Чем отличаются ML engineer, data analyst, data engineer и data scientist | Виктор Кантор

[@cubicworlds]

Неужели кто-то нормально объяснил эту разницу. Спасибо

[@ML_inside]

Стараемся, спасибо, что смотрите

[@methylithium3]

Очень информативное видео! Спасибо! А то всегда было сложно разобраться между этими направлениями 😊 Ещё часто вижу, что есть MLops, это получается всё-таки ближе к Data Engineer?

[@ML_inside]

MLops видите часто прям как отдельную роль или как навык в описанных ролях?

[@methylithium3]

@@ML_inside Просто часто вижу в KZbin туториалы и там упоминается MLops... Типа Learn MLOps, How to be a MLops, итд...

[@ML_inside]

@@methylithium3тогда это ближе к ML Engineer но в целом и DS будет полезно

[@Yeaaaahize]

Ваш курс будет ближе к какой профессии? DS? Или планируются отдельные курсы по каждой ветке?

[@ML_inside]

Первый к DS, но дальше будут и другие

[@Principal19911]

В каком направлении больше однотипных задач?

[@im0767]

Спасибо. Интересно.

[@HOOKAH10]

Спасибо! Можно еще немного добавить про mlops

[@ML_inside]

Можем даже отдельное видео сделать, часто сейчас говорят про mlops

[@АрсенийКривецкий]

Спасибо!

[@Alexey_Don]

не понятно, когда говорите, что Data Scientist строит модели подразумевается классический ML? или может и нейросеть писать на pytorch? или второе это уже ML-инженер, там ведь архитектура модели важна и может быть много ООП. Такое ощущение, что отрасль ещё крайне далека от каких-либо разграничений понятных, в каждой компании всё по-своему. Я сейчас учу классический ML по ещё тем Вашим курсам от МФТИ, у меня высшее образование естественно-научное. Хотелось бы в идеале писать нейросети на pytorch (copmuter vision, LLM), но классический ML помогает понять базу тоже. Да и я бы не против был начать с любого вида машинного обучения, на самом деле всё интересно. Но реально мало понятно, что сейчас творится в отрасли в 2024, может быть искать вакансию джуна на pytorch это вообще лишь влажные мечты, что-то их совсем не много. Зато иногда попадаются вакансии, в которых , судя по требованиям, ты должен уметь и немного в дата инженера, и написать модель, которая умеет работать с аудио и так далее вплоть до деплоя: надо знать flask

[@Alexey_Don]

задача первоочередная все-таки вкатиться в ML на реальные проекты. В любые проекты. В начале будет интересно всё, а дальше уже с опытом и появится возможность выбирать. Параллельно с обучением недавно начал практику на данных реального заказчика (зарубежного завода) с задачей регрессии. Нужно предсказывать показания датчиков в сложной системе по большому количеству исторических данных. Причем полный цикл: понять заказчика, перевести задачу на язык ML, выбрать метрики (RMSE в конкретном случае точно не лучшая), выбрать loss function, подобрать гиперпараметры, получить результаты и сделать презентацию. Помогает основное образование, совпадающее с доменом в данном случае и опыт работы в науке, где нужны похожие скиллы. В целом, поработав над этим проектом уже думаю будет что рассказать на последующем собесе.

[@ML_inside]

Да, DS разумеется может и классические модели строить и сетки, сетки в этом плане просто один из методов. Если вы это делаете на PyTorch то это скорее всего будет называться просто DS, а если уже пошли во все тяжкие с разными оптимизациями то могут обозвать и MLE, но вообще это все условности. Много раз видел когда человека который по сути только модельки в Jupyter Notebook крутит тоже называют MLE, просто потому что модно. Но идеологически - у MLE майндсет разраба со знанием как работает ML, у DS - человека, формулирующего и решающего бизнес задачу методами DS, с некоторыми базовыми умениями в разработке.

[@ML_inside]

@@Alexey_Donэто правильный настрой - не медлить и начинать работать. Чем быстрее получаете опыт, тем больше вы соревнуетесь с другими кандидатами не решением задачек на собеседовании, а опытом. Плюс пользуйтесь рекомендациями через знакомых - ваше резюме может сразу кого-то заинтересовать и какие-то этапы можете в итоге проскочить. Главное что при такой рекомендации ваше резюме точно прочитают.