🤍🤍🤍🤍 🤍🤍🤍🤍🤍🤍🤍🤍
Ділюся ще одним кейсом моєї студентки — Анастасії Равської, яка у 21 рік пройшла курс «Аналітик даних в ІТ» і, спойлер, вже працює аналітиком.Точка 🤍
До аналітики Настя працювала офіціанткою і мала мінімальний досвід з даними з універі. А ще страх, що програмування може не датися. Але був план почати щось змінювати та нарешті отримати роботу в ІТ:«Я вже навіть пробувала подаватись на вакансії Data Analyst. Але знань і впевненості не вистачало» За час навчання Анастасія:⚪️ отримала розуміння, що таке реальні задачі Data Analyst і як з ними працюють в ІТ⚪️ поглибила знання Python та SQL, побачила логіку й системність навчилась читати дані, робити висновки та створювати якісні візуалізації⚪️структурувала знання та почала впевнено оперувати професійними термінами⚪️подолала страх програмування «Стало не так страшно до нього підступатись, зʼявився азарт у роботі». Точка 🤍
Паралельно з навчанням Анастасія почала писати тестові завдання, застосовувати знання на практиці — в результаті отримала офер і наразі вже працює аналітиком 🥳Враження від курсу
«Доступна, зрозуміла подача з різних сторін. Постійна підтримка, перевірка домашніх і дуже якісний фідбек. Отримала все, чого очікувала — і навіть більше. Почуваюся впевненіше й краще розумію, що роблю».
🤍🤍🤍🤍🤍🤍🤍🤍🤍🤍
Якщо вам цікавий курс з аналітики чи ML — ставте + у коментарях, ми підкажемо найближчі дати ✍🏻
З чого почати зміну професії?
🤓
Розпишу по пунктах, як би робила особисто я.
🤍
Починала б із базового питання: чого ви хочете досягнути і що вам реально цікаво. Точно не «де більше платять», а де вам відгукується і в чому ви готові розбиратися глибше. Тільки такий підхід спрацює на перспективу.
🤍 Далі я би подивилась на свій попередній досвід за кілька років і проаналізувала: які задачі вам було найбільш кайфово виконувати. Комусь заходить робота з даними, комусь автоматизація процесів, комусь комунікація з людьми, а комусь подобається наводити лад там, де цього ладу не було. Це все дуже важливі підказки.
🤍 Після цього я би всі ці інсайти вербалізувала. Наприклад, пішла би спілкуватися з ChatGPT: що він може запропонувати, які напрями можуть підійти, який формат роботи. Обовʼязково уточнювала би, де ви плануєте шукати роботу — в Україні чи на іншому ринку, бо вимоги можуть відрізнятися.
🤍 Далі просто: відкрити сайти з вакансіями і подивитися, що конкретно вимагається від людей у вибраному напрямі: які навички, які інструменти, який рівень.
🤍 І тільки після цього я би шукала курс. Так, саме курс, бо структуроване навчання майже завжди значно краще, ніж навчатися самостійно. Нам тільки здається, що ми можемо все вивчити самі — але на практиці це дуже часто розтягується на місяці або навіть роки. Заплатити за те, що хтось зібрав для вас інформацію, вибудував логіку навчання, придумав домашні завдання і супроводив вас з точки А, де «я нічого не знаю і не вмію»до точки Б, в якій ви вже маєте навички і розумієте, як шукати роботу — на мою думку, точно того варте.
😊
І ще дуже важливий нюанс. На етапі вибору напряму важливо максимально вимикати страх невдачі. Спробуйте задати собі питання: «Якщо є тисячі людей, які освоїли цей напрям, і вам він дійсно відгукується, то чому у вас має не вийти?»Для відносно складних професій, наприклад аналізу даних, потрібно кілька місяців, щоб освоїти базові навички. І якщо вам справді подобається напрям, є структурований підхід і внутрішнє «хочу», то у вас точно все вийде 💗
Як зрозуміти, що аналітика — це ваше, або що таке «майндсет дослідника»
З мого досвіду, в аналітику приходять з різних причин: комусь цікава робота з цифрами, комусь грошові перспективи, а хтось боїться втратити роботу через 10 років через зростання попиту на ШІ. Але лишаються й стають сильними аналітиками ті, у кого є одна ключова риса. Я називаю її майндсет дослідника.❔Що це таке
Коли в роботі чи в житті ви стикаєтесь із будь-якою інформацією, і вам автоматично хочеться розібратися. Не просто прийняти факт, а зрозуміти:🤍 чому саме так сталося🤍 що могло вплинути🤍 які тут приховані зв’язки🤍 чи є інше пояснення,Тобто ваш мозок любить будувати причинно-наслідкові ланцюжки та шукати відповіді. Це і є майндсет дослідника.❔Як це проявляється в роботі⚪️
Вас не лякає відсутність очевидної відповіді і хаос у даних. Вам хочеться все розкласти по поличках та знайти структуру. ⚪️
Ви отримуєте задоволення від процесу «збирання пазлу». Не лише від моменту, де рішення знаходиться, а й від самого шляху: коли перевіряєте гіпотези, виключаєте зайве, стикаєтеся з помилками і поступово складаєте цілісну картину.⚪️
Ви ставите питання, які рухають думку далі. Не тільки «що сталося?», а «чому саме це?», «що могло вплинути?», «як це змінює поведінку користувачів?», «чи не приховано тут щось важливіше?». Бо саме ці питання часто приводять до інсайтів, які справді мають значення.❕
Але дослідницький майндсет не означає, що в аналітиці немає структури. Вона є — в даті багато процесів, методологій, статистичних підходів тощо. Суть у тому, що вам має подобатись поєднання структурного мислення + дослідницької цікавості. І якщо це ви — велкам у Data Science 🤓
Планували почати вчитись «на новому тижні»?
🤓
Тоді ловіть коротку понеділкову добірку відео про Data Science та ML з мого YouTube, які варто подивитись:🤍СКІЛЬКИ РОКІВ РЕАЛЬНО ВЧАТЬСЯ АЙТІШНИКИ — відео про те, як насправді відбувається навчання в IT, чому воно не нескінченне і не таке страшне, як здається.У відео дізнаєтесь:⚪️
Скільки часу потрібно на становлення в професії⚪️
Чому перші роки — найлегші⚪️
Що змінюється після рівня сеньйор⚪️
Як ChatGPT вплинув на навчання⚪️
Чому фраза «все змінюється щодня» — міф💻 ПЕРЙТИ НА YOUTUBE🤍ЯК ПЕРЕЙТИ В ІТ, НЕ ВТРАЧАЮЧИ ДОХІД — покрокова стратегія для тих, хто хоче увійти в IT без фінансових ризиків.У відео дізнаєтесь:⚪️
Як вибрати напрям під свої навички⚪️
Самонавчання чи курси: що обрати⚪️
Як скласти портфоліо, що працює⚪️
Як знайти першу роботу⚪️
Лайфхаки, щоб не просісти по доходу⚪️
Як використати свій попередній досвід для входу в нову сферу💻 ДО ПЕРЕГЛЯДУ🤍ЯК РОЗВИНУТИ АНАЛІТИЧНЕ МИСЛЕННЯ — пояснення, що таке аналітика в реальному житті й які практики дійсно працюють.У відео дізнаєтесь:⚪️
Що таке аналітичне мислення⚪️
Чому ігри на логіку на телефоні не працюють⚪️
Метод декомпозиції⚪️
Техніка «5 Whys»⚪️
Як аналізувати побутові дані⚪️ 3 щоденні вправи для розвитку аналітичних скілів💻 ДИВИТИСЯ ТУТ
Після етеру про ML я вирішила відповісти на декілька популярних питань текстово тут. Поїхали 👇❔Чи можна не вчити Python і просто делегувати весь код ChatGPT?
Можна спробувати, але це не працює для складних речей. Якщо ви будуєте серйозний продукт, мовна модель рано чи пізно зламається на якомусь етапі, і без базових навичок програмування ви просто не зможете довести проєкт до кінця. Так, є інструменти, де можна зібрати базові моделі без коду — навіть у тому ж Excel. І якщо ви product / project-менеджер, який хоче швидко перевірити гіпотезу, то ChatGPT / Claude повністю вистачить. Але якщо ваша ціль — це бути професіональним ML-інженером або дата-саєнтистом, без коду ніяк. P. S. На інтерв’ю все одно буде етап, де треба писати код самостійно 🤓 ❔ Які типові помилки допускають новачки під час навчання ML⚪️Занадто довго «мучать» Python або математику
Місяцями сидять на теорії і бояться перейти до задач. А краще одразу брати дані⚪️ хоч той самий Titanic для тренування⚪️ і робити задачі. Ви швидше зрозумієте, навіщо взагалі потрібен кожен алгоритм.⚪️ Навчання без плану
Без структури дуже легко злитися посередині. ML — об’ємна сфера: таблиці, тексти, time series, зображення. Потрібна послідовність.
😊 Добре працює: навчатися в групі, мати ментора, мати чіткий roadmap з проєктами. У моєму курсі «ML для людей» ми за 8 місяців робимо більше 23 практичних задач, готуємо портфоліо й резюме — і саме це дозволяє дійти до кінця, а не потонути в теорії.❔ Чому важлива практика, а не просто знання про алгоритми
Тому що ML — це про вміння розв’язати задачу від А до Я:підготувати дані, закодувати категорії, опрацювати дисбаланс класів, правильно розбити вибірку, обрати метрики. Це неможливо освоїти, просто читаючи про алгоритми — тільки практика дає відчуття контролю.❔ Наскільки перспективний ML як напрям
Дуже. Сьогодні вакансії з ML — це не тільки Data Scientist чи ML Engineer. Це й AI Engineer, і project-менеджери, які працюють у AI-проєктах. ML-компетенція відкриває доступ до високих зарплат. Найвищі офери, які я бачила по Україні — $12 000-15 000. Найбільше заробляють Computer Vision Engineers, які відносяться до Data Science 😎
Якщо відчуваєте, що готові — залишаю посилання на сайт з програмою курсу по ML. Ще є шанс долучитися до цього потоку, тож не зволікайте 💗
TGLIST.COM.UA
