Что-то надо начать уже, а мысли никак не соберутся в кучу. И не потому, что я уже начал отмечать своё 38-летие, а потому что много всего напроисходило за два месяца.

Вредно пропускать ретроспективу.

Событие раз — смена работы

Как я уже писал, в январе схлопнулся проект, в который я был нанят. И я получил возможность познакомиться с «генеральной линией партии», принятой в компании в части персонала. Как она выглядит за пределами скорлупы проекта, защищённого от влияния CEO. Оказалось, что в компании, декларирующей использование Scrum, жизнедеятельность строится на микроменеджменте и авторитаризме.

В детали пока вдаваться не буду, дабы не «сорваться на крик». Скажу лишь, что я очень плохо воспринимаю, когда с людьми обращаются как с бездушными заменяемыми «ресурсами», не имеющими значимого мнения, а когда так пытаются обращаться со мной вообще выхожу из себя. Зато стало понятно, откуда столь удивлявшее меня первые пол года проявление симптомов выученной беспомощности у членов команды

Короче, я снова вынужден искать новую работу. Кажется, делать это ко дню рождения становится традицией.

Событие два — прояснение своих предпочтений и перспектив в профессиональном развитии

Не было бы счастья, да несчастье помогло.

Переосознал свои перспективы в Data Science направлении. Пожалуй, я был несколько оптимистичен и напрасно форсировал изучение машинного обучения, перепрыгнув несколько ступенек  математики и программирования (см. план). Очень уж было интересно. Хотя нет, не зря, теперь имея более полную картину, я могу более осознанно и направленно двигаться к цели.

А цель — управление командами и проектами в Data Science. Пожалуй, надо будет закончить магистратуру в ходе её достижения. По крайней мере сравнимый объём опыта и знаний ещё насобирать. В том числе практических.

Пока я могу взращивать и развивать команды и управлять Agile-проектами. И не просто могу, а это мне нравится, и получается хорошо.

Проблема в том, что со своим резюме (в котором есть скачки дауншифтинга и всего год в сфере разработки, причём в непонятной роли) и привычкой к честности, мне трудно преодолеть HR-барьер большинства компаний.

Хорошо, что я привык воспринимать проблемы, как челлендж и рефлексировать по итогам каждого неудачного опыта.

Поправки к целям на год

1. 1-й кю. Сделано. Регулярность тренировок сильно упала ввиду дополнительных затрат на собеседования и общей усталости от этого вида активности.
2. Стоматологические операции придётся отложить до стабилизации ситуации с работой, возможным переездом и новым доходом, т.к. они не покрываются ДМС.
3. Переезд в Питер под угрозой. Ввиду внеплановой смены работы приоритет на «найти работу» выше, чем «найти работу в Питере», а статистически в Москве найти её более вероятно — больше предложений. Но не теряю надежды.
4. Освоить Data Science — в процессе. Специализацию Big Data заканчиваю потихоньку, однако перед Applied Data Science, пожалуй, вставлю Стэнфордские Algorithms. «Машинное обучение» отложу. Ожидаемой базы оно не даёт, так что соберу её в других местах и вернусь, когда почувствую, что КПД от курсов МФТИ будет выше.
5. Тут само складывается. Приходится искать.

Длинный список событий и опыта

Опыт месяца — Февраль:

1. Анализ данных (датасетов) с помощью библиотеки Pandas в Python.
2. Основные представления о компонентах Big Data — Hadoop, MapReduce, Spark, MongoDB.
3. Линейно-векторное пространство — наконец-то представил себе что это такое. Центральная предельная теорема — общие представления. Фундамент.
4. Линейная регрессия на базе градиентного спуска. Теория и практика (scikit learn).

Опыт месяца — Март:

1. Регрессионный анализ, продолжение. Проблема переобучения (это когда модель показывает прекрасные результаты на обучающей выборке, но полный отстой на тестовых или реальных данных). Метрики оценки модели — accuracy, precision (блин, вот не помню теперь, что из них точность, а что — что-то другое в русском переводе) и recall (полнота).
2. Машинное обучение в «больших данных» — PySpark и Knime. Первое — это Python-надстройка над Spark, а второе — интересный графический drag-n-drop-конструктор для анализа данных и формирования моделей машинного обучения.
3. Решающие деревья (Decision tree), случайный лес (Random Forest), бэггинг (bagging) и метод ближайших соседей (kNN — k Nearest Neighbours).
4. Прошёл курс по Git — разобрался с Git Flow, rebase и reset.
5. Вспомнил vSphere и vSAN. Но уже с большой неохотой.

События месяца — Февраль:

1. Прошёл курс Introduction to Data Science with Python специализации Applied Data Science with Python. Отложил специализацию, в надежде получить больше фундаментальных знаний из специализации МФТИ/Яндекса «Машинное обучение и анализ данных». Но оказалось, что это ещё больший хардкор.
   
2. Прошёл курс Математика и Python для анализа данных.
   
   
3. Сдал экзамен Professional Scrum Master I
   
4. Сходил на тренинг Agile Team Facilitator
   
5. Семейный выезд к Ифгению и Наде Мальгиным. И Агнии, конечно. Заряжались теплотой общения и коньяком.

События месяца — Март:

1. Data Science weekend в Rambler. Интересные доклады, особенно от Сбера. Интересные докладчики, особенно от рамблера.
   
2. Приезд Кости и Жени в гости на выходные. Вспомнили как это — играть в настольные игры.
3. Прошёл курс «Обучение на размеченных данных». Утомился от особенностей отечественного образования не волноваться по поводу связности повествования и понятности доносимой информации кому-то не имеющему докторской степени.
   
4. 8-е марта, выход с Ксю и Катей на прогулку по Москве с посещением бара и обязательного книжного магазина.

Культурные открытия месяца:

Книга: Умберто Эко — «Как путешествовать с лососем». Образец интеллектуального юмора в виде набора заметок по разным житейским поводам и ситуациям. Смеялся в голос. Прочитал за вечер. Не мог оторваться.

Фильм: «Яркость» (Bright) с Уиллом Смитом. Вроде простой по уровню съёмок и не очень замысловатый по сюжету фильм с невысоким рейтингом. Но зацепил. Трижды пересматривали.