Theo1903

Δεν είναι ο Έλληνας, είναι το narrative imho. Στο TU Delft που ήμουν 2 χρόνια όλοι οι χώροι σχεδόν ήταν ελεύθεροι, εκτός απο συγκεκριμένα εργαστήρια/ γραφεία. Το θέμα είναι οτι δεν μπορείς πιστεύω τόσο εύκολα να πας απο το "άβατον" στο "ελεύθερο για όλους". Οπότε ναι, πιστεύω οτι αν θες κάποια στιγμή να μπορείς να ανοίξεις με όμοιο τρόπο τα Ελληνικά πανεπιστήμια σε όλους χωρίς καταστροφές, ανούσιες καταλήψεις και ολοφάνερη παρανομία, χρειάζεσαι ελεγχόμενη είσοδο. Αφού φυτρωθεί η ιδέα οτι το πανεπιστήμιο, οι χώροι και ο κόσμος μέσα σε αυτόν χρίζουν σεβασμού, τότε μπορείς να αφαιρέσεις την "κάρτα" και να μπαίνει όποιος θέλει. Η προσωπική μου εμπειρία με το "πανεπιστημιακό άσυλο" στο ΑΠΘ ήταν να με περιμένει στην πόρτα ο άλλος 8.15 να μου πουλήσει χόρτο, ούτε πιο ελεύθερη διάδωση ιδεών ούτε καμιά αντίσταση σε καταπιεστικά καθεστώτα....

Θα ελεγα πρόσεχε πως το προσεγγίζεις και ιδανικά πάρε τον καθηγητή με το καλό. Ο πιο "σωστός" τρόπος είναι αφου στείλεις σε αυτόν και εφόσον δεν απαντήσει, να ξαναστείλεις με cc κάποια γραμματεία/υπευθυνο προγράμματος/πρόεδρο τμήματος. Αλλα επειδή οι καθηγητές (ειδικά αν είναι πρώτης βαθμίδας) είναι "αφεντικά" του μαθήματος, αν το πάρει λάθος μπορεί να πας σε δύσκολα μονοπάτια που ενδεχομένως να μην αξίζουν κιόλας.

Υφίσταται mphil εκτός UK ? Έχω την εντύπωση πως ο λόγος ύπαρξης ριναι για να διαχωριστουν τα fast track προγράμματα που ειναι εξειδικευσεις για να βγεις στην αγορά εργασίας από τα πιο "ακαδημαϊκα" που ειναι κυρίως ενδιάμεση στάση πριν το phd

Αν διαβάσεις λίγο τα παραπάνω θα δείς οτι ο όρος είναι λίγο umbrella term που πολλές φορές έχει διαφορετικές ερμηνείες. Παρ'όλα αυτά, το "καθαρό" data science είναι math-heavy και το υπόβαθρο που χρειάζεσαι είναι μπόλικα μαθηματικά και στατιστική. Αντικειμενικά προγραμματισμό δεν θές, συνήθως με scriptάκια python λύνονται όλα που είναι αρκετά εύκολη να την μάθεις. Βέβαια, περισσότερο με ξενίζει το γεγονός πως όπως θέτεις την ερώτηση μου φαίνεται οτι δεν έχεις ακουμπήσει καν που συνήθως ακόμα και οι μαθηματικοί είχαν κάποια επαφή.

Κοίτα σαν άνθρωπος του κλάδου και εγώ θα σου πώ οτι ο όρος "data scientist" είναι αρκετά παρεξηγημένος. Μπορεί να αφορά απο glorified excel users μέχρι legit data science ρόλο με data pipelines, cleaning, γραφήματα-επεξηγήσεις και λίγο ML για τελείωμα. Βάση όλων αυτών: στατιστική και μαθηματικά. Οπότε ναι μεν θα μπείς λίγο στο νόημα και ίσως μπορείς να στραφείς προς κάποιες απο τις θέσεις που χρησιμοποιούν τον όρο γενικά και αόριστα αλλα για πιο "σοβαρές" θέσεις ο λόγος που μπορεί να ζητάνε πτυχία και μεταπτυχιακά είναι οτι χρειάζεται ένα καλό quant υπόβαθρο για να μπορείς να κατανόεις το τι το πώς και το πότε.

Αν σε ενδιαφέρει ο "λογισμικός" τομέας όπως αναφέρεις, γιατι δεν βλέπεις κάποιο απο τα τμήματα Πληροφορικής ? Μου κάνει εντύπωση γιατι ποστάρουν πόσα άτομα για ηλεκτρολόγους ενώ φαίνεται οτι έχουν στο νου τους να ακολουθήσουν καριέρα developer. Τοσο πολύ σας ψήνει η ιδέα να λύνετε DFT/FFT και διαφορικές για κανα 2 χρόνια χωρίς λόγο ?

Μάλλον το άφησε στις 999 ώρες διάβασμα

Ως απόφοιτος της ίδιας σχολής, να σου πω και εγώ την άποψή μου. Η σχολή μπορεί να γίνει απο πολύ εύκολη εώς πολύ δύσκολη. Απο την άποψη πως αν είσαι σε όλες τις παραδόσεις και συμμετέχεις στη διάλεξη, καταλαβαίνεις εύκολα το ύφος και τα focus points του κάθε καθηγητή και είναι εύκολο να καταλάβεις τι πρέπει να διαβάσεις και που να δώσεις προσοχή. Αν απο την άλλη πας αν κάνεις την κλασσική "μαγκιά" και αφού δεν παρακολουθήσεις τίποτα ή λίγα για 6 μήνες, αρχίσεις το διάβασμα 2 εβδομάδες πριν την εξεταστική θα πασχίζεις για τα 5άρια. Προσωπικά ήμουν απο αυτούς που θεωρούσε (ίσως και λανθασμένα) οτι είτε τα ξέρω είτε όχι και δεν χρειάζεται πολύ επαφή με τον καθηγητή (mails, επισκέψεις στο γραφείο κτλπ) γιατι πηγαίνει στο "γλύψιμο". Τις 2 φορές όμως που όντως το έκανα (η μία ήταν γιατι είχε γίνει λάθος στην βαθμολόγηση και η άλλη η θρυλική εξέταση Κοτρόπουλου) βρήκα απέναντί μου καθηγητές που αναγνώριζαν το οτι ήμουν εκεί και έκανα προσπάθεια και ήταν διατεθιμένοι να βοηθήσουν και αυτοί με τον δικό τους τρόπο. Πέρα όμως απο όλα αυτά τα οποία αφορούν περισσότερο τα πρακτικά της σχολής, να ξες οτι οι σκέψεις σου είναι απολύτως φυσιολογικές. Το να περνάς την κρίση του "ποιος είμαι, τι κάνω, γιατι το κάνω" εν μέσω σπουδών είναι το πιο σύνηθες. Πάρε μια ανάσα, κάνε ένα short-term πρακτικό πλάνο (το οποίο μπορεί να αφορά απο το ποιά μαθήματα θα πάρεις στο ερχόμενο εξάμηνο μέχρι τις δραστηριότητες σου για να καταφέρεις τις παρακολουθήσεις της επόμενης εβδομάδας) και απλά ξεκίνα. Ότι και να κάνεις (σωστό ή λάθος) σίγουρα είναι καλύτερο απο την αδράνεια που απλά κάνει prolong την κακή σου κατάσταση.

Δεν ξέρω τι παίζει με τα Ελληνικά πανεπιστήμια, πάντως του εξωτερικού συνήθως κάνουν μια αντιστοίχιση και είτε σου ζητούν να αποδείξεις ώρες ενασχόλησης με κάποιο αντικείμενο (μέσω του οδηγού σπουδών της πρωην σχολής σου) είτε σε υποχρεώνουν τον 1ο χρόνο να παρακολουθήσεις ένα bridging program (σαν μινι-μαστερ με τα μαθήματα που θέλουν και δεν έχεις).

Αρχικά νομίζω αξίζει λίγο να ξεχωρίσουμε τους όρους για να ξέρουμε και τι λέμε. Το ML είναι κλάδος του AI και η ενασχόληση με αυτό έχει συνήθως πιο "ερευνητικό" χαρακτήρα. Το Data Analytics ασχολείται με το πιο business intelligence aspect των δεδομένων και συνήθως το κυνηγάνε οι οικονομικοί. Το Data Science ασχολείται με το πιο engineering aspects της ανάλυσης και συνήθως μπλέκει και λίγο ML για να εξηγήσει συσχετίσεις δεδομένων και να επιβεβαιώσει μοντέλα. Είναι κοινό μυστικό πως επειδή το ML εξαρτάται πολύ απο τα δεδομένα, οι researchers ασχολούνται αναγκαστικά πολύ με το κομμάτι της συλλογής/εξόρυξης και του "καθαρισμού" των δεδομένων. Τώρα, αν θες να ασχοληθεις πιο πολύ με "καθαρό" AI και ML/DL, αυτό συνήθως γίνεται σε πιο ερευνητικό επίπεδο και λίγες θέσεις εργασίας που επίσης συνήθως προκύπτουν μέσω εργαστηρίων και των κύκλων των ερευνητών (βλέπε microsoft/samsung research labs etc.). Εκεί μεταπτυχιακά (σίγουρα) και διδακτορικά (συχνά) χρειάζονται για να μπορείς να "μπεις στην συζήτηση" και τα θέματα μπορεί να αφορούν μεγάλα Translation Models, speech recognition, Federated Learning, Network Architecture Search, Distributed Machine Learning, Generative Models και άλλα. Αν μιλάμε για Data Science, εκεί συνήθως ασχολείσαι περισσότερο με τα data pipelines, γραφήματα και επεξηγήσεις. Σαν επέκταση αυτού, εφαρμόζονται και κάποια βασικά κομμάτια ML αλλα περισσότερο για να επιβεβαιώσεις hypotheses που μπορεί να έχεις για την συσχέτιση των data points του dataset σου μέσω της μετέπειτα ανάλυσης που θα κάνεις, παρά για να στήσεις το GPT-4. Βέβαια για να ξέρουμε και τι λέμε, αυτά είναι και notions που ακομα και τώρα βρίσκονται σε διαδικασία να γίνουν standardized στο εξωτερικό....Στην Ελλάδα υπάρχουν θεωρώ περισσότερο σαν όροι στον αέρα παρά σαν actual industry. Ακόμα και data science θέσεις που διαφημίζονται ανα καιρούς περισσότερο backend engineers on steroids ψάχνουν παρά data scientists....

Για να καταλάβεις, είναι σαν να σου λέω "θέλω να αγοράσω τζιπάκι, τι είναι καλύτερα 1800cc ή 2200cc?". Αν δεν σου πώ μοντέλο, χιλιόμετρα, τιμή, χρήση, που θέλω να πηγαίνω και τι απαιτήσεις έχω λόγια του αέρα είναι. Επειδή όμως ήμουν σε αντίστοιχο δίλλημα πριν 2 χρόνια, να αναφέρω τα σημεία που μέτρησα εγώ -Το μονοετές (που είναι συνήθως αυτά των 90ec) τελειώνει πιο γρήγορα, δίνοντάς σου την δυνατότητα να τα "δώσεις" όλα σε ένα σχετικά μικρό χρονικό διάστημα (απο την έννοια οτι στο άλλο απο ενα σημείο και μετά μπορεί να κουραστείς). Επίσης έχεις το θετικό οτι στον ίδιο χρόνο που θα έκανες το 2ο έτος, μπορείς να κάνεις σχετική πρακτική και να αρχίσεις σε κάποια θέση για προυπηρεσία. Οπότε στα 2 χρόνια να έχεις μεταπτυχιακό + internship + θέση ή μεταπτυχιακο + 1χρόνο προυπηρεσία. Τα μονοετή σίγουρα αποτελούν ελκυστική προσφορά αν σε ενδιαφέρει περισσότερο το χαρτί. -Το διετές (που είναι συνήθως των 120ec) περιέχει αρχικά περισσότερα μαθήματα και αν όντως ενδιαφέρεσαι για το γνωστικό κέρδος, μπορεί να φαίνεται πιο ελκυστική προσφορά. Ο έξτρα χρόνος μπορεί να σου προσφέρει περισσότερο χρόνο και ευκαιρίες για networking και συνεργασίες (περισσότερη τριβή και επαφή με τα αντίστοιχα άτομα). Νομίζω οτι γενικά τα διετή δίνουν μια πιο "ολοκληρωμένη" εμπειρία μεταπτυχιακού. Τώρα επειδή αναφέρεις το εξωτερικό, αντικειμενικά κανένας δεν ενδιαφέρεται. Οι περισσότερες εταιρείες και οι recruiters τους γνωρίζουν τα πανεπιστήμια της χώρας τους οπότε οτιδήποτε έξω απο αυτό είναι το ίδιο και το αυτό. Αν π.χ. ενδιαφέρεσαι για δουλειά στην Αγγλία, θα μετρήσει αν το μεταπτυχιακό είναι απο κάποιο Αγγλικό πανεπιστήμιο. Αν όχι, είτε είναι το καλύτερο της Ελλάδας είτε το χειρότερο, δεν νομίζω οτι θα κάνει διαφορά.

Η πληροφορική είναι αρκετά ευρύς κλάδος και ειδικά σε μεταπτυχιακό επίπεδο οι επιλογές είναι πολλές και ποικίλες. Αν μιλάμε για μεταπτυχιακό γενικής πληροφορικής, συνήθως απαιτείται αρκετός προγραμματισμός και σχετικές εργασίες αλλα αυτές είναι ως επι το πλείστον ομαδικές οπότε τουλάχιστον δεν θα είσαι ΤΕΛΕΙΩΣ χαμένος/η. Επίσης έχε στο νου σου οτι πολλά (ειδικά Ελληνικά) πανεπιστήμια αυτά τα προγράμματα τα κάνουν structure με την ιδέα να προσεγγίσουν αποφοίτους θετικών επιστημών γενικότερα και όχι απλά πληροφορικούς. Αν μη τι άλλο, μετά τον απόφοιτο πληροφορικής νομίζω οτι ο μαθηματικός είναι ο πλέον κατάλληλος για κάτι τέτοιο.... Τώρα αν πας σε κάτι που κλείνει περισσότερο σε υπολογιστικά συστήματα, distributed, big data κτλπ ίσως το τεχνικό κομμάτι να σε ζορίσει λίγο (χωρίς να σημαίνει πως αν "ζοριστείς" λίγο παραπάνω δεν θα το βγάλεις). Απο την άλλη αν πας σε κάτι που κλείνει περισσότερο σε data science, AI και τα συναφή, θα βρεθείς σε γνωστά νερά με στατιστική και γραμμική άλγεβρα να παίζουν πρωτεύοντα ρόλο.

Προσωπικά πιστεύω οτι το "θέμα δυνατοτήτων" γενικότερα είναι δικαιολογία παρά αντικειμενική παρατήρηση. Η διαφορά του ατομου που κυνηγάει διδακτορικό σε δύσκολο τομέα και αυτού που ζορίζεται να τελειώσει κάποια "εύκολη" σχολή θεωρώ οτι έγκειται περισσότερο στην προσωπική προτίμηση και θέληση παρα στις δυνατότητες. Αρα θα έλεγα οτι αντί να επικεντρώνεσαι στα λάθος πράγματα όπως πόσα πέρασες, πόσο δύσκολη είναι η σχολή, πόσα μόρια έχει, πόσο πληρώνεται ο μηχανικός αφου τελειώσει κτλπ, ξεκίνα μια ενδοσκόπηση σχετικά με το αν σου αρέσει όντως το αντικείμενο. Απο αυτά τα λίγα που είδες, αν σε ιντριγκάρει το θέμα. Αν μπορείς να σε φανταστείς να την κάνεις 9 με 5, καθημερινά για τα επόμενα 30+ χρόνια της ζωής σου. Νομίζω οτι αν είσαι ειλικρινής με τον εαυτό σου θα δώσεις και την απάντηση. Σίγουρα πιο στοχευμένα απο 20 ξένους σε ένα φόρουμ που δεν ξέρουν την ιστορία/πορεία σου και προέρχονται απο διαφορετικά background, επίπεδα και εμπειρίες.

Πέρα απο το θεωρητικό κομμάτι του τι γίνεται μετέπειτα για έναν απόφοιτο ΕΠΑΛ (οχι οτι οι του ΓΕΛ βγαίνουν επιστήμονες αλλα τέλοσπάντων) που έχει περάσει σε σχολή με 18-19 χιλιάδες μόρια, το πρακτικό είναι πολύ απλό. Κάθε σχολή στην αρχή του χρόνου (αρκετό καιρό πριν της Πανελλήνιες εν πάσει περιπτώση) ανακοινώνει τις θέσεις εισακτέων. Τα νούμερα (ενδεικτικά) για ΗΜΜΥ ΑΠΘ το 2021 : -167 θέσεις για ΓΕΛ 90% με βάση 17,996 -2 θέσεις για εσπερινά ΓΕΛ -10 θέσεις για ΕΠΑΛ με βάση 18,815 -2 θέσεις για εσπερινά ΕΠΑΛ με βάση 12,855 Όπως καταλαβαίνεις βέβαια, όταν διαγωνίζεσαι σε πανελλαδικό επίπεδο για 10 θέσεις και ειδκά σε αντικειμενικά πιο εύκολα θέματα, στενεύουν πολύ τα περιθώρια λάθους (γιατι όπως είναι για εσένα εύκολα είναι και για τους υπόλοιπους που κυνηγάνε αυτές τις 10 θέσεις).

Έφτυσα το φαι απο την μύτη, να 'σαι καλά.