Публикация была переведена автоматически. Исходный язык: Русский
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
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
Поделиться
