Во овој блог пост ќе можеш да се запознаеш со Влатко Тучев, алумни студент на Академијата за Data Science на Brainster (Бреинстер) и дел од тимот на Brainster Next College (Бреинстер Некст колеџ) и Brainster.
Влатко е упорна, амбициозна и внимателна личност кој постојано сака да учи нови работи бидејќи тоа го исполнува како личност. Според него, флексибилноста е многу поголема кога имаш повеќе знаење и ти останува само креативноста за да дојдеш до нова иновација.
Во продолжение, дознај повеќе за Влатко Тучев и како изгледа еден ден во животот на Data Scientist
Зошто стана Data Scientist? Што те привлече кај оваа професија?
Мојата страст кон математиката и компјутерските науки, а и можноста да градам кариера во една од најбрзо растечките индустрии, беше главниот фактор кој ме водеше кон оваа професија. Со експоненцијалниот раст на дигитално достапни информации, се појавуваат огромни можности за откривање на нови и досега недостапни знаења и инсајти. Исто така, ми се допаѓа фактот дека можам да допринесам кон решавање на значајни проблеми и да им помогнам на стејкхолдерите да направат информирани и подобри одлуки. За крај би додал само дека уживам во динамиката на професијата бидејќи секој ден се соочувам со нови предизвици и постојано учам и развивам нови вештини. Токму тоа ми овозможува да бидам креативен и аналитичен во исто време, што е комбинација во која наоѓам изразито задоволство.
Кои алатки и софтвери ги користиш во секојдневното работење?
Python ми е главен програмски јазик кој секојдневно го користам поради големата флексибилност и ефикасност. Често користам библиотеки како Pandas и Numpy за манипулација и анализа на податоци. За собирање на податоци од различни извори или платформи, често користам API-и бидејќи така имам лесен и брз пристап до самите податоци, а тоа ми отвара можност за автоматизација и ослободување на ресурси за други тимови да не мора рачно да собираат податоци и да се фокусираат повеќе на нивна анализа и донесување на одлуки.
Кога станува збор за визуелизација на податоци и изградба на репорти, Power BI е мојата основна алатка. Таа ми е овозможува да креирам интерактивни дашборди кои можат да ги претстават податоците на лесен и разбирлив начин.
Понекогаш кога треба да автоматизирам одредени таскови, како скрејпање на податоци од веб-страници за кои немам директен пристап преку API, користам Selenium библиотека во Python. Оваа алатка ми овозможува интеракција со веб-страници на начин што би било тешко или невозможно да се направи рачно.
И на крај, за изградба на предиктивни модели и примена на машинско учење, често користам Scikit-learn, TensorFlow или Keras. Овие алатки ми овозможуваат да креирам модели кои можат да предвидат идни трендови или да откријат скриени информации во податоците.
Колку е важна соработката на Data Scientist-от со другите тимови?
Соработката е апсолутно клучна за успехот на еден Data Scientist. Податоците и информациите кои ги анализираме често доаѓаат од различни департмани од организацијата, па за да можеме ефективно да ги толкуваме и да изведуваме значајни увиди, мораме да го разбереме самиот контекст во кој се создадени.
Соработката со други тимови не само што ни помага да ги разбереме податоците подобро, туку и да ги применуваме нашите откритија на начини што се најпогодни за самиот бизнис. Ова вклучува комуникација со различни тимови за да се разберат стратегиските цели, работа со техничкиот тим за да се испорачаат податоците и соработка со аналитичари за да се осигура дека нашите откритија се разбирливи и употребливи. Соработката со други тимови и комуникацијата се есенцијални вештини за секој Data Scientist.
Раскажи ни како изгледа еден ден во животот на Data Scientist?
Секогаш денот си почнува со едно утринско убаво кафе и проверка на e-mail и нови ажурирања или промени на проектите на кои работам. Како што кажав, комуникациајта е есенцијална вештина за оваа професија, па затоа често имам и состаноци со различни тимови на кои дискутираме за целите на самите проекти кои ги работиме, нивниот прогрес, нови иницијативи, преглед на податоците и нивно анализирање и сл. Во спротивно, кога немам состаноци, секогаш се фокусирам на техничката страна на активните проекти, како собирање на податоци, чистење и подготовка за анализа и изведување на статистички анализи или изградба на модели за машинско учење. Исто така голем дел од времето ми поминува во градење на визуелизации и репорти во Power BI им кои овозможуваат на другите од организацијата да разберат што самите податоци ни кажуваат.
Мислам дека најважното во оваа индустрија е да се надградуваме секојдневно поради брзиот ритам на промени во технологијата, па затоа одреден дел од времето ми поминува во читање на научни статии, учење на нови алатки или техники, или учествување на вебинари или конференции. И на крај, без ерор (bug) во кодот, програмер не се станува, па се навраќам на кодот што претходно сум го напишал и вршам одредени тестирања за да се уверам дека сите модели и анализи се точни и реплицибилни.
Секој ден како Data Scientist е различен и полн со предизвици и можност за учење. Иако ова е само пример, важно е да се забележи дека оваа улога често вклучува балансирање меѓу техничките вештини, комуникација со останатите тимови и разбирање на бизнис потребите и стратегиите.
Како остануваш во тек со најновите технологии и алатки за Data Science?
Еве неколку начини како се обидувам да останам информиран и актуелен:
- Редовно прегледувам научни публикации и блогови со цел да бидам во тек со последните истражувања и иновации во оваа област. Medium е одличен ресурс за таква информација, додека LinkedIn ми овозможува да следам активности и споделувања на врвни професионалци во областа на Data Science.
- Онлајн курсеви како Udemy и Coursera кои нудат богат избор на курсеви за различни теми во Data Science. Слично, вебинарите можат да бидат одличен избор за надградување на своето знаење.
- Форуми и платформи како Stack Overflow, Reddit и GitHub (понекогаш и Discord) за следење на дискусии помеѓу професионалци за нови алатки, техники и начини како решаваат одрдени проблеми.
- Подкасти и YouTube. Доста многу подкасти има на YouTube што се фокусираат на Data Science и машинско учење и се одличен извор на информација.
За крај би нагласил дека практичната примена е суштински елемент во процесот на усовршување. Секогаш кога се среќаваме со нова тема која бара специфични знаења и алатки за изградба на решение, во нас се јавува потреба да истражуваме и учиме повеќе. Ова може да вклучува ангажирање во лични проекти, учество во хакатони или натпревари како што е Kaggle, или примена на новите техники и алатки во нашите тековни работни обврски.
Како се справуваш со предизвиците и препреките кои ти се појавуваат за време на твоето работење?
Во текот на програмирањето, често се соочувам со различни предизвици, од мали технички проблеми до големи концептуални препреки. Мојот пристап кон овие предизвици секогаш вклучува длабоко истражување на проблемот (bug) со цел да се идентификува ефикасно решение. Не секогаш станува збор за едноставни грешки кои можат да се решат со малку истражување, понекогаш се соочувам со задачи што бараат комплексно аналитичко и проблемско размислување за да се постигне целта. Важно е да не се предаваме кога сме заглавени на препрека, бидејќи решението може да ни се јави кога најмалку го очекуваме, како на пример, по одмор или спиење.
Решавањето на проблеми е итеративен процес. Ако првичното решение не успеа, се враќам назад, анализирам што не функционира и пробувам со нов пристап. Грешките и неуспесите се шанси за учење и подобрување.
Која е тајната за да се стане успешен Data Scientist?
Мислам дека не постои единствена формула или „тајна“ за успешен Data Scientist. Тоа најчесто произлегува од страст кон учење и аналитичко размислување, способност за ефективна комуникација на сложени идеи, и персистенција за справување со предизвици. Се бара доста голема посветеност, упорност и постојано стремење кон подобрување и усовршување.
И за крај, твојот совет за сите идни Data Scientist?
Мојот совет за сите идни Data Scientists би бил никогаш да не го изгубат својот ентузијазам кон учењето. Постојано бидете во тек со новата технологија и новите алатки во индустријата. И, никогаш не се плашете да згрешите, успехот е процес, а не конечна дестинација.
„Не е важно колку бавно одиш, сè додека не престанеш“. – Конфуциј
Brainster Next College е првиот акредитиран практичен ИТ-факултет кај нас кој нуди две уникатни додипломски студии за Софтверско инженерство и иновации и UX/UI и графички дизајн.
Преземи го првиот чекор кон успешна кариера и дознај повеќе за нашите програми, методологија на работа, професори и како можеш да студираш сега, а да плаќаш по вработувањето.
Местата за двете студиски програми се ограничени, аплицирај сега!
