Комментарии 6
Технологии машинного обучения и нейросетей переоценены
Здесь появилось желание бросить читать.
Методы машинного обучения канибализируют культуру аналитического мышления
А вы в курсе, что аналитик и датасатанист (хорошие) в принципе занимаются разными вещами?
Для достижения экономического эффекта… важнее soft-скиллы
Вот здесь вообще лол. Серьезно? Пойдете на собеседование на условную «вакансию мечты» и будете там трясти своими софт скиллз?
Профессия Data Scientist'а — сильно переоценена
Classic.
Статья блаблабла. Ладно себя позиционируют как выпускающих этаких практиков дата аналитики, но зачем на других наезжать? И вообще всех «остальных» уравнивать одинаково?
Кто в сфере работает, а не просто изучает, знают всё это «сакральное». Да и девственно чистых дата-аналитиков в природе еще не появилось, у всех некоторое базовое предметное образование или прикладной опыт.
Короче, какой-то хреновый маркетинг. Тоже по выводам пройдусь.
1. «Технологии машинного обучения и нейросетей переоценены».
— их вообще невозможно оценивать. Либо модель работает и дает положительный экономический эффект, либо нет. Машинное обучение — один из способов моделирования, причем самый… экономически эффективный (при наличии данных).
2. «Методы машинного обучения канибализируют культуру аналитического мышления».
— аналитика конечно хорошо, но аналитика с моделью лучше. Если где-то проскакивают аналитику и сразу идут к модели — просто дольше натрахаются.
3. «Для достижения экономического эффекта… важнее soft-скиллы».
— звездеж, непонятно откуда взявшийся.
4. «Профессия Data Scientist'а — сильно переоценена».
— окей, берите аналитика, математика и программиста сразу вместо одного дата-саентиста. Подождите пока все поймут-разберутся, пока договорятся, пока один поймет что сделал другой и прочие накладные. Вот прям кровавый дата-энтерпрайз или галерный конвейер. Не работают они в дата-саенсе.
Расскажите, пожалуйста, на чём основаны ваши выводы?
Например, вы пишете
Банки — самые успешные кейсы в управлении рисков. В телекомах — это CRM/CBM, где вся бизнес-модель завязана на увеличение LTV абонентов.
Да, задачи сейчас решаются. Но, во-первых, ресурсов, которые были потрачены на решение этих задач, было потрачено неимоверное количество. Во-вторых, ни один аналитик не сможет обработать такое количество информации, которую учитывает модель машинного обучения или нейронная сеть.
Аналогично можно сказать про остальные пункты в ваших выводах.
Отчасти я согласен с вами, что сейчас существует некая проблема с тем, что каждый xgboost-аналитик/программист может называть себя Data Scientist-ом, но это иная проблема, которую решать надо по-другому. А "настоящие" Data Scientist-ы, как мне кажется, это как раз те самые аналитики но "на стероидах", которые умеют в Python, xgboost, DL и прочее.
Разница между Data Scientist и подростком в спорткареУ второго очень богатые родители?
Точно знаю, что преподаватели большую часть времени не преподают, а решают реальные задачи бизнеса, поэтому они имеют право критиковать отрасль.
Поэтому в конце удивился комментариям и заминусованной статье. Но запасся попкорном, видимо будет интересное развлекалово.
Наполовину наброс, наполовину капитан-очевидность.
Хотите сделать себе рекламу своей студии на ресурсе?
Напишите что-нибудь интересное про реальные кейсы и проекты.
Хотите сделать рекламу своим курсам? Сделайте обучающую статью, расскажите про аналитическое мышление.
Разница между Data Scientist и подростком в спорткаре