Скачать с ютуб Стоит ли СИСТЕМНОМУ АНАЛИТИКУ уходить в машинное обучение (ml инженер)? в хорошем качестве

Стоит ли СИСТЕМНОМУ АНАЛИТИКУ уходить в машинное обучение (ml инженер)?

Доска с вебинара в Miro: https://miro.com/miroverse/ml-meetup/... Сайт школы System Analyst: https://systemanalyst.life/?utm_sourc... Телеграм канал с полезным контентом для аналитиков: https://t.me/+yNuZMD8KEO9jZjI6 YouTube канал Паши Расстригина с подкастами:    / @pavel.rasstrigin   Спрос на специалистов по данным и машинному обучению в России за последние 10 лет увеличился в 30 раз - исследование hh.ru. Ведущие компании ищут специалистов по анализу данных и ML-инженеров, чья зарплата может достигать 590 тысяч рублей. На новичков же спрос вырос на 44%. На этом вебинар с ML-инженером Павлом Расстригиным мы разбираемся как попасть в эту профессию Системным Аналитикам и вообще стоит ли уходить туда за ростом зарплат? Вы узнаете: ➖Что такое машинное обучение простыми словами ➖Какие задачи решает специалист в области машинного обучения? ➖Основные навыки и инструменты для работы ➖Кто может попасть в эту сферу? ➖Схожесть с работы системным аналитиком и стоит ли идти туда «за ростом»? Ольга Пономарева - старший системный аналитик, ceo школы по системному анализу Таймкоды: 00:00 — Введение; 03:02 — Кто такой ML-инженер простыми словами; 04:59 — Как работает машинное обучение: простые примеры; 06:53 — Из чего состоит команда Data Science и кто за что отвечает; 10:38 — Чем занимается ML-инженер на практике; 12:29 — Зачем ML-инженеру математика и насколько она нужна; 14:21 — Почему бизнес-задачи важнее алгоритмов; 15:18 — Правда о входе в DS: не нужен диплом математика; 16:14 — ВУЗы и карьера в Data Science — какие дают шансы; 19:59 — Как перейти в ML из системного анализа; 23:46 — Три подхода в ML: с учителем, без и с подкреплением; 24:42 — Разница между классическим ML и нейросетями; 26:31 — Как выглядит реальный процесс в ML-проекте; 27:27 — Почему без понимания бизнеса даже Яндекс не спасёт; 28:19 — Бизнес-метрики важнее алгоритма; 30:17 — Как устроен скоринг и зачем нужны модели; 33:58 — Как плохие данные портят модели; 38:41 — Когда аналитика лучше ML — и это нормально; 40:20 — Как выбирается архитектура модели и алгоритмы; 41:15 — Почему модель может быть крутая — но бесполезная; 42:57 — Где место системного аналитика в ML-проектах; 44:23 — Нужно ли программировать, чтобы войти в DS; 47:10 — Кто зарабатывает больше: аналитик или дата-сайентист?; 51:45 — Зарплаты Deep Learning-инженеров: откуда хайп; 54:34 — Где больше ответственности — там и выше доход; 55:32 — Почему инженеры Big Data быстро выгорают; 56:29 — Роль дата-инженеров в команде и их ценность; 57:55 — Личный путь из аналитика в ML и мотивация; 01:00:23 — Сколько учиться, чтобы попасть в ML; 01:03:13 — Какие инструменты и знания реально нужны; 01:05:07 — Финалка и полезные материалы по теме.