Українська Манітоба
-
-
Та я вже відчуваю, знати би де - вже б почав там де треба 😢
-
Таких вакансій у Вінніпезі майже не буває. В ІТ-консалтингу відразу хочуть людей з досвідом. Більше того, просто data analyst не є чисто ІТ-позиція. Це більше бізнес-аналітик, який вміє аналізувати дані. Навіть знає трохи бази даних. Наприклад, у Canada Life, найбільшій страховій компанії Канади, у Вінніпезі бізнес-аналітики з базами даних "на ти". Однак, вони працюють у бізнес-департаментах, а не ІТ. Вони можуть бути задіяні тичасово у ІТ-проектах як product owners, subject matter experts тощо. Дата аналітик/бізнес аналітик, який має знання конкретного бізнес-домену (банкінг, страхування тощо) може бути на вагу золота. В ІТ є data engineers, а це далеко не дата аналітик. What’s the difference between a data analyst and a data engineer? Data scientists and data analysts analyze data sets to glean knowledge and insights. Data engineers build systems for collecting, validating, and preparing that high-quality data. Data engineers gather and prepare the data, and data scientists use the data to promote better business decisions.
-
3.58?
-
Стати експертом в Data Science без грунтовних знань із статистики, математики неможливо. Буткемп-курси не допоможуть. Data scientists (особливо в ІТ) зараз будують ML моделі, активно експериментують з AI/ML. Я працю з data scientists. Майже всі зі ступенями PhD, дисертаціями та з цитуванням у Google Scholar. Нещодавно я пройшов супер-інтенсивний 16-тижневий курс по Data Science/Machine Learning в універі Торонто. Навчання практично щодня по 3 години. Я вчився дуже інтенсивно, купа додаткової роботи, свої міні-проекти тощо. Однак, я можу вам сказати, що порівняно зі своїм колегою по роботі, який має PhD у Data Science і ще трьох якихось технічних доменах плюс він писав дисер по автономних електрокарах, я практично нічого не знаю. Тому після різних буткемпів та рандомних онлайн-курсів, можна себе називати data scientist, але знань та конкурентоспроможності від того не додається. Можна навіть знайти роботу у якомусь невеликому стартапі, де можна витягувати на оперсорсних ML моделях і навіть заробляти непогані гроші. Однак, рано чи пізно ви впретесь в те, що ви можете тільки використовувати те, що написано до вас. Ви не зможете придумати нове.
-
Ну це ж айті, ось що я знаю, так що там ти будеш вчитися постійно
-
А через 5-6 років то вже буде не в тренді 🤣, замкнуте коло
-
О, це вже щось Дякую, що ділетесь досвідом Бо важко побачити
-
В той же час я знаю людину, яка була перекладачем, мала повністю гуманітарну освіту, але, пройшовши увесь AWS Cloud Institute плюс кілька курсів в універі (академічна освіта дає добре підгрунтя), стала через кілька років офігенним cloud developer у тій же компанії. На програміста свічнутись відносно легше, ніж на справжнього data scientist.
-
Це як коли я починав у іт було дуже круто «мікросервіси» зараз я дивлюся і багато топ компаній ще по інерції називають те що вони роблять мікросервісною архітектурою але по факту то все дистрібьютед моноліти. Або ж модульні моноліти. Так само було популярно серверлес але щось я не бачу щоб хтось той серверлес юзав більш менш істотно. Хз до чого воно йде але я все ще роблю що і робив. Нажаль а може на щастя я до аі не маю відношення
-
Бух/Аудит/Економіка
