• 7 августа 2019, среда
  • Москва, Ленинградский проспект, 39 стр. 79, офис компании mail.ru group, 2 этаж, аудитория №1, чтобы попасть в здание необходим ПАСПОРТ

ok.tech: Data Толк #2

Регистрация на событие закрыта

Извините, регистрация закрыта. Возможно, на событие уже зарегистрировалось слишком много человек, либо истек срок регистрации. Подробности Вы можете узнать у организаторов события.

Другие события организатора

1695 дней назад
7 августа 2019 c 18:30 до 22:00
Москва
Ленинградский проспект, 39 стр. 79, офис компании mail.ru group, 2 этаж, аудитория №1, чтобы попасть в здание необходим ПАСПОРТ

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, DigitalOctober) и Виктор Кантор (Mail.ru Group, Data Mining in Action). 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.

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 студент, да и потом на работе он 80% времени будет пользоваться именно этими навыками. Но в то же время крайне важно потом научить его правильному мышлению 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 комерческого 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 времязатрат.


Дмитрий Коробченко, Nvidia, GeekBrains, SkillBox, DigitalOctober

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.

Виктор Кантор, Mail.ru Group, Data Mining in Action

Каждый год в рамках одного только оффлайн-курса Data Mining in Action с машинным обучением знакомится порядка тысячи человек. В онлайн-курсах, запущенных только нами с коллегами (а на свете, очевидно, еще очень много других курсов), за последние три года поучаствовало примерно 100 тысяч человек. Разумеется, тех, кто не просто "знакомится", а доходит до конца и становится, например, Junior Data Scientist’ом, значительно меньше, но все равно в анализ данных сейчас приходит просто сумасшедшее количество людей, так что нанять человека на начальную позицию не очень сложно. А вот с уровня миддлов и выше начинаются проблемы — поиск сотрудника сразу становится долгим, мучительным и, как следствие, дорогим. Что же с этим делать — вопрос, которым я занимаюсь сейчас.

Партнеры

Регистрация

Рекомендуемые события

Организуете события? Обратите внимание на TimePad!

Профессиональная билетная система, статистика продаж 24/7, выгрузка списков участников, встроенные инструменты продвижения, личный кабинет для самостоятельного управления и еще много чего интересного.

Узнать больше