Sot Wes

Καλησπέρα φίλε μου, έχω κάποιες απορίες για το συγκεκριμένο πρόγραμμα, αν τις γνωρίζεις βέβαια, για το συγκεκριμένο ΠΜΣ της Εφαρμοσμένης Πληροφορικής. Θεωρείται γενικά "δυνατό" μεταπτυχιακό; Το μαθηματικό του επίπεδο σε αλγορίθμους και δομές δεδομένων, ανταποκρίνεται σε αντίστοιχα προπτυχιακών επιπέδων τμημάτων Πληροφορικής;

Για τον ΑΣΕΠ, μετράει το πτυχίο σου, δηλαδή αφού έχεις τελειώσει και μαθηματικό και οικονομικό, θα ανήκεις σε δύο ΠΕ. Το μεταπτυχιακό είναι συναφές, αλλά απλώς σε βοηθάει σε μοριοδότηση

Η αλήθεια είναι πως έχεις δίκιο, το CS degree είναι το καλύτερο return on investment πτυχίο, που στέκει από μόνο του για να βρεις μια καλή δουλειά, με αρκετά αξιόλογα χρήματα(με την κατάλληλη προϋπηρεσια πάντα), ενώ τα υπόλοιπα χρειάζονται και κάποια εξειδίκευση, οποιαδήποτε, δεν έχει σημασία ποια, ώστε να υπάρχει αρκετό domain knowledge και να γίνει η μετάβαση πιο ομαλά. Εννοείται ότι ένα πτυχίο από ένα συμβατικό Πανεπιστήμιο(συμβατικό εννοώ το κλασικό μοντέλο και ότι το εξ αποστάσεως μοντέλο του ΕΑΠ, γιατί και το ΕΑΠ είναι αξιόλογο, να μην υπάρχει παρεξήγηση), θα δώσει περισσότερα ερεθίσματα, επιλογές-ευκαιρίες και το σημαντικότερο, διασυνδέσεις, αλλά και το CS του ΕΑΠ, παραμένει ένα τούμπανο πτυχίο, καθώς ο φοιτητής που είναι εκεί μαθαίνει ένα από τα σημαντικότερα skills του τομέα, το να μαθαίνεις να διαβάζεις-μαθαίνεις και να ψάχνεσαι μόνος σου. Άμα δεν μπορεί/δε θέλει να δώσει πανελλήνιες ξανά, ας πάει στο ΕΑΠ. Χαμένος ούτως ή άλλως δεν βγαίνει και θα έχει εξίσου τις ίδιες ευκαιρίες με έναν απόφοιτο από κάποιο άλλο Πανεπιστήμιο.

Δεν είπα το αντίθετο, συμφωνώ και επαυξάνω. Προγραμματιστής μπορεί να γίνει ο καθένας, software engineer(μηχανικός λογισμικού δηλαδή), γίνονται μόνο άτομα με CS πτυχίο. Ο προγραμματιστής είναι υποσύνολο του engineer, δεν μπορεί να σκεφτεί την αρχιτεκτονική υλοποίηση, τις απαιτήσεις, κλπ ενός λογισμικού, ούτε το σωστό system design, το οποίο αν δεν υπάρχει, δε θα λειτουργεί τίποτα καλά. Το να ξέρεις πολύ καλό προγραμματισμό, δε σε κάνει software engineer, είναι διαφορετικά πράγματα. Δεν το έχουν πιάσει αυτοί στην πιάτσα, το AI/ML δεν ανήκει στην επιστήμη υπολογιστών, στατιστική είναι. Απλά πλέον, βλέπεις όλα τα papers και fundings, να μην ανήκουν σε Mathematics - Statistics departments, αλλά σε computer science. Μελετώντας όμως τις "βίβλους" της μηχανικής μάθησης(και deep learning), θα δεις ότι το 95-98% των εννοιώ, ένας που γνωρίζει καλή στατιστική θα τις καταλαβαίνει και πολύ καλύτερα, για αυτό και πολλοί μαθηματικοί πάνε εκεί.

Αν θες να ασχοληθείς με γραφικά υπολογιστών, καλύτερα θα σε ικανοποιούσε ένα τμήμα Φυσικής ή Μαθηματικών, καθώς στα περισσότερα τμήματα Πληροφορικής(εκτός ΕΚΠΑ, Κρήτη, νομίζω και ΑΠΘ), δεν έχω δει να πιάνουν Απειροστικό ΙΙ, δηλαδή ύλη διανυσματικού λογισμού, όπου αυτήν θες(δες την ύλη σε βιβλία τύπου "Mathematics for Game Development"). Εξίσου σημαντικά είναι και μαθήματα σε Αναλυτική Γεωμετρία ή και Ευκλείδεια, καθώς και γραμμικής άλγεβρας. Ίσως σε βοηθήσει περισσότερο το Φυσικό, μιας και αυτά είναι main εργαλεία σε πολλά μαθήματα, αλλά και το να έχεις μια εικόνα μηχανικής, μονάχα καλό κάνει. Δεν μιλάω για Ηλεκτρολόγους και Μηχανικούς Υπολογιστών, αλλά οι περισσότεροι που βλέπω(πάντα για έξω, γιατί Ελλάδα δεν υπάρχουν ούτε με το σταγονόμετρο) να εργάζονται στο game development, έχουν κυρίως πτυχία τέτοιου τύπου(και μετά ακολουθεί της Επιστήμης Υπολογιστών). Το ίδιο ισχύει και σε AI/ML, τα πιο "δυνατά" υπόβαθρα, τα έχουν απόφοιτοι Μαθηματικών, Στατιστικής, Φυσικής και μετά Πληροφορικής. Για να μάθεις καλό προγραμματισμό, δεν χρειάζεται καμία σπουδή, μόνο hands on practice. Το να μάθεις να χρησιμοποιείς τη γλώσσα προγραμματισμού σε ένα συγκεκριμένο τομέα, εκεί είναι που μετράει το domain knowledge, γιατί η γλώσσα είναι απλά ένα μέσο για υλοποίηση.

Παρακολουθείς τις διαλέξεις του συμβατικού ή εργάζεσαι ταυτόχρονα και δεν πηγαίνεις; Ρωτάω, καθώς είμαι 23, εργάζομαι ως SQL Developer και είμαι στο δίλημμα να δώσω κατατακτήριες για Πληροφορική ΟΠΑ ή για Πληροφορική ΕΑΠ, μιας και στην Πληροφορική του ΟΠΑ δεν έχει καθόλου υποχρεωτικά εργαστήρια και έχει καλό community απο φοιτητές(Discord, για παλιά θέματα, πολλά άτομα για εργασίες κλπ), αλλά και με βοηθάει το γεγονός ότι ήμουν Στατιστική ΟΠΑ και επομένως μου αναγνωρίζουν Γύρω στις 60-70 ECTS. Οποιαδήποτε συμβουλή είναι πολύ ευπρόσδεκτη

Τη σχολή την έβγαλες ενώ παρακολουθούσες τις διαλέξεις ή δούλευες παράλληλα και δεν είχες την δυνατότητα αυτήν;

Τι να σου πω, εγώ Στατιστικός είμαι με μεταπτυχιακό πάλι σε Στατιστική και οτιδήποτε έχει σχέση με ML(Optimization, Statistical Learning, Deep Learning, RL,...) μου φαίνεται βατό. Ίσα ίσα, στον προγραμματισμό είναι που τα βρίσκω σκούρα😂

Ο ML Scientist - ML Researcher - Research Scientist - "real" Data Scientist είναι ο άνθρωπος που κάνει cutting edge έρευνα ώστε να δημιουργήσει καινούριους αλγορίθμους και μεθοδολογίες. Δηλαδή το προϊόν που παράγει είναι η έρευνα. Ο ML Engineer είναι πρακτικά ένας software engineer που έχει πολύ καλές γνώσεις στατιστικής - μαθηματικών. Για να γίνεις ML Engineer(MLE), πρέπει να έχεις είτε STEM background και να έχεις πολύ δυνατά software engineering skills, είτε να είσαι software engineer με πολύ δυνατή γνώση μαθηματικών. Συνήθως οι MLE παίρνουν τα μοντέλα των ερευνητών και τα κάνουν scale και deploy στο production, δηλαδή το πως θα αλληλεπιδρά το μοντέλο σου με την εφαρμογή. Υπάρχει και ο τίτλος του Applied Scientist, όπου είναι πρακτικά ένας Research Scientist με πολύ καλά software engineering skills, μιας και οι περισσότεροι ML Scientists δεν είναι τόσο δυνατοί στον προγραμματισμό. Για Research Scientist - Applied Scientist, ο συνήθης δρόμος είναι το PhD. Για τους MLE - Data Scientists αρκεί το MSc. Ανέφερα στην αρχή τους "real" Data Scientists, καθώς πλέον στις περισσότερες εταιρείες Data Scientist = Data Analyst και όχι άτομα με βαθύ στατιστικό-μαθηματικό υπόβαθρο.

Η αλήθεια είναι πως έχω δει τον κανονισμό σπουδών για την κατοχύρωση ΘΕ και το άθροισμα των ECTS των τριών μαθημάτων μου ξεπερνά τα ECTS της ΠΛΗ10(24-18), οπότε τι άλλο υπάρχει που ίσως δεν γνωρίζω;

Η ΠΛΗ12 αποτελείται από Λογισμό 1, Γραμμική Άλγεβρα 1 και Πιθανότητες 1, όπου εγώ είχα κάνει το καθένα από τα τρία μαθήματα σε ξεχωριστό, οπότε θα μου αναγνωριστεί μετά από τηλεφωνική επικοινωνία με την γραμματεία κατά πάσα πιθανότητα. Του ΟΠΑ δεν έχει υποχρεωτική παρακολούθηση η αλήθεια είναι, απλώς γενικά θεωρώ ότι θα "υστερώ" αν δεν παρακολουθω

Καλησπέρα σας, Είμαι απόφοιτος Στατιστικής ΟΠΑ και εργάζομαι ως προγραμματιστής. Ενδιαφέρομαι για σπουδές σε τμήμα Πληροφορικής. Ύστερα από προσωπικό ψάξιμο, στο τμήμα Πληροφορικής ΟΠΑ λόγω συνάφειας με το Στατιστικής, χρειάζομαι 24 μαθήματα για πτυχίο(μαζί με τα των κατατακτηρίων), ενώ στο ΕΑΠ σίγουρα θα μου αναγνωριστεί η ΠΛΗ12 και ίσως και η ΠΛΗΠΡΟ(μιας και είχα δώσει την Python στο Πληροφορικής ΟΠΑ). Ποιο θεωρείτε ότι είναι καλύτερο βήμα; Να σημειωθεί ότι μελλοντικός στόχος είναι το μεταπτυχιακό της Πληροφορικής του ΕΚΠΑ, όπου αυτό θα μου καλύψει τα "κενά" των εξειδικευμένων μαθημάτων που δεν καλύπτει το ΕΑΠ(πχ Υπολογιστική Γεωμετρία, Παράλληλα Συστήματα).

Εννοείται πως υπάρχει, αλλά το Data Science είναι αυτό που βλέπεις στις αγγελίες σε τράπεζες πχ ή σε trading firms, hedge funds κλπ(ή το quantitative analyst-researcher). Απλά το δεύτερο είναι πολύ, πολύ δύσκολο και να επιλεχθεί κανείς, αλλά και η δουλειά μετέπειτα

Η αλήθεια είναι πως στο συγκεκριμένο μάστερ δύσκολα θα δέχονταν από το οικονομικό. Πιστεύω η πρώτη προτίμηση θα ταν μαθηματικό-στατιστική και μετά φυσικό/μηχανολόγων. Οικονομέτρης δεν νομίζω να υπάρχει θέση εργασίας, αλλά υπάρχουν θέσεις εργασίας(ακόμα και στην Ελλάδα σε κάποιες εταιρείες) τύπου Quantitative Analyst, Risk Quant, Credit Risk Data Scientist και Algorithmic Trader. Μάλιστα, εταιρείες που ασχολούνται με στοιχήματα(Kaizen, Novibet) έχουν τέτοιες θέσεις και υπάρχει και η Optasia που έχει θέση Credit Risk και Risk Quant, Algorithmic Trader, η οποία ασχολείται κυρίως στο prop trading. Πέρα από αυτά όμως, το ποσοτικό υπόβαθρο που αποκτάς από την οικονομετρία, άνετα σε οδηγεί και σαν Data Scientist ευρύτερα.

Όχι αναφέρομαι στο Στατιστικής του ΕΚΠΑ(Στατιστική και Επιχειρησιακή Έρευνα). Η οικονομετρία έχει μέλλον να ξέρεις.