Мои друзья считают меня тупой или почему я выбрала Software egineering, а не Data science

Мне нравится система университета в котором я учусь. С 1 курса здесь все учатся на одной специальности — “Computer science” (или “Информатика и вычислительная техника” если по русски), но после второго курса нам дают выбор — 3 трека: Software egineering, Data science и Artificial intelligence and robotics. Первые два года мы все учим одни и те же предметы, понимаем что нам нравится больше и куда мы хотим углубляться дальше.

Если прочитать мой предыдущий пост, то становится ясно, что я позиционирую себя как творческую и гуманитарную личность, нежели как технаря и человека, склонного к сложным математическим махинациям.

Поэтому намного больше меня цепляют задания когда нужно пофантазировать, придумать интересное решение проблемы. Мне нравятся проекты, когда нужно сделать что нибудь с нуля и довести до вида “готово к релизу” (ну или почти, как это обычно бывает).

Еще круто когда в проекте присутствует динамика и много разнообразных задач, когда работаешь в команде и вы все трудитесь над достижением видимой цели (ух-ты, прочитав это можно даже подумать, что я не социопат как иногда кажется).

Если прочитать мой предыдущий пост, то становится ясно, что я позиционирую себя как творческую и гуманитарную личность, нежели как технаря и человека, склонного к сложным математическим махинациям.

Поэтому намного больше меня цепляют задания когда нужно пофантазировать, придумать интересное решение проблемы. Мне нравятся проекты, когда нужно сделать что нибудь с нуля и довести до вида “готово к релизу” (ну или почти, как это обычно бывает).

Еще круто когда в проекте присутствует динамика и много разнообразных задач, когда работаешь в команде и вы все трудитесь над достижением видимой цели (ух-ты, прочитав это можно даже подумать, что я не социопат как иногда кажется).

Напротив, мне хочется выйти из окна от монотонной работы. Мне не нравится когда весь смысл работы состоит в составлении математической модели.

Я не сильно люблю математику, как может вы уже догадались. Она просто у меня не очень хорошо получается, но при этом я верю, что это развиваемый навык, точно так же как рисование — научится основам композиции и комбинации цветов может каждый.

Существуют определенные математические модели, навыки и концепты, которые можно понять, выучить и уметь правильно использовать в различных жизненных ситуациях.

Я могу напрячься и сдать курс на 3/4, закрепить все необходимые нейронные связи в мозгу и надеяться, что в нужный момент я смогу ими воспользоваться. Но зачастую я НЕ ПОЛУЧАЮ удовольствия от этого.

Касательно математики у меня следующая позиция — чем меньше уровень абстракции (читай чем меньше общих теорем и неконкретных значений) — тем лучше.

Я прекрасно могу решать диффуры, если знаю какой метод нужно для этого использовать. Зная алгоритм, применить его на конкретном примере — проще простого.

Доказать что-либо используя какую-либо (неведомую) теорему — не ко мне. Сколько бы я не сидела (а просижу я недолго, потому что не люблю делать то, что не получается, а следовательно бросаю), результата от меня не добиться.

Поэтому с самого начала обучения я знала, что выберу Software egineering, потому что вижу это направление как менее абстрактное, его цели мне понятны и близки. Какими бы престижными и высокооплачиваемыми не были вакансии Data science, я НЕ ХОЧУ заниматься тем, что не будет приносить мне удовольствия.

И меня ужасно раздражает мнение, что “DS для умных, SE для лохов” или позиция некоторых моих друзей, которые аргументируют выбор DS тем, что “с DS ты выйдешь дата саентистом и сможешь просто кодить в случае чего, а выйдя с SE ты сможешь просто кодить” или услышав, что (assume) Вася выбрал SE, а не DS выдают реплику “Ну, от него я такого не ожидал…”.

“Просто кодить” можно с образованием учительницы музыки и грудным ребенком на руках — когда ты хочешь попробовать что-нибудь новое и не деградировать во время декрета (no offence, если это читает учительница музыки в декрете).

Клепать хтмл-странички или писать классы “Person” можно и без образования, а уметь грамотно разрабатывать софт для людей — ответственная профессия.

Здесь я хочу уточнить, что не считаю Data science плохой специальностью. Главный мой point — SE и DS это РАЗНЫЕ направления и не определяют уровень интеллектуальных возможностей отдельного человека.

В будущем я хочу работать в компании, быть частью команды и уметь грамотно воплотить идеи людей в жизнь. Курс SE включает в себя крутые hard skills (в том числе и машинное обучение кстати) наравне с soft skills, что чрезвычайно важно, когда ты работаешь с людьми. То, что я не буду знать тонкостей deep learning’а никак не помешает мне быть хорошим программистом, если мне будет нравится то, что я делаю. К тому же, всегда на Courser’е можно найти множество неплохих курсов на случай если мне вдруг приспичит использовать ДЛ в своей работе. Машинное обучение — не панацея от всех проблем и нужна далеко не во всех проектах.

Написать все это я решила пока проходила урок из курса Google по machine learning. На половине урока мне стало скучно, потому что задание было закодить и подобрать правильный коэффициент для шага градиента в линейной регрессии и я решила отвлечься и написать о том, что мне интересно.

Если я не смогла правильно отобразить свою мысль текстом выше, то вот она — уважаемые дата саентисты, не нужно недооценивать нас, сентиментальных мечтателей софтвер инженеров. Здесь нет разделения на “умнее” или “лучше”, мы просто разные. Как то так.

Пис.

Источник