Именно такой вопрос я часто получаю от подписчиков, поэтому давайте разберёмся)
Предположим, что ты хорошо знаешь классическую аналитику и совсем не шаришь за машинное обучение 🧑🎓
Хорошая новость: есть много задач в аналитике, где ты можешь обойтись без понимания ML.
Сюда относятся:
➖визуализация, BI отчётности и дашборды для мониторинга
➖классическое AB тестирование и проверка гипотез (за исключением продвинутых ML методов проверки гипотез)
➖аналитические оценки на основе исторических данных, построение пайплайнов обработки данных при помощи SQL и Pandas
Плохая новость: следующие задачи в аналитике требуют знания ML.
Вот частые примеры:
➖кластеризация данных для выявления закономерностей
➖построение прогнозов для временных рядов, оценка важности признаков и их влияния на сложные метрики
➖обработка и анализ текстовых данных, картинок и видео
➖автоматизация процессов на основе AI-моделей
Кстати, из всех моих задач в аналитике ценообразования Яндекс.Лавки 💙 примерно 20-25% так или иначе затрагивали ML.
Из всего вышеупомянутого можно сделать вывод:
Всё будет зависеть от вакансии и задач, которые она включает. На определённые вакансии (и по ощущениям таких прям много) будет достаточно лишь хорошего знания классической аналитики.
Однако точно можно сказать, что понимание машинного обучения будет твоим хорошим преимуществом и откроет перед тобой новый инструментарий для решения задач 🛠
Набираем под этим постом 150 ❤️ и я сразу же начинаю писать пост о том, как я изучал машинное обучение и как это проще делать сейчас 🧑🎓
А также поделюсь с вами крутой новостью о том, где я в ближайшее время буду преподавать ML 🤖