Стать программистом в 40

[Boriskin]

Во-первых, вся Колмогоровская теория вероятностей есть не что иное как функциональный анализ, точнее функциональный анализ в L^2 Гильбертовом пространстве.

В сторону: тоже мне, рокетсаейнс с Гильбертовыми пространствали... С пространствами Соболева не сравнить.

Если Вам удасться применить Соболева пространства для машинного обучения (а мы как бы о статистике и машинном обучении говорили, а не о пространствах вообще), то Вас ждет великое будующее. Соболева пространства - те же Банаховы пространства (в частности, Гильбертовы) с определенной нормой. Как их применять для машинного обучения не знаю.

Да никак, оные были заточены изначально для диффуров в частных производных, а потом расширены для некоторых задач матфизики и еще нескольких видов других задач, с которыми приходится иметь дело в вычислительной математике. Прикладной функан во всей красе.

Однако изучал их применение в теории дифференциальных уравнений в частных призводных (обобщенные решения). Могу порекомендовать очень хорошие книги, например, О.А.Ладыженской. Там же можно прочитать о существовании и единственности решений уравнений Навье-Стокса.

Да стебусь я, счас мне это совсем ни к чему.

[Boriskin]

В сторону: тоже мне, рокетсаейнс с Гильбертовыми пространствали... С пространствами Соболева не сравнить.

Вроде сказали, что автор уже давно позабыла о таком уровне.

Скорее никогда не знала, тк будущим учителям такое просто не преподают.

Вы люди в самом деле применяете в жизни все это самое? Лично в моем чердаке места мало, все что не использую выкидываю по ненужности, правда теперь напрягают с экзаменами про то, что давно забыла (не учительские экзамены).

Ну а что делать, если 5 лет на это было специально положено, а на память пока жаловаться не приходится.

[Roy]

Еще раз перечитал первый пост автора, где он задает вопрос, нужно ли идти учиться на магистра. В принципе, если автор решится на это, то стоит сравнить магистра в computer science и data science. А так да, согласен, надо с чего то начать. Но мы до сих пор так и не выяснили мотивации. Не то что мы хотим в какие секреты влезть. Просто будет гораздо понятнее, что человек на самом деле хочет в этой жизни.

Мотивация простая. Хочется получать больше денюх занимаясь тем, что нравится. И чтобы на семью время оставалось. Со школой такое очень тяжело, плюс потолок зарплат низкий.

Кстати, что такое магистр в Data Science? Где такое дают?

[Физик-Лирик]

Мотивация простая. Хочется получать больше денюх занимаясь тем, что нравится. И чтобы на семью время оставалось. Со школой такое очень тяжело, плюс потолок зарплат низкий.

Кстати, что такое магистр в Data Science? Где такое дают?

Я тут посмотрел на онлайн универы, вроде как такие программы имеются в некотором количестве. Надо или Data Science или Predictive Analytics. Думаю, это больше подойдет чем магистр в статистике (если уж решитесь идти). На мой субьективный взгляд Predictive Analytics более интересно, но надо смотреть программы. Еще раз отмечу. Программирование в любом случае придется учить. Вопрос в том, какие языки и какие технологии. С точки зрения самих языков, для аналитики они попроще будут. Во всем остальном, аналитика, думаю, посложнее. Однако зависит от того, насколько туда углубляться. Под аналитикой я имею в виду и анализ данных и моделирвани и прогнозирование. А далеe зависит ... Если хотите больше "программирования" в аналитике, тогда "kвeри" языки, если побольше математики, тогда R и/или Питон, ну и все остальное хозяйство в виде domain knowledge.
Если хотите жизнь попроще, тогда в тестеры. Программистом тоже очень хорошо. Просто там надо как-то определиться с областью. Надо учесть и вероятность нахождения работы и требования (в виде степени, о чем мы здесь говорили).

[Физик-Лирик]

Да стебусь я, счас мне это совсем ни к чему.

Судя по Вашим постам (не только в данном топике, но и других), у Вас солидное математическое образование. Может пора подумать о возвращении к истокам?

[Мальчик-Одуванчик]

так в в аналитику, в отличие от QA и мест поменьше и конкуренция несоизмеримо покруче.
Даже с бакалавром от очень приличного вуза трудно пробиться.
а тут про какие-то левые курсы

[Boriskin]

Да стебусь я, счас мне это совсем ни к чему.

Судя по Вашим постам (не только в данном топике, но и других), у Вас солидное математическое образование. Может пора подумать о возвращении к истокам?

Это надо дисер доделывать, долго и упорно жить примерно на половину текущего дохода, прозябая в постдоках етс и все это из чистой любви к специальности 01.01.07. Был бы жив научный шеф - я бы может и подумал, а так - нет смысла, тем более что текущая работа у меня рвотного рефлекса даже рядом не вызывает, скорее наоборот.

[Roy]

Вы удивитесь, но как и это сейчас востребовано. Во-первых, вся Колмогоровская теория вероятностей есть не что иное как функциональный анализ, точнее функциональный анализ в L^2 Гильбертовом пространстве. А во-вторых, сейчас в машинном обучении очень быстро развивается направление, называемое Kernel methods. Суть метода в отображении исходного векторного пространства (где находятся данные) в некое Гильбертово пространство (точнее Reproducing Kernel Hilbert Space). Это и векторная машина и принципиальные компоненты и кластеры. Очень интересная теория с растущими практичекими применаниями. Без знания функана (или пол-литра, если знаний функана нет) не обойтись.

Я не очень понимаю, почему это востребовано. Востребованы Kernel Methods сами по себе. Однако прикладной Data Scientist (даже senior) использует ограниченный набор известных пространств и преобразований, которые за него открыли серьёзные товарищи учёные. Сам Data Scientist не будет придумывать новый класс Гильбертовых в пространств, чтобы применить их при очередном дата майнинге.

Также как и не обязательно знать теорию меры для работы с прикладной статистикой - достаточно ограничиться аксиоматикой Колмогорова.

Вы здесь несколько раз уже рекомендовали окунуться в теорию меры и функционального анализа (которые прекрасны сами по себе - я не спорю). Но не могу понять что может извлечь из них даже самый крутой Data Scientist?

Вы сами, кстати, чем занимаетесь, если не секрет?

[Roy]

Всем ещё раз спасибо - давайте подытожим предлагаемые варианты:

1. QA - самое простое
2. Data Analytics - сложно, надо подучиться, но интереснее
3. Development - главное выбрать предметную область. Обучение ограничить курсами или буткэмпом. Наиболее перспективно (учитывая learning curve, популярность и стабильность в будущем):
а). Web development
б). Mobile development

[Komissar]

В америке работала последние 10 лет учителем математики в школе (part-time).

Part-time - она была substitute teacher?

[Физик-Лирик]

Также как и не обязательно знать теорию меры для работы с прикладной статистикой - достаточно ограничиться аксиоматикой Колмогорова.

Вы здесь несколько раз уже рекомендовали окунуться в теорию меры и функционального анализа (которые прекрасны сами по себе - я не спорю). Но не могу понять что может извлечь из них даже самый крутой Data Scientist?

Для работы с прикладнй статистикой и аксиоматики (формально) не надо знать. Современная приклaдная статистика - это (в основном) набор тестов для проверки гипотез. Аксиоматика Колмогоровской теории как раз и построена на теории меры, а точнее пространств с мерой (measure spaces). Например, среднее случайной величины (которая определяется как измеримая функция на вероятностном пространстве) - это Лебеговский интеграл, построенный по вероятностной мере. Теоремы фукционалного анализа "автоматически" ложатся на вероятностную теорию.

Я не очень понимаю, почему это востребовано. Востребованы Kernel Methods сами по себе. Однако прикладной Data Scientist (даже senior) использует ограниченный набор известных пространств и преобразований, которые за него открыли серьёзные товарищи учёные. Сам Data Scientist не будет придумывать новый класс Гильбертовых в пространств, чтобы применить их при очередном дата майнинге.

Ну как сказать. Во-первых, всегда полезно понимать, что ты делешь на уровне теории, а не просто вызывать соответсвующие функции из библиотеки. Во-вторых, если не устраивает какая-либо функция, надо писать свою, а здесь без теории никак. В-третьих, надо понимать, почему тот или иной метод работает. Когда работаешь с библиотеками (в опен соурс), то они как черный ящик (да и ошибки встречаются). Чтобы проводить диагностику, надо понимать, что ожидать на выходе. Когда занимаешся моделированием, надо понимать свойства диффуров, чтобы методы решения сохраняли некоторые своисйтва. Список можно продолжать.

[_Lenchik]

Всем ещё раз спасибо - давайте подытожим предлагаемые варианты:

1. QA - самое простое
2. Data Analytics - сложно, надо подучиться, но интереснее
3. Development - главное выбрать предметную область. Обучение ограничить курсами или буткэмпом. Наиболее перспективно (учитывая learning curve, популярность и стабильность в будущем):
а). Web development + самое простое найти работу
б). Mobile development

по моим ощущениям найти работу вебдевелоперам значительно легче, чем QA. В перспективе надо быть франт энд девелоперм с PHP, ASP.NET и java. Знать на минимальном уровне все три, специализироваться в чем то одном.

[valchkou]

по моим ощущениям найти работу вебдевелоперам значительно легче, чем QA. В перспективе надо быть франт энд девелоперм с PHP, ASP.NET и java. Знать на минимальном уровне все три, специализироваться в чем то одном.

согласен, что легче, только ASP.NET я бы вечеркнул совсем.
к списку могу добавить python, ruby, node.js. Достаточно завладеть чем то одним для начала.
Для фронтенд обязательно знать HTML5, CSS3, Javascript и пару тройку популярных js libs (jquery+angular or jquery+extjs).

В америке работала последние 10 лет учителем математики в школе (part-time).

А я подозревал с самого начала, что тут что то не так.
С насиженых мест учителя не срываются.

[valchkou]

по моим ощущениям найти работу вебдевелоперам значительно легче, чем QA. В перспективе надо быть франт энд девелоперм с PHP, ASP.NET и java. Знать на минимальном уровне все три, специализироваться в чем то одном.

согласен, что легче, только ASP.NET я бы вечеркнул совсем.
к списку могу добавить python, ruby, node.js. Достаточно завладеть чем то одним для начала.
Для фронтенд обязательно знать HTML5, CSS3, Javascript и пару тройку популярных js libs (jquery+angular or jquery+extjs).

В америке работала последние 10 лет учителем математики в школе (part-time).

А я подозревал с самого начала, что тут что то не так.
С насиженых мест учителя не срываются.

[Песня]

В америке работала последние 10 лет учителем математики в школе (part-time).

Part-time - она была substitute teacher?

Нет, обычный учитель в public high school.

[Roy]

по моим ощущениям найти работу вебдевелоперам значительно легче, чем QA. В перспективе надо быть франт энд девелоперм с PHP, ASP.NET и java. Знать на минимальном уровне все три, специализироваться в чем то одном.

Всё как-то нереально сразу выучить. Что выбрать (одно)? Работа будет искаться в Сиэтл эрии.
Ещё, я так понимаю, javascript по-умолчанию знать надо? В этом случае и node.js можно сразу изучить - насколько он востребован?
Что насчёт Rubi?
Неужели PHP ещё так популярен? Ужос!

[_Lenchik]

только ASP.NET я бы вечеркнул совсем.

это зависить от того, какие работы преобладают в вашем городе для франт энда.

В Далласе это php и ASP.NET. В одной вакансии требуют знать обе технологии (я надеюсь, что они ожидают, что одну знают в общем, в другой специализируются).

[_Lenchik]

Ещё, я так понимаю, javascript по-умолчанию знать надо?

обязательно
jQuery 200 уроков
https://www.youtube.com/watch?v=GNb8T5N ... 06CF173BB4

php 200 уроков
https://www.youtube.com/watch?v=iCUV3iv9xOs

[_Lenchik]

В этом случае и node.js можно сразу изучить - насколько он востребован?

я понимаю, что вам самому интересно покапаться в node.js
не надо для совсем новичков, лучше angular.js

https://egghead.io/lessons/angularjs-is ... on-binding

[Песня]

В америке работала последние 10 лет учителем математики в школе (part-time).

А я подозревал с самого начала, что тут что то не так.
С насиженых мест учителя не срываются.

Unless они родили несколько:) детей с маленьким перерывом, и фул-тайм просто убойно в таком случае, а парт-тайм не всегда есть.

[Roy]

В этом случае и node.js можно сразу изучить - насколько он востребован?

я понимаю, что вам самому интересно покапаться в node.js
не надо для совсем новичков, лучше angular.js

https://egghead.io/lessons/angularjs-is ... on-binding

Ну серверную технологию какую-то надо знать в любом случае - даже для angular.js
Слышал, что с angular легко начать, но как только что-то нетрадиционное надо сделать или что-то внезапно перестаёт работать - становится весьма сложно.
Что плохо в node.js для новичков?

[LKB]

http://adadevelopersacademy.org/

Ada Developers Academy (Ada) is an intensive software developer training school for women. Ada's unique year-long program begins with six months of classroom instruction in cutting-edge web technologies in which students learn the most up-to-date development skills from leading regional and national experts.

[kyk]

http://adadevelopersacademy.org/

Помнится, на форуме ник был "Ada". Академию открыл?

[Komissar]

В америке работала последние 10 лет учителем математики в школе (part-time).

Part-time - она была substitute teacher?

Нет, обычный учитель в public high school.

ну, и за 10 лет не дослужилась до фулл-тайм. Наверняка substitute.

[Roy]

ну, и за 10 лет не дослужилась до фулл-тайм. Наверняка substitute.

Вы мне что-то пытаетесь доказать или просто пофлудить?

Женшины имеют свойство рожать детей. Из-за етого часто приходится работать part-time. На part-time tenure получить невозможно.