Как стать дата-сайентистом в МТС и не только

В апреле мы запустили практический курс для специалистов, которые хотят освоить популярную профессию Data Scientist. Отвечаю на самые распространенные вопросы о корпоративных курсах: зачем они нужны, кому стоит идти и — главное — помогут ли они устроиться на работу. (Спойлер — помогут, но не всем.)

Евгений Макаров

Руководитель центра Data Science МТС и куратор программы «Школа аналитиков данных» в МТС.Тета

1. Курс по Data Science заменит вузовское образование?
2. Зачем нужны такие курсы?
3. Сложно ли к нам попасть?
4. Работал маркетологом, хочу переучиться на DS. Подойдёт ли мне курс?
5. Какой шанс попасть в команду после выпуска?
6. Какие ещё направления стоит освоить? Что ещё изучить по теме?
7. Зачем компании делать собственные курсы?
8. Будет ли ещё набор?

МТС.Тета — центр обучения МТС Digital для IT-специалистов разного стека технологий. В школе преподают действующие разработчики МТС, а образовательные программы основаны на реальных кейсах, сильном комьюнити студентов и поддержке экспертов.В апреле 2022 года Big Data МТС запустила в Тета Школу аналитиков данных (ШАД) для тех, кто начинает карьеру в Data Science или хочет перейти в эту сферу из смежных профессий. За девять месяцев студенты освоили основы профессии full-stack ML–разработчика: программирование на Python, инструменты работы с Big Data, принципы построения пайплайнов ML и прошли кейсы по машинному обучению.

Курс по Data Science заменит вузовское образование?

В случае с Data Science — однозначно нет. Главное условие освоения курса по Data Science — наличие определённых фундаментальных знаний.

Я, например, закончил физический факультет Воронежского государственного университета. У меня было три семестра матанализа: больше 70 лекций, около 85 семинаров, плюс много «домашки» — в сумме порядка 350 учебных часов. А ещё линейная алгебра, векторный анализ, дифференциальные уравнения и многое другое. Это огромная база, которую курсами не компенсировать. Вся наша школа по анализу данных — это 300 аудиторных часов на все разделы.

Для ШАД нужна университетская база: без математики, теории вероятности, статистики вы просто не сможете работать с задачами анализа данных, будет возникать слишком много базовых вопросов. Плюс нужны базовые навыки программирования хотя бы на Python. Наличие этих знаний — один из критериев отбора на наш курс.

Это касается не только нашей школы, но и любых корпоративных университетов и онлайн–образования. Ни у одной компании не хватит ресурса на полноценную университетскую программу. Допускаю, что онлайн можно научиться «кодить» бизнес-логику при наличии системного аналитика в команде, но если вы хотите в Data Science, сначала освойте «матчасть».

Зачем нужны такие курсы?

Корпоративные курсы — это возможность научиться сугубо прикладным вещам, как раз тому, чему не учат в университете и что будет интересовать будущих работодателей. Компании создают такие курсы на основе реальных задач и способов их решения. Вы узнаете самые свежие и эффективные — а это не всегда одно и то же — инструменты работы, не погружаясь в фундаментальные основы, на которых эти инструменты основаны.

Например, в ШАД студенты изучают кейсы по кредитному скорингу и рекомендательным системам, временным рядам в задачах для продаж, uplift-моделирование, A/B-тестирование. Для того чтобы подготовить ребят к работе, мы преподаём основы DevOps, принципы использования Docker, рассказываем про Airflow и Kubernetes, SQL и хранилища данных, в том числе ClickHouse и Greenplum — они составляют важную часть нашего стека.

По самым грубым подсчётам, если собирать эти данные по разным коммерческим программам, придётся набрать курсов на 300 тысяч рублей, да ещё «смэтчить» всё в стройный образовательный цикл.

Школу ведут лиды направлений, которые непосредственно занимаются задачами анализа данных. Мы учим ровно тому, что каждый день в работе делаем сами. Так что корпкурсы — это возможность познакомиться с прикладными задачами и проверенными решениями. Грубо говоря, в университете вам объяснят, как принято делать, что лежит в основе решений, каковы фундаментальные ограничения. А мы объясним, как это работает на прикладном уровне.

Сложно ли к нам попасть?

Курс бесплатный, желающих много — в этот раз было 28 человек на место. Так что мы проводим вступительные испытания. Минимальные требования: знание теории вероятностей, статистики и математики, базовые навыки программирования на Python и небольшой опыт построения моделей машинного обучения. Мы даём задачки базового уровня, но из нескольких смежных областей, так что знать нужно всего понемногу. Также мы смотрим на активность кандидата: ходил ли он на стажировки, участвовал ли в хакатонах или соревнованиях, в целом горят ли глаза у человека.

ПРИМЕР ЗАДАЧИУ вас есть 3 мешка с шариками красного, синего и зелёного цветов. В первом мешке 3 красных шарика, 4 синих и 5 зелёных. Во втором мешке 2 красных шарика, 1 зелёный и 1 синий. В третьем мешке 3 красных шарика, 10 зелёных и 5 синих. Вы вслепую берёте по одному шарику из каждого мешка. С какой вероятностью все 3 шарика, которые вы вытащили, окажутся красными?

Сложнее всего даже не попасть на курс, а удержаться там. Из 40 человек до итоговых экзаменов дошло чуть больше половины: курс интенсивный, совмещать его и с работой, и с учёбой может быть сложно.

Работал маркетологом, хочу переучиться на DS. Подойдёт ли мне курс?

Гуманитариям на курсе будет очень сложно — для поступления вам нужно уже знать основы программирования и аналитики. Мы не разбираем теоретические основы, а сразу погружаемся в практические кейсы. Для тех, кто не собирается работать непосредственно в DS, но хочет разобраться, что такое Machine Learning, посоветую курс Making Friends with Machine Learning от Google. Его читает Cassie Kozyrkov — chief data scientist Google и известная популяризатор Data Science. Она простым языком рассказывает, что такое ML и как это работает.

Какой шанс попасть в команду после выпуска?

Мы взяли на стажировку шесть человек с курса, двоих уже оформляем в штат. Несколько студентов устроились в другие крупные IT-first компании.

Наши HR уже с начала курса собирают фидбэк от преподавателей: как люди мыслят, как сдают «домашки», как подходят к задачам, делают ли больше необходимого минимума. Такие моменты очень показательны и сразу дают представление о том, каким человек будет сотрудником. Например, если дедлайн по сдаче задания — среда 00.00, а студент постоянно присылает его во вторник в 23.59, мы сразу понимаем, что он делает «домашку» в последний момент. Я, как лид, хочу исключить ситуации, когда получаю данные от аналитика в 6.00 утра и нахожу там ошибки, а в 10.00 их уже нести на стратсессию компании или клиенту. Слишком большой риск.

Владимир Шилин

Выпускник школы аналитиков данных МТС, ML-разработчик центра Big Data МТС

В ШАД МТС я попал на последнем курсе бакалавриата — как раз решил развиваться в направлении Data Science. Меня особенно привлекла возможность трудоустройства: у меня не было релевантного опыта работы, в такой ситуации трудно сразу попасть в крупную компанию. На курсе много действительно полезной и прикладной информации. В начале каждого модуля всегда дают базу, благодаря этому легко разобраться в материале. Через несколько месяцев я окончил университет, и меня позвали на стажировку в центр Data Science. Тут как раз очень пригодились знания, полученные на курсе. В результате я успешно прошёл стажировку и теперь уже полноценно работаю в компании на позиции ML-разработчика.

Какие ещё направления стоит освоить? Что ещё изучить по теме?

Кто-то по мере углубления в профессию яснее понимает, какая ветвь DS ему больше подходит. А кто-то просто follows the money, почему бы и нет. Дам несколько источников, которые помогут прокачать свои знания и усилить полезный эффект от вашего труда.

Доверительное A/B-тестирование. Сюй Я., Тан Д., Кохави Р.

Купить

Машинное обучение. Паттерны проектирования. Валиаппа (Лак) Лакшманан (Valliappa (Lak) Lakshmanan), Майкл Мунн (Michael Munn), Сара Робинсон (Sara Robinson)

Купить

Прикладное машинное обучение с помощью Scikit-Learn и TensorFlow: концепции, инструменты и техники создания интеллектуальных систем. Орельен Жерон

Купить

Особняком стоит статья про лучшие практики машинного обучения от Мартина Зинкевича, Research Scientist Google. Она уже для синьоров и лидов. В ней вроде бы нет ничего радикально нового, но почему-то в реальной жизни эти практики часто забывают.

Также можно посмотреть курсы от Deepmind, Stanford, CMU — они есть на YouTube, всё можно найти поиском. Это серьёзный уровень, глубокий и фундаментальный, я такое люблю.

А ещё поделюсь лайфхаком: если набрать в поиске на GitHub «awesome » вы наверняка найдёте страничку, на которой кто-то любовно собрал кучу классных материалов по теме. Пользуйтесь.

Зачем компании делать собственные курсы?

Главная задача таких курсов — обучать начинающих специалистов именно тому, что используется на практике в компании. Хороших дата-сайентистов на рынке мало, а потребности компании постоянно растут. У нас в центре Big Data создаются геоаналитические решения, из нас выросли рекламная платформа МТС Маркетолог и платформа кредитных скорингов. Мы используем data-based решения практически во всех бизнес-вертикалях МТС: строим на основе данных сеть связи, открываем и планируем графики работы точек продаж, делаем антиспам-систему, вкладки рекомендаций для онлайн-кинотеатра KION и библиотеки «Строки» — и это далеко не полный список.

Так что курс для компании — возможность обучить и нанять классных специалистов, которые уже знают, как у нас всё устроено. Студенты собственных курсов — отличные кандидаты: мы знаем, что вы умеете, видим вас в деле, понимаем, как вы работаете в команде и сможете ли вписаться в коллектив. И мы сами научили вас тому, что нужно знать для работы в компании. Идеальное комбо! Но даже если вы не попадаете в МТС, после курса вы всё равно становитесь крутым специалистом, и мы считаем, что это наш вклад в рынок. Создание сильного сообщества дата-сайентистов полезно для всех компаний.

Бонус — возможность развивать собственных сотрудников. Преподавание — отличный способ освежить свои знания и прокачать навык выступлений. Эти скилы пригодятся для дальнейшего карьерного и финансового развития. Да и просто многие любят преподавать.

Александр Самойлов

Преподаватель школы аналитиков данных, ML-разработчик центра Big Data МТС

Для меня преподавание — это возможность иначе взглянуть на свои знания в предметной области, на то, как ты понимаешь ту или иную проблему и узнать что-то новое. Это способ разбавить рабочий процесс нетипичной задачей, выйти из зоны комфорта. Это шанс помочь в становлении специалиста: безумно мотивирует, когда видишь, что у твоих студентов что-то начинает получаться лучше. А ещё это возможность присмотреть себе будущих коллег!

Будет ли ещё набор?

Пока сложно сказать, но, конечно, планируем. Обязательно выложим анонс в наш блог.