The post has been translated automatically. Original language: Russian
Why are environment settings and working with the console important competencies for an ML/BigData developer? Why is the course focusing on this?
Let's look at the statistics of Python usage in production.
According to the survey, Windows and macOS are more common in our group (left graph), and this can be considered an adequate slice of the Python community.
It is quite difficult to come up with and assemble the best metric that we want to use to measure the popularity of operating systems “in production". One thing is clear, these are not desktop operating systems used by developers on their workstation. As an indicative indicator, I looked at the installations of the popular NumPy package according to PyPI data for six months: it turned out to be about 93% of installations on Linux (right graph). So when we talk about “python code in production,” Linux absolutely dominates.
If you want your code to live not in Colab, but in a product, you are almost guaranteed to encounter Linux — from the web to backends and ML. Hence the emphasis of the course on Linux. Plus, we are also looking at tools for desktop operations, for the case when we are developing “for Linux”, but not “on Linux".
And the console is also convenient. But the slide about it is already on the course.
Alexey Dral:
One of the key areas of responsibility of the developer is delivery: high—quality results as quickly as possible. If every time you ask your colleagues to do something that you can do yourself (setting up the environment, basic console operations), you slow down the team and the result.
This is critical in startups and small companies: a candidate with env/CLI skills will be hired first.
I consider projects only for those who possess these skills, otherwise I simply do not allow them to be implemented.
Total:
Environment and console skills — in very large companies, they may be an "addition to ML", but in most cases they require professional competence (see ML Engineer) and your competitive advantage (in Data Science).
The nearest start of our training isIndustrial development in Python.
Write to us to sign up.
BigData Team: the way you learn best
Почему настройки окружения и работа с консолью — важные компетенции для ML/BigData-разработчика? Почему в курсе на это делается упор?
Давайте посмотрим статистику использования Python в продакшн.
По опросу в нашей группе чаще встречаются Windows и macOS (левый график), и это можно считать адекватным срезом питоновского комьюнити.
Довольно сложно придумать и собрать лучшую метрику, которой хотим замерять популярность операционных систем “в продакшн”. Одно понятно, это не десктопные операционки используемые разработчиками на своей рабочей станции. В качестве ориентировочного показателя я посмотрел установки популярного пакета NumPy по данным PyPI за полгода: оказалось ≈93% установок на Linux (правый график). Так что, когда говорим о “python коде в продакшн” Linux абсолютно доминирует.
Если вы хотите, чтобы ваш код жил не в Colab, а в проде, вы почти гарантированно столкнётесь с Linux — от веба до бэкендов и ML. Отсюда упор курса на Linux. Плюс мы также смотрим инструменты для десктопных операционок, для случая когда разработку ведём “для Linux”, но не “на Linux”.
А ещё консоль это удобно. Но слайд про это — уже на курсе.
Алексей Драль:
Одна из ключевых зон ответственности разработчика — delivery: качественный результат как можно быстрее. Если вы каждый раз просите коллег сделать то, что можно выполнить самостоятельно (настройка среды, базовые консольные операции), вы тормозите команду и итог.
В стартапах и небольших компаниях это критично: кандидата со скиллами env/CLI возьмут в первую очередь.
Я рассматриваю на проекты только тех, кто этими скилами владеет — иначе к реализации просто не допускаю.
Итого:
Навыки окружения и консоли — в очень крупных компаниях может и быть "дополнением к ML", но в большинстве случаев обязательная профкомпетенция (см. ML Engineer) и ваше конкурентное преимущество (в Data Science).
Ближайший старт обучения у нас — Промышленная разработка на Python.
Напишите нам, чтобы записаться.
BigData Team: the way you learn best
Share
