Прикладной анализ данных

Магистерская программа "Прикладной анализ данных" позволила попробовать свои силы в самых разных областях, начиная от разработки, машинного обучения и заканчивая управлением проектами. Данная программа рассматривает анализ данных с разных сторон, позволяя создать целостную картину и в дальнейшем развиваться уже по понравившемуся направлению. Я очень рада, что закончила обучение по данной программе магистратуры и познакомилась с классными людьми.

Для меня основным плюсом данной программы служит концепция обучения, преподают преподаватели-практики, которые ведут те дисциплины, в которых работают (к примеру, Python, преподаёт Python-разработчик, DevOPS преподаёт DevOPS-инженер), благодаря этому информация актуальная + разбираются рабочие кейсы, где объясняют как применить пройденные темы. Ещё одним плюсом является доступность преподавателей и руководства (с ними можно быстро связаться в случае каких-то вопросов). Также в общем чате периодически появляется информация о стажировках и вакансиях, можно напрямую написать тимлиду, который ищет себе сотрудника и всё узнать (это очень помогло мне в трудоустройстве). Из минусов могу выделить только сложность некоторых дисциплин (но это скорее зависит от учебного/карьерного бэкграунда конкретного человека). Также нет одного уровня преподавания дисциплин, кто-то из преподавателей хорошо объясняет материал, кто-то не очень.

С современными трендами, когда от специалистов требуют все больше знаний в смежных областях, программа магистратуры оказалась невероятно полезной, поскольку позволила получить более полное представление о том, как создать продукт - от идеи до клиента, вне зависимости от того, какой вектор профессионального развития является приоритетным. Я работаю в продуктовой команде, занимающейся разработкой поиска и рекомендаций в ecommerce. Опыт, который я получила в магистратуре, работая над проектами в команде каждый семестр - оказался очень ценным на моем текущем месте. Прежде чем решить какую-либо задачу с помощью ML, необходимо обработать большое количество данных и понять: каких данных не хватает, какую определить целевую, какой подход для моделирования следует выбирать (бывает конечно и так, что после этого шага становится ясно, что ML и вовсе не нужен), как оценить эффективность. Так же вам, как разработчику, нужно озадачиться вопросами организации своевременной поставки данных и проверки их на целостность. Может быть и так, что описать решение в jupyter будет недостаточным. Тогда необходимо организовать свою работу в микросервис, со всеми вытекающими: рефакторинг, логирование, тесты и пр. В своей работе я сталкиваюсь с каждым из вышеописанных тезисов.