Főállásos munka mellet egyedül van érdemi realitása megtanulni nulláról egy Pythont adatelemzéshez, szövegelemzéshez, egyszerűbb elemző programok írásához?

Igen, úgy érettem, hogy a szabadidőd egy részét rááldozod, hogy kipróbáld a dolgot. Mennyire fekszik, mennyire érdekel, mennyire haladsz és ennek alapján döntesz a továbbiakra vonatkozóan.

A félév alapban elég lehet, feltéve ha van ehhez affinitásod, érzéked, tehetséged. Ha nem, akkor meg úgyis kár a gőzért.

"Sosem értettem az ilyen ostoba kérdéseket... Tanulni MINDIG van értelme."

Komolyan mondom, csak azért regisztráltam, hogy elmondjam, hogy a válaszod mekkora egy haszontalan ostobaság. Végtelen sok mindent lehet tanulni, és rohadtul nem mindegy, hogy az ember a véges erőforrását mibe fekteti. Vannak olyan ismeretek, amiknek a megszerzése teljesen felesleges, vagy éppen lehetetlen a kellő szinten elsajátítani.

A kérdezőnek:

"Kaliforniában szervezik és online is be lehet csatlakozni: [link]

Van egy jó és egy rossz hírem. A jó, hogy az a program nem kamu. A szilícim völgyben abszolút standardot képvisel, mára több hasonló "gyorstalpaló" másolja a modelljét. És tényleg MINDENKI kap munkát a tanfolyam után, aminek főleg az az oka, hogy elve nagyon-nagyon szelektív. A rossz hír, hogy az esély, hogy bekerülj, egyenlő a nullával. Ennek több oka is van. A tanfolyam amerikai cégek számára készít fel munkavállalókat. Bár csak vélelmezem, de igen valószínű, hogy nincs se zöldkártyád, se munkavállalói vízumod. Ugyan ez elvileg nem akadály, de külföldiként még kiemelkedőbbnek kell lenned, hogy versenyképes legyél. De leginkább felfoghatatlan kompetícó okozza, ezt Magyarországról felmérni nem lehetséges. Én kétszer is jelentkeztem rá, amíg San Francisco-ban éltem, mind a kétszer részt vettem személyes interjún, de végül elutasították a jelentkezésemet. Részben azért nem jelentkeztem többet, mert közben résztvettem egy hasonló, Berkeley egyetemen tartott data science posztgraduális tanfolyamon, és megismertem azokat az arcokat, akik szintén ide pályáztak. Volt olyan matematikus arc, aki machine learning algoritmusok fejlesztéséből írta a doktoriját a Stanfordon, volt olyan, aki részecskefizikus és doktorija alatt terabite-os adattömegből vadászott sötét anyag nyomaira. Az előadások szüneteiben arról beszéltek, hogy kinek, melyik decision tree a kedvenc algoritmusa és miért. (arról nem is beszélve, hogy az akkori 32 évemmel igencsak felfelé lógtam ki a korfából) Szóval amikor azt olvasod a kiírásban, hogy előzetes programozói tudás nem szükséges, akkor azt azért ne vedd túl komolyan. Amikor egy insight-os oktató jött előadást tartani, akkor azt mondta, hogy a legjobb módja, hogy felvegyenek, ha tudsz mutatni olyan projectet, amiben már használtál valami real-word problémára gépi tanulásos megoldást (pl. előkelő helyezés a kaggle.com-os versenyeken). Nem azt mondom, hogy ne pályázz, mert az végülis ingyen van, csak azt, hogy ne éld bele magad túlzottan. Erről azt hiszem ennyi elég, sőt. Ha van valami specifikus kérdésed van, akkor kérdezz privátban.

A kérdésre általában: azok alapján, amiket leírtál, a következő lépéseket kell megtanulnod pythonban:

1) Írni kell egy crawlert, ami letölti az adatokat. Bár az is lehet, hogy ezt készen kapod.

2) Szöveges adatok feldolgozása pl. nltk-val, szentiment analízis.

3) Statisztika/értelmezés/vizualizáció.

Az a baj, hogy ezek 0-ról való megtanulása jóval túlmutat a puszta kódoláson és sok elméleti képzést is igényel. Véleményem szerint, versenyképes szintre lehetetlen eljutni meló mellett fél év alatt még akkor is, ha mondjuk python-ból penge lennél. Az, hogy megéri-e pár hónap fizetés nélküli szabira elmenni... ez egy nagy nehéz kérdés, és itt erre senki sem fog tudni komolyan vehető választ adni. Ha ezen az úton indulsz el, akkor a következő tervet javaslom: meló mellett hozd magad fel Python-ból egy relatíve jó szintre. Mondjuk vegyél végig egy jó könyvet, vagy valamilyen kiadósabb online tanfolyamot. Közben nézz utána, hogy pontosan mire is lenne szükséged adatbányászatból, machine learning-ből. Ekkor talán hasznos lehet egy hosszabb fizetetlen szabadság, hogy ezen módszerek elméleti részében is elmélyedj. Ahogy írtad, oktató anyagokba bele elhet fulladni, nem egyszerű a választás... ebbe nem is nagyon tudok segíteni. Én eddig leginkább courserás kurzusokat hallgattam, illetve többnyire csak annyi technológiai ismeretet szedtem csak fel, amennyi minimálisan szükséges volt egy-egy elképzelésem megvalósításához, szóval tudásom nem túl strukturált. Egy két dolog, amire biztosan szükséged lesz: jupyter, pandas, numpy, nltk, sklearn, seaborn, bokeh... de ezek úgyis minden data science-el foglalkozó tutorial első oldalán ott vannak.

"És miközben egyedül tanulom ezt a témát hogyan tudom eldölteni hogy megvan-e hozzá ez a plusz tehetségem Miből lehet ezt felismerni?"

Erre ne fixálj rá. Ez hülyeség. A data science is csak favágás: az ember leül, kódol, tanul, elemez, gondolkodik. Semmi speciális. Ha szereted a csípős, hideg reggeleket, a szálló faforgács illatát, akkor a favágás is tetszeni fog: ha érdekel az adat, az adatokban rejlő összefüggés, nem szenvedsz, amikor az elemzéshez szükséges ismereteket tanulod, amikor a kódodat debug-olod, akkor nem lesz gond.

Nézd, nekem ezzel a két képzéssel kapcsolatban volt személyes tapasztalatom. A berkely-s tanfolyamon azért tudtam részt venni, mert ott laktam, és a közeli egyetemen dolgoztam. Nem for-profit szervezés, nem lehet befizetni, és nem tudok róla, hogy lett volna online lehetőség. Továbbra sem akarlak lebeszélni a pályázásról, de szerintem esélytelen, pláne, mivel az ő céljaik (amerikai cégeknek munkaerő) és a tieid (elhelyezkedés európában) különböznek.

"Kaggle.com-ot már ajánlották nekem is. Nem érzem teljesíthetetlennek, a gond inkább az: aki főállásban dolgozik annak esélye sincs ilyennel foglalkozni"

Mit értesz teljesíthetőség alatt? A kaggle-s kihívások első harmadba bekerülni sima csiga. Viszont bekerülni a top 5%-ba már k. nehéz. És igazából az itt szerzett tapasztalat-eredmény mutatja egyrészt a tehetséged-tudásod, másrészt az, hogy mennyire vagy elkötelezett: ha nem tusz időt allokálni a kaggle-re, akkor miért tudnál a Python-ra, vagy a machie-learning-re?

" az szerintem kb nulla átképzéssel is alkalmazható lenne a legtöbb Data Science cégnél."

Igazából a legtöbb phd-vel rendelkező ember nem azért megy ezekre a kurzusokra, mert ott valami olyat tanulna, amit máshol nem tud, hanem azért, mert egy ilyen kurzus elvégzése belépő a munaerőpiacra. Valószínűleg nem lenne sima ügy bekerülni a google-hez, facebook-hoz, palantir-hoz 0 tapasztalatta, 0 ajánlással.

"nem tudom elképzelni hogy hetente teljesn új algoritmust vagy bányászrobot kell fejleszteni a melóhoz."

Ebben teljesen igazad van, de a data science olyan, hogy bármit cisnálsz, mindig lesz valami eredménye, és az igazán nagy kihívás, hogy olyat csinálj, aminek értelme is van, illetve tudd kontextusában értelmezni az eredményt. A mély elméleti háttér nemcsak arra jó, hogy képes legyél új ML algoritmust fejleszteni, hanem arra is, hogy az adott problémára a megfelelő algoritmust tudd kiválasztan ia több tucatból, ismerd az egyes eljárások gyengéit (predikciós erő-gyorsaság-robosztusság) és esetleg módosítani tudd adott esetben. Ezért az ilyen mély tudással rendelkező emberek keresettebbek lesznek, és nekem az az érzésem, hogy inkább ilyenekre vadásznak az insightnál. Persze nem ez az egyetlen mód arra, hogy munkát szerezz, és úgy is van esélyed, ha "csak" a sztenderd data science szerszámosládát ismered jól.

Többektől hallottam, hogy a data science-be bekerülni nehéz, de ha már benn vagy, és fel tudsz mutatni valami referenciát, akkor könnyű elhelyezkedni. Ezek a tanfolyamok ezt az első lépést segítik. Egy pár hónapos tanfolyamtól, bármennyire is intenzív, csodát nem szabad várni.