Отчёт с митапа по Big Data
У меня очень противоречивые чувства по поводу прошедшего мероприятия. Группа "Women Who Code" пригласила известного специалиста из Alphabet (Google) с большим профессиональным стажем рассказать о значении и ценности онлайн-данных для индустрии социальных сетей. Зал для презентации предоставила компания VMWare, пицца тоже была от них - толстая и вкусная.
Я, признаться, прочитала описание заявленной темы в пол-глаза и поэтому ожидала немного другого. Я ожидала более обзорной вещи: чего-то об арсенале знаний, который требуется для анализа и рассмотрения этих данных, может быть примеры того, как эти данные используются не только для показа рекламы или предсказаний на рынке акций. Ну то есть что-то такое, от чего бы любознательный человек загорелся и захотел что-то начать анализировать. По-правде говоря, последнее, что может заставить меня захотеть заниматься big data - это оптимизация алгоритмов показа чьей-то там рекламы...
В результате, бОльшая часть лекции прошла мимо меня. Лектор перескакивал с обсуждения каких-то конкретных инструментов (SAS это очень круто) и приёмов (тут только квадратичная функция!!!) на интермиссии с отсылками к известным фильмам и сериалам с целью то ли развлечь аудиторию, то ли продемонстрировать, что всё в мире устроено по одним и тем же законам. Экскурс в историю роста компьютерных мощностей мне вообще показался неуместным. А ещё он выглядел явно смущённым перед аудиторией, заполненной женщинами (мужчина в возрасте за 50, родом из СССР).
Самая большая ошибка, которую я совершила - я не посмотрела перед мероприятием на LinkedIn-профиль лектора. А когда посмотрела, у меня сразу возникла гора вопросов, но было уже поздно. Потому что оказалось, что его профессиональные интересы и достижения распространяются далеко за пределы рекламной индустрии! Например, он был ведущим специалистом в проекте NASA, изучавшем производительность человека в стрессовых ситуациях. Преподаёт машинное обучение в Беркли. Ну и т.п.
Но один вопрос я всё-таки задала и получила вполне информативный ответ. Я спросила, как программисту стать аналитиком данных/data scientist. Что отделяет программиста, прошедшего курсы по алгоритмам машинного обучения и знающего основы статистики, от того, чтобы стать экспертом в big data. Первым ответом было: владение предметной областью. Про это лектор говорил ещё во время своей презентации и, конечно, это важно, но мне хотелось более глубокого ответа. Поэтому я уточнила: ДО того, как он погрузится в предметную область. После непродолжительного размышления, он ответил: оптимизации, матричное исчисление (привет Куликову с его ВЛА!), relevant computer science, владение библиотеками на python и R и прочим инструментарием. И меня в который раз легонько "торкнуло": как жаль, что до нас в университете не смогли донести, для чего мы всё это проходили.
Мои выводы: Тема действительно интересная, и хорошо ложится на мои способности. Мне бы понравилось в этой области работать(за минусом рекламы!). Возможно, действительно имеет смысл копнуть в неё. Надо только распланировать когда и что я делаю, чтобы не создавать хаоса в голове :)
Я, признаться, прочитала описание заявленной темы в пол-глаза и поэтому ожидала немного другого. Я ожидала более обзорной вещи: чего-то об арсенале знаний, который требуется для анализа и рассмотрения этих данных, может быть примеры того, как эти данные используются не только для показа рекламы или предсказаний на рынке акций. Ну то есть что-то такое, от чего бы любознательный человек загорелся и захотел что-то начать анализировать. По-правде говоря, последнее, что может заставить меня захотеть заниматься big data - это оптимизация алгоритмов показа чьей-то там рекламы...
В результате, бОльшая часть лекции прошла мимо меня. Лектор перескакивал с обсуждения каких-то конкретных инструментов (SAS это очень круто) и приёмов (тут только квадратичная функция!!!) на интермиссии с отсылками к известным фильмам и сериалам с целью то ли развлечь аудиторию, то ли продемонстрировать, что всё в мире устроено по одним и тем же законам. Экскурс в историю роста компьютерных мощностей мне вообще показался неуместным. А ещё он выглядел явно смущённым перед аудиторией, заполненной женщинами (мужчина в возрасте за 50, родом из СССР).
Самая большая ошибка, которую я совершила - я не посмотрела перед мероприятием на LinkedIn-профиль лектора. А когда посмотрела, у меня сразу возникла гора вопросов, но было уже поздно. Потому что оказалось, что его профессиональные интересы и достижения распространяются далеко за пределы рекламной индустрии! Например, он был ведущим специалистом в проекте NASA, изучавшем производительность человека в стрессовых ситуациях. Преподаёт машинное обучение в Беркли. Ну и т.п.
Но один вопрос я всё-таки задала и получила вполне информативный ответ. Я спросила, как программисту стать аналитиком данных/data scientist. Что отделяет программиста, прошедшего курсы по алгоритмам машинного обучения и знающего основы статистики, от того, чтобы стать экспертом в big data. Первым ответом было: владение предметной областью. Про это лектор говорил ещё во время своей презентации и, конечно, это важно, но мне хотелось более глубокого ответа. Поэтому я уточнила: ДО того, как он погрузится в предметную область. После непродолжительного размышления, он ответил: оптимизации, матричное исчисление (привет Куликову с его ВЛА!), relevant computer science, владение библиотеками на python и R и прочим инструментарием. И меня в который раз легонько "торкнуло": как жаль, что до нас в университете не смогли донести, для чего мы всё это проходили.
Мои выводы: Тема действительно интересная, и хорошо ложится на мои способности. Мне бы понравилось в этой области работать(за минусом рекламы!). Возможно, действительно имеет смысл копнуть в неё. Надо только распланировать когда и что я делаю, чтобы не создавать хаоса в голове :)