Full stack Dev vs Machine Learning Dev

NIE CHCE abyście podawali mi tutaj opis tych stanowisk. Chodzi mi o różnice w zakresie sposobu myślenia o problemie i metodyki jego rozwiązywania.

Wydaje mi się, że Full Stack Dev tworzy elementy(funkcjonalności) i składa je w całość. Natomiast Machine Learning szuka pewnych (nie)prawidłowości w bazie danych, następnie je optymalizuje poprzez np. sieci neuronowe.
Idąc tym tokiem myślenia, Machine Learning to praca polegająca na statystycznej analizie i optymalizacji danych. Natomiast Full Stack Dev to tworzenie, doskonalenie i rozwój funkcjonalości.

Co według Ciebie jest ciekawsze? bardziej pochłaniające i dlaczego? Data Science czy Full Stack Dev? precyzując, bierzemy pod uwagę pracę w tworzeniu i rozwoju fukcjonalności, a nie w utrzymanie.

Jak na razie z ankiety wynika, że większość preferuje posadę Machine Learning Developer, która ma nie wiele wspólnego z programowaniem(na pewno nie z obiektowym). bo to głównie statystyka (algorytmy oparte na matmie) i Big Data.

Hhmm... brak wypowiedzi ankietowanych ? czyżby głównym powodem takiego zainteresowania Machine Learning były zarobki? ;D

Machine learning wymaga wyksztalcenia kierunkowego oraz pasji. Wariancja ciekawosci pracy jest ogromna, możesz trafić do super projektow a możesz skonczyc jako eksper od pozyskiwania i czyszczenia danych. Generalnie opcja hard i niepewna.

A i zarobki są takie same w polsce jak programistow.

poza tym ta definicja co podal op jest zupelnie od czapy. Zalezy w jaką specjalizacje pojdziesz (nlp,finanse,image processing, biostatystyka) to twoja praca będzie zupełnie inaczej wyglada. I to są różnice rzędu takiego jak pomiedzy front end developerem a embedded C developerem. Dodatkowo sieci neuronowe i szerzej uczenie maszynowe to tylko część wiedzy jaką trzeba posiadac w danej branzy.

Ja nie rozumiem tej mody na Machine Learning, tak jakby każdy programista aspirował do tego stanowiska. Przecież to praca głównie związana z bazami danych i programowaniem funkcyjnem... raczej mało ciekawa. Typowy, korporacyjny Data Scientist / Machine Learning wcale nie robi "wielkich rzeczy na skalę światową", po prostu optymalizuje dane jakiegoś serwera i tyle. Natomiast Software Developer ma więcej z pracy "twórczej" - projektuje, tworzy, zmienia funkcjonalność.

Software Dev napisał(a):

Ja nie rozumiem tej mody na Machine Learning, tak jakby każdy programista aspirował do tego stanowiska. Przecież to praca głównie związana z bazami danych i programowaniem funkcyjnem... raczej mało ciekawa. Typowy, korporacyjny Data Scientist / Machine Learning wcale nie robi "wielkich rzeczy na skalę światową", po prostu optymalizuje dane jakiegoś serwera i tyle. Natomiast Software Developer ma więcej z pracy "twórczej" - projektuje, tworzy, zmienia funkcjonalność.

Pozwolę się nie zgodzić. Na tym forum jest reprezentowane głównie stanowisko dev-ów. Ja miałem okazję i być dev-em, ale także kiedyś pracować jako analityk (obecnie już nie).

Napiszę w taki sposób: praca developera to hydraulika, często bardzo skomplikowana i bardzo dobrze płatna, ale jednak hydraulika. Jeżeli architektura jest dana, wymagania są znane, to trzeba poprowadzić rury, poskręcać złączki, żeby woda popłynęła :)

Natomiast praca analityka/programisty ML to wypłynięcie na szerokie wody, jest otwarta. Do pewnego momentu każda opcja jest na stole, jest kilka ścieżek, którymi można podążać. Oczywiście - zdarza się, że każą Ci żeglować po jakimś bajorku, że 70% czasu zajmuje przygotowanie danych, ale są oferty ciekawe, z opcją wypłynięcia na szerokie wody oceanu :). Raczej dla najlepszych. Warto szukać.

Przeglądając oferty pracy na świecie można zauważyć, że nie ma zbyt wielu ofert dla "Machine Learning Developer". Najczęściej "Machine Learning" jest jednym z wymogów dla pozycji Data Scientist, którego głównym zadaniem jest czyszczenie i organizacja danych (70-80% czasu pracy). Myślę, że prędzej czy później znajomość zagadnień Machine Learning będzie także wymogiem dla programisty, już teraz coraz częściej na rynku zagranicznym pojawia się dopisek "Machine Learning" w wymaganiach pożądanych/dodatkowych na pozycjach web developer'a.

Hmm software dev, pracuje jako data scientist w image processingu i my nie zajmujemy się danymi wcale, od tego jest osobny zespol (bardziej nazwałbym ich programistami niz data scientistami). Nasze codziennie obowiazki to uczenie maszynowe, statystyla, algorytmila, optymalizacja, continuous integration, języki to python,czasem c++. Danymi i bazami danych zajmują się "data engineerowie" albo po prostu programisci. Ja na oczy nie widziałem sqla ani crawlera sieci.

Nie wiem też co wy macie z tym programowaniem funkcyjnym... normalnie wszystko jest w oop. Co do web devow i uczenia maszynowego, to tak jak ktoś pisał wcześniej, nlp image processing finanse biostatystyka to ogromnr tematy które wymagają studiów a potemlat doswiadczenia, nie da się być równocześnie webdevem i dobrym data scientista. Co nie znaczy że podstawowa znajomość ml u webdeva zawsze w cenie, więc pracodawcy piszą to czasem jako dodatkowy atut.

Od czego zacząć pod względem technicznym ? jakie toole itp. ?
Może będę musiał cokolwiek robic okolo ML a jestem backend dev a z ML czuje sie kompletnie zielony.
where to begin?

ML nie nauczysz się z tutoriali na yt. To cholernie szeroka dziedzina, wymagająca niezłej matmy. Właśnie rekrutuje się na staż do firmy optymalizujacej logistykę morską i w 6 -7 osobowym zespole jest 2-3 ludzi z doktoratem z ML, więc tutaj bez dyplomu raczej wiele się nie zdziała - rzekłbym nawet, że bez znajomości matmy akademickiej nie zrozumiesz jak to działa.
Same oferty wymagają w większość wykształcenia kierunkowego, więc nawet przebranżowić się ciężko z jakiegoś mniej matematycznego zawodu.

Przykładowo NVIDIA robi takie rzeczy https://antyweb.pl/nvidia-ai-odszumianie-zdjec/
Rozmawiając z chlopakami, którzy tam pracują to oni robią głównie czysto teoretyczne problemy. Chociaż jest od groma mniej fancy problemów, wymagających mniej zaawansowanych specjalistów w innych firmach.

jpl126 napisał(a):

ML nie nauczysz się z tutoriali na yt. To cholernie szeroka dziedzina, wymagająca niezłej matmy. Właśnie rekrutuje się na staż do firmy optymalizujacej logistykę morską i w 6 -7 osobowym zespole jest 2-3 ludzi z doktoratem z ML, więc tutaj bez dyplomu raczej wiele się nie zdziała - rzekłbym nawet, że bez znajomości matmy akademickiej nie zrozumiesz jak to działa.
Same oferty wymagają w większość wykształcenia kierunkowego, więc nawet przebranżowić się ciężko z jakiegoś mniej matematycznego zawodu.

Przykładowo NVIDIA robi takie rzeczy https://antyweb.pl/nvidia-ai-odszumianie-zdjec/
Rozmawiając z chlopakami, którzy tam pracują to oni robią głównie czysto teoretyczne problemy. Chociaż jest od groma mniej fancy problemów, wymagających mniej zaawansowanych specjalistów w innych firmach.

Miałem podobne zdanie jak Ty...

Ale nie jest teraz tak, ze ML ostatnio stal sie dostepny dla januszy, podobnie jak jakies IoT?
I iles czasu siedzisz nad przygotowaniem danych a reszte wrzucasz w jakiegos gotowca / libke i to tyle ?

Jeden z prelegentow na jednej konferencji tak powiedzial. Mimo to raczej bylem sceptyczny ale moze jest jakies ziarno prawdy.

Jeśli nie jesteś w stanie stworzyć i zweryfikować modelu to równie dobrze można zastąpić cię dobrze wytrenowanym psem. Prawdą jest że pewnie nie będziesz sobie pisał od zera algorytmów trenujących, no ale statystykę na poziomie lepszym niż "wstęp do statystyki" to by wypadało znać. Jak nie rozumiesz modeli których używasz (typu CRF) to jaka jest twoja wartość?

Krzywy Szewc napisał(a):

Jeśli nie jesteś w stanie stworzyć i zweryfikować modelu to równie dobrze można zastąpić cię dobrze wytrenowanym psem. Prawdą jest że pewnie nie będziesz sobie pisał od zera algorytmów trenujących, no ale statystykę na poziomie lepszym niż "wstęp do statystyki" to by wypadało znać. Jak nie rozumiesz modeli których używasz (typu CRF) to jaka jest twoja wartość?

No ja tam jestem programista a nie dejta scajentist i zakładam, że z takimi moge pracowac dosc niedlugo, al ebede im w stanie pomoc odnosnie przygotowania danych czy nakarmienia, przetworzenia ich jeszcze w tym życiu a nie kolejnym :P