Переход из одной сферы в другую (особенно в IT) - это сложная, но все же выполнимая, задача.
Ну а уровень ИТ систем в стране мы видим своими глазами при таких высоких требованиях к кандидатам даже на уровень junior.
Я так понял Middle - это минимум соавтор статьи "Attention is all you need", а Сеьор - тот кто может на Rapberry PI запустить GPT-5
Обычно в вакансии указывается какие знания требуются от человека для того, чтобы он успешно устроился и работал.
Задачки по алгоритмам и структурам данных спрашивают даже у Junior специалистов, потому что у них еще мало опыта и проверить можно в том числе с помощью этой прокси-метрики. И обычно, чем выше уровень, тем меньшее внимание обращают на такие задачки, но базу знать все равно нужно.
ну нет столько тех, кто умеет головоломки решать.
Не во всех компаниях есть алгоритмическая секция :)
По задачам (в лоб почти все можно решить сразу). На оптимизацию может уходить сутки/двое размышлений.
В курсе Подготовка к алгоритмическому собеседованию как раз и рассказывается как проходят алгоритмические секции - не обязательно сразу писать идеальный код - сначала нужно предложить самое простое решение, а потом уже подумать (может быть с помощью собеседующего) как можно улучшить алгоритм.
Зарплаты менеджеров различных уровней (не в IT) оценить не могу, зато уровень зарплат в Data Science в России достаточно прозрачный (getmatch, ODS и другие ресурсы в помощь).
Насчет собеседований: чтобы устроиться на работу, нужно ходить на собеседования и пробовать - иначе не получится :) Если переходите из другой сферы в IT, то тяжело будет сразу попасть на высокий уровень (Middle и выше), поэтому многие сначала теряют в зарплате, устраиваясь на Junior роли, а затем через несколько лет уже превосходят свой доход, который был на прошлой работе.
Для собеседования почти всегда нужно знать алгоритмы.
Для работы напрямую алгоритмы не нужны, но их знание помогает писать более оптимальный код, потому что автоматически анализируешь код, который пашешь, на временную и пространственную сложность.
Я просто предлагаю материалы, которые можно использовать для изучения Data Science и подготовки к собеседованиям.
На собеседованиях спрашивают только маленькую часть от того, что можно узнать, если работать с этими ресурсами.
Переход из одной сферы в другую (особенно в IT) - это сложная, но все же выполнимая, задача.
Обычно в вакансии указывается какие знания требуются от человека для того, чтобы он успешно устроился и работал.
Задачки по алгоритмам и структурам данных спрашивают даже у Junior специалистов, потому что у них еще мало опыта и проверить можно в том числе с помощью этой прокси-метрики. И обычно, чем выше уровень, тем меньшее внимание обращают на такие задачки, но базу знать все равно нужно.
Не во всех компаниях есть алгоритмическая секция :)
В курсе Подготовка к алгоритмическому собеседованию как раз и рассказывается как проходят алгоритмические секции - не обязательно сразу писать идеальный код - сначала нужно предложить самое простое решение, а потом уже подумать (может быть с помощью собеседующего) как можно улучшить алгоритм.
Зарплаты менеджеров различных уровней (не в IT) оценить не могу, зато уровень зарплат в Data Science в России достаточно прозрачный (getmatch, ODS и другие ресурсы в помощь).
Насчет собеседований: чтобы устроиться на работу, нужно ходить на собеседования и пробовать - иначе не получится :) Если переходите из другой сферы в IT, то тяжело будет сразу попасть на высокий уровень (Middle и выше), поэтому многие сначала теряют в зарплате, устраиваясь на Junior роли, а затем через несколько лет уже превосходят свой доход, который был на прошлой работе.
Пожалуйста!
Не все задачи из роадмапа подойдут для того, чтобы их спрашивать на собеседовании :)
Некоторые мне тоже не нравятся, но их задают на собеседованиях, поэтому хорошо бы знать как их решать.
Почти все задачи подойдут для тренировки навыков и изучения алгоритмов и структур данных
*пишешь
Для собеседования почти всегда нужно знать алгоритмы.
Для работы напрямую алгоритмы не нужны, но их знание помогает писать более оптимальный код, потому что автоматически анализируешь код, который пашешь, на временную и пространственную сложность.
Время на развитие на работе действительно есть, а материалы для этой статьи я структурировал в нерабочее время :)
Мне кажется, что вся статья так или иначе написана с помощью LLM
Какой процент этой статьи было написано с помощью LLM? :)