7 августа в московском офисе Одноклассников состоится ok.tech: Data Толк #2, в этот раз мероприятие будет посвящено образованию в Data Science. Ни для кого не секрет, что сейчас вокруг работы с данным такой хайп, что только ленивый не задумывался над получением образования в области датасаенса. Кто-то считает, что без университетского образования стать датасаентистом – невозмножно, есть сторонники мнения, что можно обучиться работе с данными с помощью курсов, другие придерживаются позиции что хороший датасаентист это – практика и разносторонний подход. Мы соберем на своей площадке представителей разных мнений и дадим им возможность подискутировать на эту тему. Мероприятие пройдет в формате дискусси между спикерами, в этот раз с нами будут Евгений Соколов (ВШЭ, Яндекс.Дзен), Дмитрий Бугайченко (OK.ru), Пётр Ермаков (Lamoda, DataGym), Дмитрий Коробченко (Nvidia, GeekBrains, SkillBox, Digital October) и Виктор Кантор (Mail.ru Group). Мы приглашаем всех, кому интересна тема образования в DataScience присоединиться к мероприятию и высказать свою точку зрения. Учились на курсах, приходите и расскажите что это вам дало, считаете, что без PHD в анализе данных нельзя, приходите и расскажите почему, считаете, что датасентист должен уметь писать в прод, приходите – обсудим.
Под катом мнения экспертов и расписание.
Евгений Соколов, ВШЭ, Яндекс.Дзен
Сейчас есть много вариантов обучения анализу данных — есть что-то ближе к «техникуму», где учат просто пользоваться готовыми инструментами, если и противоположные мнения о том, что надо смотреть на ML как на математическую штуку, а не на ремесло. Считаю, что в первую очередь нужно всё же учить ремеслу, потому что без этого невозможно замотивировать студента, да и потом на работе он 80% времени будет пользоваться именно этими навыками. Но в то же время крайне важно потом научить его правильному и глубокому пониманию методов — без этого студент просто не станет конкурентоспособным на рынке труда.
Дима Бугайченко, OK.ru
По DS образованию я бы выделил несколько важных «челенджей», которые отличают именно DS от остальных направлений. Во первых это динамика — все очень быстро меняется и поэтому нельзя выучится, получить диплом и стать DS, можно только постоянно учится чтобы DS оставаться. Во вторых это синергия очень разных дисциплин — нужно понимать и математическую суть методов, и быть на ты с технологиями (если мы говорим о DS а не о мартышке тыкающей в XGBoost-палкой). Ну и в третьих это очень высокий спрос на образованных DS от индустрии, в совокупности с большим разрывом в ожиданиях между индустрией и академией в России, что, в том числе, приводит к появлению большого числа «школ» от крупных игроков рынка.
Пётр Ермаков, Lamoda, DataGym
Я очень люблю преподавание, люблю тот момент, когда сложное удается рассказать простым языком, а в глазах — увидеть понимание. За последние 10 лет я успел попреподавать в 26 запусках трех коммерческих курсов, двух университетах, внутри компании и провести открытый образовательный проект. А Сейчас я занимаюсь созданием коммерческого 3-х месячного курса по машинному обучению DataGym.ru. Все виды образования хороши по-своему. И коммерческие курсы — не исключение. Это другие возможности, другой порог вхождения, другой уровень мотивации и затрат времени.
Дмитрий Коробченко Nvidia, GeekBrains, SkillBox, Digital October
Моя позиция в том, что нет направлений, которые бы обладали всеми возможными плюсами. Не могу сказать, что что-то одно рулит, а вот это вот другое — нет. Я скорее за матан, линал и нормальную математику. Не очень люблю, когда люди пользуются инструментами без понимания, как они работают (хотя бы на среднем уровне). Но думаю, что в некоторых бизнес кейсах это будет оправдано. Особенно с учётом демократизации И.И. Касательно Каггл, могу сказать, что знаю много людей (и сам из таких), кто развился в области довольно хорошо вообще не прибегая к этому ресурсу. Но думаю, что дополнительный буст в определенных скиллах он всё же даёт.
Расписание
18:30 — 19:00 — Регистрация участников
19:00 — 19:05 — Интро от Алексея Чернобровова
19:05 — 20:00 — Полемика на тему образования в Data Science
20:00 — 20:20 — Кофе-брейк
20:20 — 21:30 — Продолжение полемики
Автор: Александр Анисимов
