Что бы я делал, если бы начинал карьеру в ML с нуля. Вопрос подписчика
Давайте порассуждаем о пути начинающего специалиста. Итак, начиная карьеру в 2023 году, я бы:
1. Поступил в университет на факультет с сильным направлением больших данных или машинного обучения. Если бы мне хотелось боли, страданий и превозмогания — МФТИ, а если в приоритете учеба полайтовее и сбалансированное развитие — ВШЭ.
И не надо думать, что «полайтовее» это значит, что вы будете меньше знать. На старте не стоит жестить. Адская учёба приучает пахать на износ, но не учит работать в обычном регулярном режиме. А в жизни нужно как раз это. Так что во всем есть свои плюсы и минусы.
2. После вуза пошёл в магистратуру писать научную работу.
Сейчас, к сожалению, основные центры науки по ML сосредоточены не у нас в стране. Но к выпуску из университета всё может поменяться. Мы всегда славились математиками и программистами. Даже если у нас будут определённые трудности с вычислительными мощностями, уж с алгоритмами и математикой мы точно можем справляться лучше всех.
3. Особо инвестировал в научную карьеру. На Западе уже давно самые дорогие Chief Data Scientist’ы в первую очередь хорошие учёные. Хотя в России другая турбулентность и горизонт планирования, однажды это к нам тоже придёт.
4. Параллельно знакомился с большими языковыми моделями и с темой мультимодальных моделей. После базовых курсов устроился на работу в этих направлениях.
5. Дальше двигался в область этичности AI. С этим нас явно ждёт много развлечений: нужно будет придумывать инженерные методы, как задавать нейросетям определенные рамки.
6. А затем — по ситуации, на основе кругозора и нетворка из университета и с работы.
А как бы вы сегодня делали карьеру в нашей сфере? Поделитесь в комментариях своими советами начинающим: что стоит делать, а чего лучше избегать?
#вопрос_подписчика
Давайте порассуждаем о пути начинающего специалиста. Итак, начиная карьеру в 2023 году, я бы:
1. Поступил в университет на факультет с сильным направлением больших данных или машинного обучения. Если бы мне хотелось боли, страданий и превозмогания — МФТИ, а если в приоритете учеба полайтовее и сбалансированное развитие — ВШЭ.
И не надо думать, что «полайтовее» это значит, что вы будете меньше знать. На старте не стоит жестить. Адская учёба приучает пахать на износ, но не учит работать в обычном регулярном режиме. А в жизни нужно как раз это. Так что во всем есть свои плюсы и минусы.
2. После вуза пошёл в магистратуру писать научную работу.
Сейчас, к сожалению, основные центры науки по ML сосредоточены не у нас в стране. Но к выпуску из университета всё может поменяться. Мы всегда славились математиками и программистами. Даже если у нас будут определённые трудности с вычислительными мощностями, уж с алгоритмами и математикой мы точно можем справляться лучше всех.
3. Особо инвестировал в научную карьеру. На Западе уже давно самые дорогие Chief Data Scientist’ы в первую очередь хорошие учёные. Хотя в России другая турбулентность и горизонт планирования, однажды это к нам тоже придёт.
4. Параллельно знакомился с большими языковыми моделями и с темой мультимодальных моделей. После базовых курсов устроился на работу в этих направлениях.
5. Дальше двигался в область этичности AI. С этим нас явно ждёт много развлечений: нужно будет придумывать инженерные методы, как задавать нейросетям определенные рамки.
6. А затем — по ситуации, на основе кругозора и нетворка из университета и с работы.
А как бы вы сегодня делали карьеру в нашей сфере? Поделитесь в комментариях своими советами начинающим: что стоит делать, а чего лучше избегать?
#вопрос_подписчика