что MLE должен при необходимости делать все, чуть ли кнопочки на фронтенде двигать (на мой взгляд, это уже перебор).

Show this thread

New to Twitter?

By signing up, you agree to the Terms of Service and Privacy Policy, including Cookie Use.

Trending now

What’s happening

Entertainment

LIVE

バラエティー特番『ザ・細かすぎて伝わらないモノマネ』

11日21時〜

Trending in Japan

拳銃自殺

東京・練馬区の交番で警察官が死亡拳銃自殺か

6,569 Tweets

Video games · Trending

天空の翼

5,101 Tweets

朝日新聞デジタル

December 9, 2021

米が開催の民主主義サミット、そもそも何するの？　「世界を二分する」と懸念も

集英社スポルティーバ

3 hours ago

実力派女子キャンパーが冬キャンプで愛用するグッズ５選。テント内の「おこもり時間」が充実する