പാവൽ ക്ലെമെൻകോവ്, എൻവിഡിയ: ഒരു ഡാറ്റാ സയന്റിസ്റ്റിനു ചെയ്യാൻ കഴിയുന്നതും അവനു ചെയ്യാൻ കഴിയുന്നതും തമ്മിലുള്ള വിടവ് കുറയ്ക്കാൻ ഞങ്ങൾ ശ്രമിക്കുന്നു

ഡാറ്റാ സയൻസ്, ബിസിനസ് ഇന്റലിജൻസ് ഓസോൺ മാസ്റ്റേഴ്‌സ് എന്നിവയിലെ മാസ്റ്റർ പ്രോഗ്രാമിലെ വിദ്യാർത്ഥികളുടെ രണ്ടാമത്തെ പ്രവേശനം ആരംഭിച്ചു - കൂടാതെ ഒരു അപേക്ഷ ഉപേക്ഷിച്ച് ഓൺലൈൻ പരീക്ഷ എഴുതുന്നത് എളുപ്പമാക്കുന്നതിന്, പഠനത്തിലും ജോലിയിലും എന്താണ് പ്രതീക്ഷിക്കേണ്ടതെന്ന് ഞങ്ങൾ പ്രോഗ്രാം അധ്യാപകരോട് ചോദിച്ചു. ഡാറ്റ ഉപയോഗിച്ച്.

ചീഫ് ഡാറ്റാ സയന്റിസ്റ്റ് എൻവിഡിയയും അദ്ധ്യാപികയും ബിഗ് ഡാറ്റ, ഡാറ്റാ എഞ്ചിനീയറിംഗ് എന്നീ കോഴ്സുകൾ ഗണിതശാസ്ത്രജ്ഞർക്ക് കോഡ് എഴുതേണ്ടതും ഓസോൺ മാസ്റ്റേഴ്സിൽ രണ്ട് വർഷത്തേക്ക് പഠിക്കേണ്ടതും എന്തുകൊണ്ടാണെന്ന് പവൽ ക്ലെമെൻകോവ് സംസാരിച്ചു.

— ഡാറ്റാ സയൻസ് അൽഗോരിതം ഉപയോഗിക്കുന്ന നിരവധി കമ്പനികൾ ഉണ്ടോ?

- യഥാർത്ഥത്തിൽ ഒരുപാട്. ശരിക്കും വലിയ ഡാറ്റയുള്ള ധാരാളം വലിയ കമ്പനികൾ ഒന്നുകിൽ അത് ഫലപ്രദമായി പ്രവർത്തിക്കാൻ തുടങ്ങുന്നു അല്ലെങ്കിൽ ദീർഘകാലമായി പ്രവർത്തിക്കുന്നു. വിപണിയുടെ പകുതിയും എക്സൽ സ്പ്രെഡ്‌ഷീറ്റിലേക്ക് ഉൾക്കൊള്ളാൻ കഴിയുന്ന അല്ലെങ്കിൽ ഒരു വലിയ സെർവറിൽ കണക്കാക്കാൻ കഴിയുന്ന ഡാറ്റയാണ് ഉപയോഗിക്കുന്നതെന്ന് വ്യക്തമാണ്, എന്നാൽ ഡാറ്റ ഉപയോഗിച്ച് പ്രവർത്തിക്കാൻ കഴിയുന്ന കുറച്ച് ബിസിനസ്സുകൾ മാത്രമേയുള്ളൂവെന്ന് പറയാനാവില്ല.

— ഡാറ്റാ സയൻസ് ഉപയോഗിക്കുന്ന പ്രോജക്ടുകളെക്കുറിച്ച് ഞങ്ങളോട് കുറച്ച് പറയുക.

— ഉദാഹരണത്തിന്, റാംബ്ലറിൽ ജോലി ചെയ്യുമ്പോൾ, ഞങ്ങൾ RTB (റിയൽ ടൈം ബിഡ്ഡിംഗ്) തത്വങ്ങളിൽ പ്രവർത്തിക്കുന്ന ഒരു പരസ്യ സംവിധാനം ഉണ്ടാക്കുകയായിരുന്നു - പരസ്യം വാങ്ങുന്നത് ഒപ്റ്റിമൈസ് ചെയ്യുന്ന അല്ലെങ്കിൽ, ഉദാഹരണത്തിന്, പ്രോബബിലിറ്റി പ്രവചിക്കാൻ കഴിയുന്ന നിരവധി മോഡലുകൾ ഞങ്ങൾ നിർമ്മിക്കേണ്ടതുണ്ട്. ഒരു ക്ലിക്ക്, പരിവർത്തനം തുടങ്ങിയവ. അതേ സമയം, ഒരു പരസ്യ ലേലം ധാരാളം ഡാറ്റ സൃഷ്ടിക്കുന്നു: സാധ്യതയുള്ള പരസ്യം വാങ്ങുന്നവർക്കുള്ള സൈറ്റ് അഭ്യർത്ഥനകളുടെ ലോഗുകൾ, പരസ്യ ഇംപ്രഷനുകളുടെ ലോഗുകൾ, ക്ലിക്കുകളുടെ ലോഗുകൾ - ഇത് പ്രതിദിനം പതിനായിരക്കണക്കിന് ടെറാബൈറ്റ് ഡാറ്റയാണ്.

മാത്രമല്ല, ഈ ജോലികൾക്കായി ഞങ്ങൾ രസകരമായ ഒരു പ്രതിഭാസം നിരീക്ഷിച്ചു: മോഡലിനെ പരിശീലിപ്പിക്കാൻ നിങ്ങൾ കൂടുതൽ ഡാറ്റ നൽകുന്നു, അതിന്റെ ഗുണനിലവാരം ഉയർന്നതാണ്. സാധാരണയായി, ഒരു നിശ്ചിത അളവിലുള്ള ഡാറ്റയ്ക്ക് ശേഷം, പ്രവചനത്തിന്റെ ഗുണനിലവാരം മെച്ചപ്പെടുന്നത് നിർത്തുന്നു, കൂടാതെ കൃത്യത കൂടുതൽ മെച്ചപ്പെടുത്തുന്നതിന്, നിങ്ങൾ അടിസ്ഥാനപരമായി വ്യത്യസ്തമായ ഒരു മോഡൽ ഉപയോഗിക്കേണ്ടതുണ്ട്, ഡാറ്റ തയ്യാറാക്കുന്നതിനുള്ള വ്യത്യസ്ത സമീപനം, സവിശേഷതകൾ മുതലായവ. ഇവിടെ ഞങ്ങൾ കൂടുതൽ ഡാറ്റ അപ്‌ലോഡ് ചെയ്യുകയും ഗുണനിലവാരം വർദ്ധിപ്പിക്കുകയും ചെയ്തു.

ഒരു പരീക്ഷണമെങ്കിലും നടത്തുന്നതിനായി വിശകലന വിദഗ്ധർക്ക് ആദ്യം വലിയ ഡാറ്റാ സെറ്റുകളിൽ പ്രവർത്തിക്കേണ്ടി വന്ന ഒരു സാധാരണ സംഭവമാണിത്, കൂടാതെ ഒരു സുഖപ്രദമായ മാക്ബുക്കിൽ യോജിക്കുന്ന ഒരു ചെറിയ സാമ്പിൾ ഉപയോഗിച്ച് അത് നേടുക അസാധ്യമാണ്. അതേ സമയം, ഞങ്ങൾക്ക് വിതരണം ചെയ്ത മോഡലുകൾ ആവശ്യമാണ്, അല്ലാത്തപക്ഷം അവരെ പരിശീലിപ്പിക്കാൻ കഴിയില്ല. കമ്പ്യൂട്ടർ വിഷൻ ഉൽപ്പാദനത്തിൽ അവതരിപ്പിക്കുന്നതോടെ, അത്തരം ഉദാഹരണങ്ങൾ കൂടുതൽ സാധാരണമായിക്കൊണ്ടിരിക്കുകയാണ്, കാരണം ചിത്രങ്ങൾ വലിയ അളവിലുള്ള ഡാറ്റയാണ്, കൂടാതെ ഒരു വലിയ മോഡലിനെ പരിശീലിപ്പിക്കാൻ ദശലക്ഷക്കണക്കിന് ചിത്രങ്ങൾ ആവശ്യമാണ്.

ചോദ്യം ഉടനടി ഉയർന്നുവരുന്നു: ഈ വിവരങ്ങളെല്ലാം എങ്ങനെ സംഭരിക്കാം, എങ്ങനെ ഫലപ്രദമായി പ്രോസസ്സ് ചെയ്യാം, വിതരണം ചെയ്ത പഠന അൽഗോരിതങ്ങൾ എങ്ങനെ ഉപയോഗിക്കാം - ശുദ്ധമായ ഗണിതത്തിൽ നിന്ന് എഞ്ചിനീയറിംഗിലേക്ക് ശ്രദ്ധ മാറുന്നു. നിർമ്മാണത്തിൽ നിങ്ങൾ കോഡ് എഴുതുന്നില്ലെങ്കിലും, ഒരു പരീക്ഷണം നടത്താൻ നിങ്ങൾക്ക് എഞ്ചിനീയറിംഗ് ടൂളുകൾ ഉപയോഗിച്ച് പ്രവർത്തിക്കാൻ കഴിയണം.

— സമീപ വർഷങ്ങളിൽ ഡാറ്റാ സയൻസ് ഒഴിവുകളോടുള്ള സമീപനം എങ്ങനെയാണ് മാറിയത്?

— ബിഗ് ഡാറ്റ ഹൈപ്പായി മാറുകയും യാഥാർത്ഥ്യമാവുകയും ചെയ്തു. ഹാർഡ് ഡ്രൈവുകൾ വളരെ വിലകുറഞ്ഞതാണ്, അതിനർത്ഥം എല്ലാ ഡാറ്റയും ശേഖരിക്കാൻ കഴിയുമെന്നതിനാൽ ഭാവിയിൽ ഏതെങ്കിലും അനുമാനങ്ങൾ പരീക്ഷിക്കാൻ മതിയാകും. തൽഫലമായി, വലിയ ഡാറ്റയുമായി പ്രവർത്തിക്കുന്നതിനുള്ള ഉപകരണങ്ങളുടെ അറിവ് വളരെ ജനപ്രിയമായിക്കൊണ്ടിരിക്കുകയാണ്, തൽഫലമായി, ഡാറ്റാ എഞ്ചിനീയർമാരുടെ കൂടുതൽ കൂടുതൽ ഒഴിവുകൾ പ്രത്യക്ഷപ്പെടുന്നു.

എന്റെ ധാരണയിൽ, ഒരു ഡാറ്റാ സയന്റിസ്റ്റിന്റെ പ്രവർത്തനത്തിന്റെ ഫലം ഒരു പരീക്ഷണമല്ല, മറിച്ച് ഉൽപ്പാദനത്തിൽ എത്തിയ ഒരു ഉൽപ്പന്നമാണ്. ഈ വീക്ഷണകോണിൽ നിന്ന്, വലിയ ഡാറ്റയെ ചുറ്റിപ്പറ്റിയുള്ള ഹൈപ്പിന്റെ ആവിർഭാവത്തിന് മുമ്പ്, പ്രക്രിയ വളരെ ലളിതമായിരുന്നു: എഞ്ചിനീയർമാർ നിർദ്ദിഷ്ട പ്രശ്നങ്ങൾ പരിഹരിക്കുന്നതിന് മെഷീൻ ലേണിംഗിൽ ഏർപ്പെട്ടിരുന്നു, കൂടാതെ ഉൽപ്പാദനത്തിലേക്ക് അൽഗോരിതങ്ങൾ കൊണ്ടുവരുന്നതിൽ പ്രശ്നങ്ങളൊന്നും ഉണ്ടായിരുന്നില്ല.

- അന്വേഷിക്കുന്ന ഒരു സ്പെഷ്യലിസ്റ്റായി തുടരാൻ എന്താണ് വേണ്ടത്?

— ഗണിതശാസ്ത്രം, മെഷീൻ ലേണിംഗ് സിദ്ധാന്തം എന്നിവ പഠിക്കുകയും ഡാറ്റ വിശകലന മത്സരങ്ങളിൽ പങ്കെടുക്കുകയും ചെയ്ത നിരവധി ആളുകൾ ഇപ്പോൾ ഡാറ്റ സയൻസിലേക്ക് വന്നിട്ടുണ്ട്, അവിടെ ഒരു റെഡിമെയ്ഡ് ഇൻഫ്രാസ്ട്രക്ചർ നൽകിയിരിക്കുന്നു: ഡാറ്റ വൃത്തിയാക്കപ്പെടുന്നു, അളവുകൾ നിർവചിക്കപ്പെട്ടിരിക്കുന്നു, കൂടാതെ ഒന്നുമില്ല. പുനരുൽപ്പാദിപ്പിക്കാവുന്നതും വേഗത്തിലുള്ളതുമായ പരിഹാരത്തിനുള്ള ആവശ്യകതകൾ.

തൽഫലമായി, ബിസിനസ്സിന്റെ യാഥാർത്ഥ്യങ്ങൾക്കായി മോശമായി തയ്യാറെടുക്കാത്ത ആൺകുട്ടികൾ ജോലിക്ക് വരുന്നു, കൂടാതെ പുതുമുഖങ്ങളും പരിചയസമ്പന്നരായ ഡെവലപ്പർമാരും തമ്മിൽ ഒരു വിടവ് രൂപപ്പെടുന്നു.

റെഡിമെയ്ഡ് മൊഡ്യൂളുകളിൽ നിന്ന് നിങ്ങളുടെ സ്വന്തം മോഡൽ കൂട്ടിച്ചേർക്കാൻ നിങ്ങളെ അനുവദിക്കുന്ന ഉപകരണങ്ങളുടെ വികസനം - കൂടാതെ മൈക്രോസോഫ്റ്റ്, ഗൂഗിൾ എന്നിവയ്ക്കും മറ്റ് പലർക്കും ഇതിനകം അത്തരം പരിഹാരങ്ങളുണ്ട് - കൂടാതെ മെഷീൻ ലേണിംഗിന്റെ ഓട്ടോമേഷനും, ഈ വിടവ് കൂടുതൽ വ്യക്തമാകും. ഭാവിയിൽ, പുതിയ അൽഗോരിതങ്ങളുമായി വരുന്ന ഗൌരവമുള്ള ഗവേഷകർ, മോഡലുകൾ നടപ്പിലാക്കുകയും പ്രക്രിയകൾ ഓട്ടോമേറ്റ് ചെയ്യുകയും ചെയ്യുന്ന വികസിത എഞ്ചിനീയറിംഗ് വൈദഗ്ധ്യമുള്ള ജീവനക്കാർക്കും ഈ തൊഴിൽ ആവശ്യക്കാരായിരിക്കും. ഡാറ്റാ എഞ്ചിനീയറിംഗിലെ ഓസോൺ മാസ്റ്റേഴ്‌സ് കോഴ്‌സ് രൂപകൽപ്പന ചെയ്തിരിക്കുന്നത് എഞ്ചിനീയറിംഗ് കഴിവുകളും വലിയ ഡാറ്റയിൽ വിതരണം ചെയ്ത മെഷീൻ ലേണിംഗ് അൽഗോരിതം ഉപയോഗിക്കാനുള്ള കഴിവും വികസിപ്പിക്കുന്നതിനാണ്. ഒരു ഡാറ്റാ സയന്റിസ്റ്റിനു ചെയ്യാൻ കഴിയുന്നതും പ്രായോഗികമായി അയാൾക്ക് ചെയ്യാൻ കഴിയുന്നതും തമ്മിലുള്ള അന്തരം കുറയ്ക്കാൻ ഞങ്ങൾ ശ്രമിക്കുന്നു.

— ഡിപ്ലോമയുള്ള ഒരു ഗണിതശാസ്ത്രജ്ഞൻ എന്തിന് ബിസിനസ് പഠിക്കാൻ പോകണം?

നൈപുണ്യവും അനുഭവവും വളരെ വേഗത്തിൽ പണമാക്കി മാറ്റുന്നുവെന്ന് റഷ്യൻ ഡാറ്റാ സയൻസ് കമ്മ്യൂണിറ്റി മനസ്സിലാക്കി, അതിനാൽ, ഒരു സ്പെഷ്യലിസ്റ്റിന് പ്രായോഗിക അനുഭവം ഉണ്ടായാലുടൻ, അവന്റെ ചെലവ് വളരെ വേഗത്തിൽ വളരാൻ തുടങ്ങുന്നു, ഏറ്റവും വിദഗ്ദ്ധരായ ആളുകൾ വളരെ ചെലവേറിയതാണ് - ഇത് വികസന വിപണിയുടെ നിലവിലെ നിമിഷത്തിൽ സത്യമാണ്.

ഒരു ഡാറ്റാ സയന്റിസ്റ്റിന്റെ ജോലിയുടെ ഒരു വലിയ ഭാഗം ഡാറ്റയിലേക്ക് പോകുക, അവിടെ എന്താണ് ഉള്ളതെന്ന് മനസിലാക്കുക, ബിസിനസ്സ് പ്രക്രിയകൾക്ക് ഉത്തരവാദികളായ ആളുകളുമായി കൂടിയാലോചിച്ച് ഈ ഡാറ്റ സൃഷ്ടിക്കുക - അതിനുശേഷം മാത്രമേ മോഡലുകൾ നിർമ്മിക്കാൻ അത് ഉപയോഗിക്കൂ. വലിയ ഡാറ്റ ഉപയോഗിച്ച് പ്രവർത്തിക്കാൻ തുടങ്ങുന്നതിന്, എഞ്ചിനീയറിംഗ് കഴിവുകൾ ഉണ്ടായിരിക്കേണ്ടത് വളരെ പ്രധാനമാണ് - ഇത് മൂർച്ചയുള്ള മൂലകൾ ഒഴിവാക്കുന്നത് വളരെ എളുപ്പമാക്കുന്നു, അവയിൽ പലതും ഡാറ്റാ സയൻസിൽ ഉണ്ട്.

ഒരു സാധാരണ സ്റ്റോറി: നിങ്ങൾ SQL-ൽ ഒരു ചോദ്യം എഴുതി, അത് വലിയ ഡാറ്റയിൽ പ്രവർത്തിക്കുന്ന ഹൈവ് ഫ്രെയിംവർക്ക് ഉപയോഗിച്ച് നടപ്പിലാക്കുന്നു. അഭ്യർത്ഥന പത്ത് മിനിറ്റിനുള്ളിൽ പ്രോസസ്സ് ചെയ്യപ്പെടും, ഏറ്റവും മോശമായ സാഹചര്യത്തിൽ - ഒന്നോ രണ്ടോ മണിക്കൂറിനുള്ളിൽ, പലപ്പോഴും, ഈ ഡാറ്റയുടെ ഡൗൺലോഡുകൾ നിങ്ങൾക്ക് ലഭിക്കുമ്പോൾ, ചില ഘടകങ്ങളോ അധിക വിവരങ്ങളോ കണക്കിലെടുക്കാൻ നിങ്ങൾ മറന്നുവെന്ന് നിങ്ങൾ മനസ്സിലാക്കുന്നു. നിങ്ങൾ അഭ്യർത്ഥന വീണ്ടും അയച്ച് ഈ മിനിറ്റുകളും മണിക്കൂറുകളും കാത്തിരിക്കണം. നിങ്ങൾ ഒരു കാര്യക്ഷമത പ്രതിഭയാണെങ്കിൽ, നിങ്ങൾ മറ്റൊരു ചുമതല ഏറ്റെടുക്കും, പക്ഷേ, പ്രാക്ടീസ് കാണിക്കുന്നതുപോലെ, ഞങ്ങൾക്ക് കുറച്ച് കാര്യക്ഷമതയുള്ള പ്രതിഭകളുണ്ട്, ആളുകൾ കാത്തിരിക്കുകയാണ്. അതിനാൽ, കോഴ്‌സുകളിൽ രണ്ട് മണിക്കൂറല്ല, കുറച്ച് മിനിറ്റുകൾക്കുള്ളിൽ പ്രവർത്തിക്കുന്ന ചോദ്യങ്ങൾ തുടക്കത്തിൽ എഴുതുന്നതിന് ഞങ്ങൾ ജോലി കാര്യക്ഷമതയ്ക്കായി ധാരാളം സമയം ചെലവഴിക്കും. ഈ വൈദഗ്ദ്ധ്യം ഉൽപ്പാദനക്ഷമത വർദ്ധിപ്പിക്കുന്നു, അതോടൊപ്പം ഒരു സ്പെഷ്യലിസ്റ്റിന്റെ മൂല്യവും.

- ഓസോൺ മാസ്റ്റേഴ്സ് മറ്റ് കോഴ്സുകളിൽ നിന്ന് എങ്ങനെ വ്യത്യാസപ്പെട്ടിരിക്കുന്നു?

— ഓസോൺ ജീവനക്കാരാണ് ഓസോൺ മാസ്റ്റേഴ്സ് പഠിപ്പിക്കുന്നത്, കമ്പനികളിൽ പരിഹരിക്കപ്പെടുന്ന യഥാർത്ഥ ബിസിനസ് കേസുകളെ അടിസ്ഥാനമാക്കിയാണ് ടാസ്ക്കുകൾ. വാസ്തവത്തിൽ, എഞ്ചിനീയറിംഗ് കഴിവുകളുടെ അഭാവത്തിന് പുറമേ, യൂണിവേഴ്സിറ്റിയിൽ ഡാറ്റ സയൻസ് പഠിച്ച ഒരാൾക്ക് മറ്റൊരു പ്രശ്നമുണ്ട്: ഒരു ബിസിനസ്സിന്റെ ചുമതല ബിസിനസ്സിന്റെ ഭാഷയിൽ രൂപപ്പെടുത്തിയിരിക്കുന്നു, അതിന്റെ ലക്ഷ്യം വളരെ ലളിതമാണ്: കൂടുതൽ പണം സമ്പാദിക്കുക. ഒരു ഗണിതശാസ്ത്രജ്ഞന് ഗണിതശാസ്ത്ര അളവുകൾ എങ്ങനെ ഒപ്റ്റിമൈസ് ചെയ്യാമെന്ന് നന്നായി അറിയാം - എന്നാൽ ഒരു ബിസിനസ്സ് മെട്രിക്സുമായി പരസ്പര ബന്ധമുള്ള ഒരു സൂചകം കണ്ടെത്തുന്നത് ബുദ്ധിമുട്ടാണ്. നിങ്ങൾ ഒരു ബിസിനസ്സ് പ്രശ്നം പരിഹരിക്കുകയാണെന്ന് നിങ്ങൾ മനസ്സിലാക്കേണ്ടതുണ്ട്, കൂടാതെ ബിസിനസ്സുമായി ചേർന്ന്, ഗണിതശാസ്ത്രപരമായി ഒപ്റ്റിമൈസ് ചെയ്യാൻ കഴിയുന്ന അളവുകൾ രൂപപ്പെടുത്തുക. ഈ വൈദഗ്ദ്ധ്യം യഥാർത്ഥ കേസുകളിലൂടെ നേടിയെടുക്കുന്നു, അവ ഓസോൺ നൽകുന്നു.
ഞങ്ങൾ കേസുകൾ അവഗണിച്ചാലും, യഥാർത്ഥ കമ്പനികളിലെ ബിസിനസ്സ് പ്രശ്നങ്ങൾ പരിഹരിക്കുന്ന നിരവധി പ്രാക്ടീഷണർമാർ സ്കൂൾ പഠിപ്പിക്കുന്നു. തൽഫലമായി, അധ്യാപനത്തോടുള്ള സമീപനം ഇപ്പോഴും കൂടുതൽ പ്രാക്ടീസ് അധിഷ്ഠിതമാണ്. കുറഞ്ഞത് എന്റെ കോഴ്സിലെങ്കിലും, ടൂളുകൾ എങ്ങനെ ഉപയോഗിക്കണം, ഏതൊക്കെ സമീപനങ്ങൾ നിലവിലുണ്ട് തുടങ്ങിയ കാര്യങ്ങളിലേക്ക് ശ്രദ്ധ കേന്ദ്രീകരിക്കാൻ ഞാൻ ശ്രമിക്കും. വിദ്യാർത്ഥികൾക്കൊപ്പം, ഓരോ ടാസ്ക്കിനും അതിന്റേതായ ടൂളുണ്ടെന്നും ഓരോ ഉപകരണത്തിനും അതിന്റേതായ പ്രയോഗ മേഖലയുണ്ടെന്നും ഞങ്ങൾ മനസ്സിലാക്കും.

- ഏറ്റവും പ്രശസ്തമായ ഡാറ്റ വിശകലന പരിശീലന പരിപാടി, തീർച്ചയായും, ShAD ആണ് - അതിൽ നിന്ന് കൃത്യമായി എന്താണ് വ്യത്യാസം?

- ShAD, Ozon മാസ്റ്റേഴ്സ്, വിദ്യാഭ്യാസ പ്രവർത്തനത്തിന് പുറമേ, വ്യക്തിഗത പരിശീലനത്തിന്റെ പ്രാദേശിക പ്രശ്നം പരിഹരിക്കുമെന്ന് വ്യക്തമാണ്. മുൻനിര SHAD ബിരുദധാരികളെ പ്രാഥമികമായി Yandex-ലേക്ക് റിക്രൂട്ട് ചെയ്യുന്നു, എന്നാൽ Yandex അതിന്റെ പ്രത്യേകതകൾ കാരണം ക്യാച്ച് ആണ് - മാത്രമല്ല ഇത് വലുതും വലിയ ഡാറ്റയിൽ പ്രവർത്തിക്കാൻ കുറച്ച് നല്ല ഉപകരണങ്ങൾ ഉള്ളപ്പോൾ സൃഷ്ടിച്ചതുമാണ് - അതിന്റേതായ ഇൻഫ്രാസ്ട്രക്ചറും ഡാറ്റയുമായി പ്രവർത്തിക്കാനുള്ള ഉപകരണങ്ങളും ഉണ്ട്. , അതിനർത്ഥം, നിങ്ങൾ അവരെ മാസ്റ്റർ ചെയ്യേണ്ടിവരും. ഓസോൺ മാസ്റ്റേഴ്സിന് മറ്റൊരു സന്ദേശമുണ്ട് - നിങ്ങൾ പ്രോഗ്രാമിൽ വൈദഗ്ദ്ധ്യം നേടിയിട്ടുണ്ടെങ്കിൽ, ഓസോൺ അല്ലെങ്കിൽ മറ്റ് 99% കമ്പനികളിൽ ഒന്ന് നിങ്ങളെ ജോലിക്ക് ക്ഷണിക്കുകയാണെങ്കിൽ, ബിസിനസ്സിന് പ്രയോജനം നേടുന്നത് വളരെ എളുപ്പമായിരിക്കും; ഓസോൺ മാസ്റ്റേഴ്സിന്റെ ഭാഗമായി നേടിയ വൈദഗ്ദ്ധ്യം. ജോലി തുടങ്ങാൻ മാത്രം മതിയാകും.

- കോഴ്സ് രണ്ട് വർഷം നീണ്ടുനിൽക്കും. നിങ്ങൾ എന്തിനാണ് ഇത്രയധികം സമയം ഇതിനായി ചെലവഴിക്കേണ്ടത്?

- നല്ല ചോദ്യം. ഇത് വളരെ സമയമെടുക്കും, കാരണം ഉള്ളടക്കത്തിന്റെയും അധ്യാപകരുടെ നിലവാരത്തിന്റെയും കാര്യത്തിൽ, ഇത് ഒരു അവിഭാജ്യ മാസ്റ്റർ പ്രോഗ്രാമാണ്, അത് ഗൃഹപാഠം ഉൾപ്പെടെ, മാസ്റ്റർ ചെയ്യാൻ ധാരാളം സമയം ആവശ്യമാണ്.

എന്റെ കോഴ്‌സ് വീക്ഷണകോണിൽ, ഒരു വിദ്യാർത്ഥി ആഴ്ചയിൽ 2-3 മണിക്കൂർ അസൈൻമെന്റുകൾക്കായി ചെലവഴിക്കുമെന്ന് പ്രതീക്ഷിക്കുന്നത് സാധാരണമാണ്. ഒന്നാമതായി, ഒരു പരിശീലന ക്ലസ്റ്ററിൽ ടാസ്‌ക്കുകൾ നിർവ്വഹിക്കുന്നു, ഏതെങ്കിലും പങ്കിട്ട ക്ലസ്റ്റർ സൂചിപ്പിക്കുന്നത് നിരവധി ആളുകൾ ഇത് ഒരേസമയം ഉപയോഗിക്കുന്നു എന്നാണ്. അതായത്, ടാസ്‌ക് എക്‌സിക്യൂഷൻ ആരംഭിക്കുന്നതിനായി നിങ്ങൾ കാത്തിരിക്കേണ്ടി വരും; ചില ഉറവിടങ്ങൾ തിരഞ്ഞെടുത്ത് ഉയർന്ന മുൻഗണനയുള്ള ക്യൂവിലേക്ക് മാറ്റാം. മറുവശത്ത്, വലിയ ഡാറ്റയുള്ള ഏത് ജോലിയും വളരെയധികം സമയമെടുക്കും.

പ്രോഗ്രാമിനെ കുറിച്ച് നിങ്ങൾക്ക് കൂടുതൽ ചോദ്യങ്ങളുണ്ടെങ്കിൽ, വലിയ ഡാറ്റയോ എഞ്ചിനീയറിംഗ് വൈദഗ്ധ്യമോ ഉപയോഗിച്ച് പ്രവർത്തിക്കുന്നുണ്ടെങ്കിൽ, ഓസോൺ മാസ്റ്റേഴ്സ് ഏപ്രിൽ 25 ശനിയാഴ്ച 12:00 ന് ഒരു ഓൺലൈൻ ഓപ്പൺ ഡേ നടത്തുന്നു. ഞങ്ങൾ അധ്യാപകരെയും വിദ്യാർത്ഥികളെയും കണ്ടുമുട്ടുന്നു സൂം പിന്നെ YouTube.

അവലംബം: www.habr.com