Что бы я хотел сделать в начале своего пути
Делиться
Изучение Python, честно говоря, изменило мою жизнь.
Именно это привело меня в область науки о данных и дало старт моей более чем пятилетней карьере в этой сфере, где я работал как специалист по анализу данных, так и инженер по машинному обучению, от крупных технологических компаний до небольших стартапов, получая предложения на сумму более 100 000 долларов.
Однако, оглядываясь назад, я понимаю, сколько ошибок я совершил и как бы мне хотелось иметь четкий план действий, который помог бы мне пройти путь от полного новичка до профессионала.
В этой статье я хочу подробно рассказать о плане действий, которому бы я следовал, если бы хотел быстро снова освоить Python для работы с данными.
Давайте начнём!
Стоит ли изучать Python?
Стоит ли изучать Python в эпоху искусственного интеллекта?
Несмотря на то, что искусственный интеллект очень мощный, а такие инструменты, как Claude Code, могут буквально всё сделать за вас, это не означает, что обучение программированию бесполезно; напротив, оно становится всё более ценным.
Позвольте мне сказать вам из собственного опыта, что этот «код атмосферы» в лучшем случае находится на среднем уровне, и к тому же настолько подвержен ошибкам, что это просто смешно.
Может ли искусственный интеллект сгенерировать для вас стихотворение? Насколько оно хорошо по качеству, сравнимо с сонетами Шекспира?
Скорее всего, нет.
Та же аналогия применима и к коду, сгенерированному искусственным интеллектом. Люди видят работающее решение и считают его идеальным.
По сути, умение правильно понимать и читать код сегодня становится настоящей суперспособностью. Можно мгновенно определить, где находится проблема, и отладить её, вместо того чтобы тратить время на «подсказки» искусственному интеллекту о необходимости её исправить.
Наконец, если вы хотите стать специалистом по анализу данных, вам необходимо успешно пройти собеседования по программированию. И, к сожалению, использовать искусственный интеллект вам не разрешат.
Окружающая среда
Для запуска кода на Python сначала вам понадобится так называемая «среда разработки».
Эти среды, по сути, помогают вам писать код, предоставляя подсветку синтаксиса, отступы и общее форматирование.
Для полных новичков я рекомендую использовать среду для работы с ноутбуками, например:
- Google Colab — полностью онлайн-сервис, не требующий загрузки каких-либо файлов локально.
- Jupyter Notebook / Anaconda — это комплексное решение для загрузки Python и основных библиотек для анализа данных.
Вы также можете скачать интегрированные среды разработки, которые мы часто используем для написания профессионального/производственного кода. Мои основные рекомендации — PyCharm или VSCode . Оба одинаково хороши, так что не беспокойтесь о том, какой из них вы выберете.
Возможно, вас интересует среда разработки для ИИ. Это невероятно мощные инструменты, и чаще всего я рекомендую Cursor и Claude .
Однако, учитывая, что мы пытаемся изучить Python, я не рекомендую использовать редактор кода с искусственным интеллектом для написания кода за вас, поскольку это противоречит самой цели.
Основы
После того, как вы запустите и настроите свою среду, нам нужно будет изучить основы.
Это, вероятно, будет самой сложной частью пути, потому что вы буквально начинаете с нуля и переходите к единице.
Если это сложно, это совершенно нормально.
Каждый успешный специалист по анализу данных и машинному обучению оказывался в точно такой же ситуации и продержался достаточно долго, чтобы увидеть результаты и построить карьеру, которая ему нравится.
Основные области, которые вам необходимо изучить:
- Переменные и типы данных
- Логические операторы и операторы сравнения
- Управление потоком выполнения и условные операторы
- Циклы for и while
- Функции
- Встроенные типы данных (списки, словари, кортежи и т. д.)
- Классы
- Пакеты
Пакеты для анализа данных
После ознакомления с основами, давайте теперь сосредоточимся на навыках, специфичных для науки о данных, поскольку именно на них мы хотим направить наше обучение!
Я бы начал с изучения некоторых более специализированных пакетов для анализа данных. Вот те, которые я рекомендую:
- NumPy — это библиотека для работы с векторами и матрицами, на которых основано большинство алгоритмов машинного обучения!
- Pandas — это библиотека для обработки и анализа данных. Она используется в науке о данных, поэтому нам нужно изучить науку о данных.
- Matplotlib — я даже не могу сосчитать, сколько раз я делал предположения относительно данных, а потом, визуализируя их, понимал, что…
- Sci-Kit Learn — основной пакет для машинного обучения и статистического анализа в Python. Он прост в использовании и является отличной отправной точкой для изучения машинного обучения.
Я бы не стал беспокоиться об изучении фреймворков для глубокого обучения, таких как TensorFlow , PyTorch или JAX. На данном этапе это происходит несколько позже и часто не требуется для многих вакансий начального уровня в области анализа данных.
Проекты
Если и есть какой-то секрет быстрого изучения Python, то это выполнение проектов.
Проекты заставляют вас искать решения, преодолевать препятствия и развивать творческий потенциал в программировании.
Существует множество способов попробовать свои силы на практике, например, Kaggle, создание модели машинного обучения с нуля или прохождение курсов.
Однако лучшие проекты — это те, которые касаются лично вас.
Эти проекты сами по себе мотивируют и, по определению, уникальны. Поэтому, когда дело доходит до собеседования, обсуждать их действительно интересно, поскольку интервьюер никогда раньше с ними не сталкивался.
Вот базовое руководство по разработке идей для проектов:
- Перечислите пять областей, которые вас интересуют вне работы.
- Для каждой из этих пяти областей придумайте пять разных вопросов, на которые вы хотели бы получить ответ и для решения которых вы могли бы написать программу на Python.
- Выберите тот вариант, который вас больше всего вдохновляет, и начинайте его реализовывать.
Этот процесс займет у вас максимум 1 час.
Так что, перестаньте гуглить и спрашивать у таких, как я, о проектах, поищите то, что вам следует создать, внутри себя, потому что это лучшие варианты с огромным отрывом.
Важно помнить, что мы не стремимся к совершенству или созданию блестящего портфеля; это всего лишь процесс обучения.
Продвинутые навыки
После выполнения нескольких проектов ваш базовый уровень владения Python для анализа данных должен быть действительно хорошим.
Сейчас самое время начать повышать свой уровень и осваивать более продвинутые навыки работы с Python и разработки программного обеспечения.
Вот основные области, которые нам необходимо изучить:
- Git/GitHub — это эталонный инструмент для управления версиями кода.
- PyEnv — Узнайте, как эффективно управлять локальными версиями Python для разных проектов.
- Менеджеры пакетов — Умение управлять библиотеками и их версиями имеет решающее значение для разработки программного обеспечения, поэтому понимание таких инструментов, как pip , poetry и UV, крайне важно.
- CircleCI — это инструмент, который помогает эффективно тестировать и развертывать код, ускоряет процесс разработки и позволяет уверенно двигаться вперед.
- Homebrew — На компьютерах Mac изначально не поставляется удобный менеджер пакетов, подобный pt в Linux. Homebrew — решение этой проблемы, и его называют «недостающим менеджером пакетов для macOS».
- AWS — для облачного хранения данных, развертывания моделей и многого другого.
- Продвинутый Python — Чтобы улучшить свои навыки работы с Python, нам нужно начать изучать более сложные темы, такие как генераторы, декораторы, абстрактные классы и лямбда-функции.
Этот базовый набор технологий я использовал в каждой компании, где работал профессиональным специалистом по анализу данных и инженером по машинному обучению.
Структуры данных и алгоритмы
К сожалению, не все навыки работы с Python, которые вы уже освоили, всегда помогут вам устроиться на работу.
Процесс собеседования по программированию несколько несовершенен, поскольку часто вас просят решить задачу по программированию, связанную со структурами данных и алгоритмами (DSA), — областью, которая редко используется в повседневной работе профессионального специалиста по анализу данных.
Необходимость изучения структур данных и алгоритмов зависит от конкретной должности в сфере анализа данных, на которую вы претендуете.
Если вы претендуете на должности, связанные с машинным обучением, то вероятность столкнуться с вопросом о структурах и алгоритмах на собеседовании у вас гораздо выше, чем если вы претендуете на позицию в области анализа данных или разработки продуктов.
В любом случае, DSA (Discovery, Stack Overflow, Alliance) — это необходимое зло в наши дни, и вам нужно потратить на это некоторое время, если вы хотите устроиться на работу.
Самый большой секрет, который я обнаружил, заключается в том, что не все вопросы по DSA одинаковы. В действительности на собеседованиях встречаются только определенные темы, а именно:
- Массивы и хеширование
- Два очка
- Раздвижное окно
- Связанный список
- Бинарный поиск
- Стеки
- Деревья
- Кучи / Приоритетные очереди
- Графики
Не поддавайтесь синдрому погони за блестящими безделушками и не начинайте изучать динамическое программирование, префиксные деревья и битовые операции.
Перечисленные выше темы обеспечивают наибольшую отдачу от инвестиций; все остальное — это лишний шум, и вложение средств просто не стоит того.
На практике все очень просто. Я рекомендую вам пройти курс по структурам данных и алгоритмам на Neetcode. а затем проработайте набор из 75 вопросов Blind на Leetcode , которые являются наиболее часто задаваемыми вопросами на собеседованиях.
Самый простой способ освоить DSA — это тренироваться каждый день в течение 8 недель; именно это приносит результаты.
Прощальный совет
Говоря прямо, в освоении Python нет никаких секретов или хитростей.
Настоящий секрет заключается в постоянной практике в течение длительного периода времени.
Когда я изучал Python, я программировал примерно час в день в течение 3 месяцев. Это очень много, и, не поймите меня неправильно, это потребовало огромных усилий.
Нужно потратить время, и в конце концов все встанет на свои места. Нужно просто немного подождать.
Программирование изменило мою жизнь и подарило мне любимую профессию, в которой я вижу себя работающим десятилетиями.
Эти небольшие затраты времени и энергии окупились гораздо сильнее, чем я мог себе представить.
Если после прочтения этого текста вы вдохновитесь начать свой путь изучения Python, чтобы стать специалистом по анализу данных, это замечательно!
Однако одних знаний Python недостаточно для получения работы; для того, чтобы устроиться на постоянную должность, необходимо изучить несколько других областей.
Поэтому я рекомендую эту статью , в которой я подробно разбираю все, что вам нужно изучить, чтобы получить работу мечты в сфере анализа данных.
Увидимся там!
Единственный дорожный план по Data Science, который вам нужен, чтобы получить работу.
Ещё кое-что!
Подпишитесь на мою бесплатную рассылку, где я еженедельно делюсь советами, идеями и рекомендациями, основанными на моем опыте работы в качестве практикующего специалиста по анализу данных и инженера по машинному обучению. Кроме того, подписчики получат мой БЕСПЛАТНЫЙ шаблон резюме!
Распространяя данные
Еженедельные электронные письма, которые помогут вам найти первую работу в области анализа данных или машинного обучения: newsletter.egorhowell.com
Свяжитесь со мной
- YouTube
- Инстаграм
- Веб-сайт
Егор Хауэлл. Все работы Егора Хауэлла.
Источник: towardsdatascience.com
