Pár řádků o tom, jak jsem se učila na platformě Datacamp, kde jsem prošla několika mooc kurzy z oblasti datové vědy. A taky o tom, jak se mi líbily ty samé věci, které mi zároveň trochu vadily.
V rámci skvělého předmětu FF:PLIN068 Applied Machine Learning jsme získali zhruba na půl roku (únor 2022 – srpen 2023) plný přístup k on-line vzdělávací platformě Datacamp, která se specializuje na mooc kurzy v oblasti datové vědy. Plnění vybraných kurzů týkajících se strojového učení představovalo část našich studijních povinností, přičemž s touto povinností přišla příjemná možnost studovat dle libosti a chuti další kurzy. Co mi Datacamp dal/vzal, co jsem si zkusil a stojí Datacamp podle mě za to?
Možnost využít Datacamp mi přišla vhod, a to jednak svou vlastní podstatou a jednak povahou, která byla slučitelná s mým aktuálním dlouhodobějším a ne úplně stoprocentním rozpoložením.
Chtěla bych pracovat na svých programovacích dovednostech? Chtěla bych oživit základy Pythonu? Chtěla. Základy Pythonu jsem získala v roce 2018 na základním a pokračovacím kurzu Pyladies v Brně (za vrchol své programovací dráhy dosud považuji to, že jsem napsala funkční strategii modifikovaných piškvorek, která porazila strategie ostatních účastnic, a dokonce i strategii Petra Viktorina, což je zázrak srovnatelný s tím, když jsem v sedmé třídě porazila třídního génia v olympiádě z matematiky, ačkoli jsem náležela k trojkařům) a na univerzitě v modifikovaných předmětech pro počítačové lingvisty. Kromě naprostých základů jsem si z tohoto učení odnesla především vědomí toho, že vyhrává vytrvalost – a to jak schopnost vysedět něco v rámci jednoho časového úseku, tak i schopnost vracet se k týmž problémům/tématům opakovaně v průběhu delšího času. Důležitá je ta „otevřenost k příště“: Nepochopilas to teď? Tak třeba příště, nevadí.
Jenže já si od té intenzivní a příjemné doby Pyladies dávala s dalším „příště“ načas. Soustředila jsem se na práci jazykové lektorky, na jazykové sondy, na lingvistiku & didaktiku, na bakalářskou práci nebo třeba na snahu odjet na Erasmus (i v době koronaviru). Pokus o návrat proběhl v podzimním semestru 2021/2022, kdy jsem si zapsala předmět Tools for Theories, v rámci kterého jsme si chtěli zodpovědět více lingvistických otázek pomocí vlastního komplexnějšího programu, na němž jsme pracovali společně po dobu celého semestru. Předmět byl perfektní, rozdělení práce, zpětná vazba, mentoring, byla jsem nadšená. Pokus o návrat i proto probíhal celkem zdárně (první týdny jsem z nadšení věnovala úkolu tolik času, až jsem zřejmě vyvovala dojem, že jsem na vyšší úrovni, než na jaké jsem), ale v listopadu nečekaně zemřel můj bratr Petr a všechno šlo do kytek. Pohřeb, vyšetřování, vyřizování pozůstalosti, ale zejména psychická a mentální zátěž a instantní problémy s motivací, soustředěním, pamětí, perspektivou. Přes oboustrannou snahu o pokračování a dokončení předmětu jsem nakonec zvedla bílý prapor v podobě žádosti o odregistrování předmětu a předmět si (byť byl konec semestru) zrušila.
V letním semestru jsem sice měla jednak nutkavou potřebu zaměstnat se učením nebo prací, zároveň jsem na tom pořád (byla) velmi proměnlivě a ne nejzářivěji.
Předmět FF:PLIN068 Applied Machine Learning jsem si zapsala zejména proto, že hrozilo, že to bude moje poslední možnost předmět absolvovat. Že v rámci předmětu dostaneme možnost učit se na Datacampu a že mi platforma bude vyhovovat, to jsem nevěděla.
Jak funguje Datacamp a co na platformě všechno je?
Doporučuji zadat název platformy do vyhledávacího pole na Youtube, pokud by někdo potřeboval zjistit, co na platformě je, není a jak ji hodnotí další.
Na stránce je toho více: sama jsem využila (zatím) především kurzy, ale stránka má i projekty (s vedením i bez něj), testování znalostí, procvičování znalostí, snad i možnost prohlížet a ucházet se o nějaké pracovní nabídky, …
Hodnocení: samé plusomínusy
Mým základním dojmem ze zkušenosti učení se na Datacampu je, že učení je snadné.
Tato vlastnost i všechny níže popsané jsou charakteristikami, které jsou príma z jednoho pohledu, ale vlastně ne príma z druhého pohledu. Datacamp podle mě přináší:
- prostor na učení se mimo projekt (nepotřebuju nic vymýšlet a držet v hlavě),
- snadné překonávání problémů & možnost přeskočit to, co člověk neví (řešení každého problému je možné odhalit jedním klikem),
- učení se mimo vývojové prostředí (odpadají problémy vzniklé tím, že is člověk někde něco špatně nastaví nebo nerozumí např. tomu, jak pracovat s názvy souborů),
- učení se v malých krocích a velmi usměrněné (člověk dopisuje kód, doplňuje části řádků),
- absenci teorie (dozvídáme se jak a co, ale ne už moc proč a jak na hlubší úrovni),
což je přesně to, co začátečník mého typu uvítá a v určité míře nezbytně nutně potřebuje, aby se z toho všeho nezbláznil. Zároveň je snadné se tím nechat ukolébat, méně si pamatovat a pozapomínat na dlouhodobější integraci/zafixování naučeného.
Ta nutnost doplnit Datacamp něčím dalším je zřejmá. Taky se hodí vědět, odkud kam jdu a proč, protože je příliš jednoduché stát se cvičenou opicí na rychlé doplňování chybějících částí kódu v rámci cvičení, ale nic moc si z toho nebrat. Prostě to ani náhodou není samonosné.
Mně to nicméně sedlo velmi, a to právě tou jednoduchostí, snadností i důrazem na malé kroky a konzistentnost (např. notifikace na každodenní procvičení a to, že je kurz složený z úplně maličkých kroků a cvičení). Když zrovna byla energie nebo se mi podařilo se kvalitněji soustředit, inspirovaly mě drobnosti v lekcích k otevření dokumentace nebo si vyzkoušení něčeho mimo kurz. To tedy zejména u kurzů přímo o Pythonu, kurzy o strojovém učení byly pro mě přece jenom krokem do velkého neznáma, takže tam to bude chtít ještě nějaké to „příště“.
Absolvované kurzy
ML (primárně v rámci předmětu)
- Advanced Deep Learning with Keras
- Introduction to Deep Learning with Keras
- Image Processing with Keras in Python
- Feature Engineering for NLP in Python
- Introduction to Deep Learning in Python
- Machine Learning with Tree-Based Models in Python
- Machine Learning with scikit-learn
- Exploratory Data Analysis in Python
- Processing with Keras in Python
- Deep Learning in Python
Nad & mimo rámec
- Intermediate Python
- Introduction to Shell
- Introduction to Git
- Intermediate Python
- Python Data Science Toolbox (Part 1)
- Python Data Science Toolbox (Part 2)
- Regular Expressions in Python
- Object-Oriented Programming in Python
- Writing Efficient Python Code