Всем привет! Меня зовут Ильдар. Я учусь в совместной магистратуре МФТИ и Норникеля «AI Transformation в промышленности». Ещё я работаю инженером по машинному обучению в стартапе, занимающемся разработкой контроллеров в AR/VR. В этой статье я хочу поделиться с вами своей историей выбора программы обучения, подготовки и поступления. Пишу данную статью в основном для того, чтобы поделиться собственным опытом, видением, эмоциями и надеждами, тем, что меня вдохновляло, откровенно злило, пугало (в основном зря) и тем, с чем я в итоге примирился и подружился. Для кого-то эта история может послужить скорее «роадмапом», нежели пошаговым гайдом, и поможет сориентироваться среди множества программ обучения в сфере ИТ (рекомендовать ничего не стану, но расскажу по опыту, чем они отличаются и на что делают упор).

1. Немного предыстории

Родом я из небольшого городка на юге Башкирии, основанного на месте добычи руд цветных металлов. Одна из главных достопримечательностей города — это огромный карьер правильной круглой формы и глубиной в полкилометра. Мой папа руководил службой геологоразведки и в детстве я много времени проводил в поездках по полевым экспедициям (это когда в поле или в горах стоит буровая установка и делает забор породы), шахтам и карьерам. Впитывал в себя всю романтику жизни геологов. Моя мама - доктор. От нее я также много и хорошо узнавал про медицину, здоровые привычки и работу организма. В итоге я планировал связать жизнь либо с геологией, либо с медициной и биологией, так как много знал об этом и активно интересовался. В школе мне особо хорошо давались математика, информатика, физика и химия. Я стабильно занимал первые и призовые места на олимпиадах в городе. И вот классе в 7-м я узнал про Физтех.

Несколько ребят из моего города (в основном дети моих школьных учителей) поступили и закончили МФТИ (кто-то даже с отличием). От них я и узнал про легендарный ВУЗ, а также получал кучу разных методичек, справочных материалов и олимпиадных задач. В свободное время прорешивал задачи ЗФТШ (Заочная физико-математическая школа при Физтехе) и знал все о жизни, традициях и быте МФТИ. Благодаря успехам в математике и информатике, а также попаданию в призеры региональной университетской олимпиады, я все же решил почему-то остаться в республике и поступил на инженера-программиста в Уфимский Авиационный Университет (на мой взгляд, это был лучший технический ВУЗ республики). 

Курсе на третьем я заинтересовался темой искусственного интеллекта. Перенес из университетской библиотеки все, что только можно было найти по этой теме, скупил почти все доступные книги и общался почти со всеми преподавателями, которые хоть как-то занимались этой темой. Но это все было до бума нейросетей и пришлось на самый конец «зимы искусственного интеллекта» (ресурсы по теме AI в Интернете были гораздо скуднее сегодняшних). На том же третьем курсе я прочитал книгу от компании Google — «Прорыв в духе времени». И вынес из этой книги одну ключевую идею, ставшую на дальнейшие годы фактически мантрой. Суть этой идеи выражалась в эпиграфе к книге, а именно цитате Томаса Эдисона:

«Я не буду изобретать ничего такого, чего нельзя продать. Продажа – это доказательство полезности, а полезность – это успех.»

Именно так был создан поисковик Google. Разработки, научные исследования должны работать, а не оставаться только на бумаге. С этой идеей я написал диплом на базе инфекционной больницы, разрабатывая медицинскую систему поддержки принятия решений. Сразу после окончания университета я поступил в аспирантуру, где совместно с медицинскими университетами продолжал работать над системой и искать варианты внедрения искусственного интеллекта в здравоохранении.

В целом за годы студенчества и аспирантуры я получил хорошее базовое техническое образование и занимался действительно интересными и важными вещами. Я не жалею, что сразу не стал поступать в МФТИ — зачем-то это было нужно.

2. Альтернативы и формирование бэкграунда

После аспирантуры я работал в основном аналитиком и программистом. При этом буквально со стороны наблюдал за взрывным ростом темы машинного обучения и нейросетей в частности. Простое наблюдение снова переросло в бурный интерес и желание развиваться в данном направлении. Я присоединился в качестве инженера по машинному обучению к молодой и креативной команде, мечтающей подарить миру новые гаджеты и интерфейсы для работы и развлечений — уже в формате виртуальной и расширенной реальности. Кстати, этот стартап начался лет 7 назад как задумка студентов авиационного университета. Сейчас он уже вырос из академической среды в успешный коммерческий проект.

Для такого перехода от сферы программирования к продвинутому машинному обучению и понадобились те вещи, о которых речь пойдет дальше. Все описываемое ниже больше всего относится к темам Data Science, Data Analysis, Machine learning engineer, Python / C++ developer, хотя во многом будет и справедливо для других ИТ-направлений. Здесь я хочу рассказать не о базовом ИТ-образовании (бакалавриат, специалитет), а скорее о вариантах переподготовки и дополнительного образования. Сюда я не включаю короткие курсы и программы (до 2-3 месяцев, платные и бесплатные) — такие как Coursera (сейчас недоступны курсы от российских ВУЗов, но активно создаются альтернативные площадки), Stepik и так далее.

Речь идет об учебных проектах длиной от года и включающих в себя набор специальных дисциплин, а также практику, стажировку и возможное трудоустройство.

Все такие программы для себя я поделил на три большие группы:

• Первая группа — это 1-2 годовые платные курсы от онлайн-университетов, таких как Яндекс Практикум, Geekbrains, Skillbox, Skillfactory и другие. Здесь не нужно сдавать экзамены, проходить отбор - вы просто покупаете курс и все. В свое время я прошел одну из таких программ - где-то чтобы освежить знания, где-то чтобы узнать новые актуальные вещи. В целом они вполне себе нужны в самом начале пути, чтобы с чего-то начать, понять, что конкретно ты не знаешь, получить практику и хорошие примеры кодинга. Я связывался с менеджерами по продажам всех доступных программ и просил открыть демо-доступ.

  В итоге выбрал самый недорогой и самый понравившийся по содержанию и интерфейсу - это совпало в одном продукте. Какая была компания не скажу - все меняется, и цены, и продукты - пусть каждый выбирает для себя сам. Курс был вполне достойный, но самый главный плюс для меня - это то, что модуль по нейросетевым архитектурам сделали ребята из исследовательского отдела Nvidia. Был очень крутой обзор и разбор архитектур, хороший учебный код, фреймворки. В целом - недорого и полезно. 

• Вторая группа - это бесплатные 1-2 годовые программы подготовки от крупных ИТ-компаний. Они в основном ориентированы на уже имеющих опыт специалистов и на них, как правило, вместе с поступившими студентами учатся и качают скиллы сотрудники этих компаний. Здесь жесткий отбор и серьезные экзамены. Это ШАД (Школа анализа данных) от Яндекса, MADE (Академия больших данных) от VK / Mail, Озон Мастерс (сейчас, по-моему, приостановлен набор и обучение) и в этом году добавилась Академия аналитиков Авито.

  Я тоже учился на одной из таких программ - в MADE на базе МИСИС, специализация MLE. К сожалению, остановил обучение из-за нехватки времени (накладка с магистратурой + работа), но я думаю, что все еще впереди.  Учился я там на довольно высокие и средние баллы. Подробнее расскажу об учебе там в сравнении с магистратурой МФТИ ниже. Здесь только специальные предметы, посвященные программированию, анализу данных, машинному обучению и другим вещам. По окончании выдается сертификат государственного образца о переподготовке от МИСИС. В качестве итога обучения выполняется выпускной проект.

• И, наконец, третья группа — это как раз официальные магистерские программы ВУЗов. В основном я рассматривал такие учебные программы, которые связаны с Data Science, Machine learning и Data Analysis. Часть из них платная (например, такие есть и в Вышке, и в МФТИ, и в других ВУЗах), часть грантовая - обучения оплачивает индустриальный партнер. Таких грантовых программ в МФТИ несколько. Какие-то предусматривают полностью удаленный формат учебы - как, например, моя программа. Здесь сдаются также общие предметы - иностранный язык, история и философия науки. Почему я выбрал именно программу подготовки Норникеля и МФТИ, как проходит обучение на Физтехе и практика в Норникеле, в чем отличия от такого формата, как MADE и ШАД? И это, пожалуй, самая суть моей статьи. Рекомендовать ничего не буду - у каждого свои приоритеты и мотивация. У меня была своя личная стратегия и я ее придерживался, поэтому приведу пример своего анализа плюсов и минусов. Поехали!

3. Учебный процесс и стажировка

3.1. Учеба

Как я уже говорил, мне повезло учиться и в магистратуре, и в академии MADE. Расскажу свое видение и того, и другого.

Курс МФТИ и Норникеля состоит из учебы (специальные дисциплины, связанные с AI, и общие — философия и иностранный) и стажировки в компании.

Спецпредметы можно условно поделить на три группы.

• Первая — это связанные с математикой. Сюда входят анализ данных и матстат, а также математика для Data Science.

• Вторая посвящена разработке и программированию. В их числе программирование на Python и C++, а также предмет о базах данных. Последний покрывает задачи Data Engineer и сильно перекликается с такой дисциплиной, как «Языки запросов к данным».

• И, наконец, третья - это дисциплины по машинному и глубокому обучению, компьютерному зрению (классическому и глубокому) и запуску моделей в проде. Компьютерное зрение, например, покрывало широкий диапазон тем - от обработки сигналов до продвинутых архитектур генеративных сетей. В качестве одной из домашек был проект по оценке стоимости жилья по фото. Много хороших идей получилось унести в практику)

Все курсы хорошо нагружены и упакованы, много материалов, разумные сроки для сдачи — есть время на подумать, подойти творчески и поэкспериментировать. Преподаватели всегда доступны в чате - можно задавать любые непонятные вопросы. Везде есть домашние задания или тесты. Активность в течение семестра влияет на оценку на экзамене или зачете. На некоторых предметах преподаватели уточняли у студентов, на чем сделать акцент или что рассмотреть поподробнее. Учет мнения студентов и готовность настраивать курс откровенно порадовали. Каждому приятно, когда его слышат.

Часть учебного процесса есть и в стажировках. За каждым магистрантом прикреплен ментор или наставник из сотрудников компании. Вместе мы образуем небольшое, но дружное комьюнити. Мы делимся идеями, статьями, новостями о соревнованиях и  конференциях, успехами. Если ты делишься идеей, то можешь получить советы, конструктивную критику, ссылку на нужные ресурсы — в общем поддержку и экспертизу. Кроме того, довольно часто мы собираемся на так называемые ML-тренировки. Один или несколько человек (обычно менторов) подробно разбирают какую-то актуальную тему из машинного обучения, приводят код и результаты проведенных исследований и экспериментов.

Что касается иностранного языка и философии, то я надеялся на перезачет и сердился, что его не произошло. Как выяснилось, сердился зря. В итоге мне досталась отличная бесплатная разговорная практика на английском. Кроме того, я мог взять еще и дополнительный язык — китайский, испанский или еще что-нибудь.

Философия…Не хочу обидеть своих прежних учителей, но этот курс в прочтении МФТИ оказался увлекательным и захватывающим, как «Гарри Поттер» или «Властелин колец».

Екатерина Павловна Наделяева — наш лектор - выстроила весь «сюжет» семестра на уровне Джоан Роулинг! Очень живое повествование, множество мелких и интересных деталей, аспекты религии и психологии, личные истории и характер ученых, активные обсуждения и даже игра в ассоциации. При этом акцент всего курса был сделан на формирование и аргументацию своего мнения (как в лучших фильмах про университеты и колледжи), умение пропускать материал через призму своего же опыта и умение смотреть на один и тот же вопрос под разными углами. Я с интересом читал труды Канта и Витгенштейна, писал эссе и письма своему учителю с возникавшими у меня любопытными мыслями. Я бы сжал весь курс до одного слогана: «Все в мире связано и все возможно. Задача ученого - научиться видеть это, сформировать одновременно гибкое критическое и творческое мышление».  Это кратко о магистратуре.  

Теперь об Академии. Про MADE и слова плохого не скажу, хоть и остановил обучение. Это было связано с приоритетами и временем, а не с качеством.  Очень крутое место с учебными чатами в уютном Дискорде. Здесь есть три направления подготовки — Data science, Machine learning engineer и Data engineer (планы обучения сильно между собой пересекаются). Очень много учебных дисциплин - бери столько, сколько сможешь. При этом очень большой объем, высокий темп и достаточно жесткий график. Курсы ведут сильные преподаватели, многие из них широко известны и популярны в академической и бизнес среде.

Но в итоге я выбрал программу МФТИ и вот почему:

1. учебная программа содержит меньше дисциплин, но там собраны самые нужные. Это позволяет больше времени уделить изучению и практике по каждому разделу и лучше усвоить материал.

2. наличие стажировки с реальными задачами. Учебная программа сильно перекликается с практикой и также способствует лучшему пониманию.

3. наличие менторской поддержки и более персональный подход.

MADE предполагал более высокий темп и объем изучения с меньшей практикой. Такой формат также достойный вариант, но в соответствии с приоритетами в моменте я выбрал первый. Нужно уметь расставлять акценты и понимать, что сейчас важно именно тебе. Умение учиться — это сам по себе важный навык на всю жизнь. 

3.2. Стажировка и практика

Что же представляет собой практическая работа магистрантов в крупной металлургической компании?

Если честно, то она больше напоминает стартап внутри компании или внутреннее предпринимательство. И это, по-моему, круто. Подразделения, связанные с Data Science и Machine learning — это фактически классический R&D (research and development) отдел. Его цель - исследования, разработка и быстрое внедрение перспективных с точки зрения экономических, экологических аспектов, безопасности труда технологий. Группа людей делает крутые внутренние цифровые продукты и реализует их внутри всей компании. Ключевые слова здесь - гибкость, эффективность и результат. Я ценю эти вещи. Кто упирался в бюрократию и малоэффективные процедуры, тот легко поймет, о чем я говорю. Никакой атрибутики крупной компании, жестких процедур и обслуживания корпоративных ритуалов здесь мало или почти нет. Работая по основному месту в стартапе с молодым и креативным коллективом, я не замечаю разницы.

Как построен процесс работы? У подразделения есть стратегический план задач, которые должны быть реализованы. Магистранты могут работать над этими задачами при поддержке команды менторов — дата сайентистов и инженеров, которые уже работают в компании. Можно предлагать свои пути решения имеющихся задач. Можно предлагать новые задачи, аргументировать и доказывать их ценность для производства, экологии или безопасности труда, исследовать и решать их. Если полученное решение удовлетворяет заданным критериям, то ментор старается быстро внедрить разработку в бизнес-процесс. Результаты моего труда уже внедрены в работу. Это мотивирует и вдохновляет, а компании приносит пользу.

Что касается исследований, то здесь хорошо помогают свежие (не старше 5 лет) зарубежные статьи и сборники по тематике машинного обучения, компьютерного зрения (CV) в промышленности. Большинство из них от китайских и американских коллег. Таких статей, по сравнению с общим объемом материалов по машинному обучению и CV, относительно мало — тема редкая и малоизученная. Это создает определенные трудности и вместе с тем, потенциал для роста и развития. Как и у любой предметной области, здесь есть своя специфика. Хорошее подспорье - близкий по содержанию учебный курс, преподаватели с релевантным опытом и, конечно же, коллективные ML тренировки.

4. Подача заявки и отбор

4.1. Инвайт и заявка

Теперь будет не лишним сказать несколько слов о процессе поступления. Имея за плечами все то, что описал выше, я активно искал, подписывался и следил за всеми доступными программами подготовки. И именно поэтому узнал о своей магистратуре практически мгновенно после ее открытия. По уже наработанной схеме оценки стал анализировать. Первое — организаторы. МФТИ, о котором мне уже ничего не нужно было говорить. Базовый факультет - ФБМФ (как раз то место, куда я собирался поступать после школы!). Норникель - серьезная крупная российская компания с высоким рейтингом как работодатель. Но главное - ее профиль - горно-металлургический (помните историю про детство?)

Такое чувство, что все точки, доселе несовместимые (МФТИ, геология, биология и медицина, компьютеры и искусственный интеллект), соединились в одну. Я смогу заниматься применением искусственного интеллекта для горно-рудной отрасли в МФТИ в школе биологической и молекулярной физики! Такое чувство, что программу создавали для меня! Такие вещи реально удивляют и заставляют задуматься о чуде)

Еще один важный момент — поскольку у магистратуры есть индустриальный партнер, то за нее не нужно платить (напротив, есть стипендия). Это был тоже весомый плюс, так как некоторые аналогичные программы в других топовых ВУЗах требовали от 600 тыс. до 1,3 млн. рублей за все время. Третье по порядку, но не по важности - полностью удаленный формат учебы. Я уже попробовал онлайн-форматы обучения - при должной самодисциплине невероятно полезная вещь. Можно учиться из любой точки и в любое время. Благодаря мессенджерам и почте, общаться с преподавателями можно буквально 24 / 7. Не нужно стоять в очереди и искать приемное время - когда человеку будет удобно, он ответит. А поскольку в своевременной сдаче и отсутствии «хвостов» заинтересованы обе стороны процесса, то ответы всегда приходят быстрые и точные (по крайней мере, так было на моем опыте). В магистратуре это коснулось не только специальных предметов, но и философии и иностранного языка.

И еще об одном важном для меня пункте. Помните цитату Эдисона в начале статьи? Исследования и разработки должны быть полезными и должны работать. Наличие индустриального партнера (Норникель) как раз обеспечивало мне эту долгожданную возможность — связать науку и бизнес. Кроме того, компания российская и можно продвигать вперед уровень отечественных разработок. Среди обилия статей китайских, американских и европейских коллег хочется видеть больше наших, причем не теоретических, а с практической реализацией. Я думаю, что это вполне нормальное здоровое чувство патриотизма.

С учетом всех этих выводов программа мне, мягко говоря, подходила. В приятном волнении я подал заявку на сайте и стал ждать, буквально не расставаясь с мобильным телефоном. Через полторы-две недели раздался долгожданный звонок из приемной комиссии МФТИ. Со мной беседовала девушка с приятным голосом, кажется, Юлия. Я коротко рассказал о себе, подтвердил намерение поступать и учиться... Ничего не предвещало вопроса о возрасте, но он наступил.

«— А сколько Вам лет? Вам же кажется есть 30?» — спросила Юлия.

«— Да, есть» .

«— А Вы точно сможете / будете учиться в таком возрасте?» — продолжила девушка.

В тот момент я почувствовал себя древним стариком, пришедшим в клуб потанцевать)) Какая-то дискриминация тридцатилетних людей!!! Вопрос звучал с таким сомнением и строгостью, что я и сам на долю секунды стал сомневаться)) Я все-таки взял себя в руки и решил продолжать. После того, как я со всей твердостью уверил Юлию в том, что, несмотря на свой «преклонный» возраст, нахожусь в здравом уме и твердой памяти и как-нибудь доживу до выпускного, она успокоилась, пожелала мне хорошего дня и попрощалась. Моя заявка продолжила свой путь.

Дальше было общее онлайн-собрание с презентацией компании, ВУЗа и программы. В нем участвовали наши будущие кураторы от Физтеха и Норникеля. Здесь нам подробно рассказали о программе, Норникеле и предстоящих испытаниях. Впереди нас ждал хакатон на платформе Kaggle и собеседование.

4.2. Хакатон!

На три вещи можно смотреть вечно: как горит огонь, как течет вода и как непредобученная сетка пытается сойтись без оверфита на маленьком и незнакомом датасете) Вечности у меня не было — только несколько дней. Поэтому я почти не спал по ночам, питался практически за монитором и отчаянно перебирал модели и варианты обогащения выборки (в основном разные методы аугментации).

В чем была принципиальная сложность? Редкий и малораспространенный домен изображений - поток руды на конвейере и детектируемый мусор разных видов. Мой старенький компьютер грелся и возмущенно шумел вентиляторами. На относительно быстрое решение ни его, ни бесплатного Google Colab хватить никак не могло. В итоге я оформил за смешные деньги платную версию Colab и начал параллельно обучать модели. Достойные, на мой взгляд, результаты появились ближе к концу хакатона, а отправка минут за 10 до дедлайна еще как-то могла улучшить результат. Какие-то модели вообще не успели обучиться, и я тестировал их уже на стадии дорешивания хакатона после дедлайна. Напряженно, трудно, но увлекательно и интересно. Потратить почти неделю июля на такой квест стоило. Самое главное - есть весомый результат и я попал в призеры, которые пошли на второй этап.

4.3. Собеседование

Вполне похоже на обычное техническое интервью на должность дата сайентиста или ML-инженера. Участвовал один HR и 2 техлида (один из них наш куратор от Норникеля). Вопросы на знания и опыт, на то, как решал задачу хакатона. Поскольку последние год-полтора до собеседования решал рабочие задачи в основном через нейросети, то некоторые тонкости по классическому машинному обучению вспоминал с трудом. Но в целом, как мне кажется, это не критично — если один раз понял, знаешь и использовал, то освежить знания перед выполнением работы / задачи не сложно. Плюс вопросы от HR - цели, мотивация, планы и прочее.

Ответных вопросов про компанию в конце собеседования я не задавал - поберег время интервьюеров. После подачи заявки много гуглил про организацию, вступил в разные группы в соцсетях и даже посмотрел видео из программы «Покорители Севера». Это программа ознакомления (вроде онбординга) для молодых специалистов, которые хотят прийти работать в Норникель. Я бы узнал еще больше, но в саму программу «покорителей» меня не взяли (здесь, наверное, заслуженно). Угадайте почему? Да, мне 30 и я стар)

4.4. Зачисление: плюшки и пряники

Об удачном прохождении отбора и зачислении сообщали не электронным письмом, а личным звонком. Мне позвонила наш куратор от МФТИ Анна и звенящим от волнения и торжественности голосом поздравила с поступлением на Физтех! Я думаю, что после стольких лет, отделявших меня от заветной цели, этот момент и голос запомнятся мне на всю жизнь) Это правда приятно прийти к цели, да еще в таком необычном и личном ключе)

После столь приятного сообщения последовал этап подачи всех необходимых документов для МФТИ (разные согласия) и Норникеля. Каждый студент заполнял подробную анкету и отправлял приличный набор личных документов. Нас тщательно проверяла служба безопасности компании (проверка шла 3-5 дней), так как мы наравне с сотрудниками получаем доступ к корпоративной инфраструктуре. Все серьезно. На удивление процесс прошел быстро и легко (за пару дней все было заполнено и отправлено) — на каждый вопрос оперативно отвечали наш куратор Мансур и HR Ольга.

Ближе к концу августа, когда оформительские вопросы остались позади, мне позвонил Мансур. У ребят из Норникеля появилась отличная идея — собрать нас всех в начале учебного года в главном офисе, познакомиться с вице-президентами по инновациям и по кадровой политике, дирекцией ФБМФ МФТИ, подписать ряд документов - провести маленькое, но очень торжественное мероприятие. Все 7 моих одногруппников из разных концов России - от Калининграда до Норильска! И все мы с радостью приняли приглашение) Работа работой, учеба учебой, но праздники, пусть и официальные, это всегда приятно. Во второй половине  сентября мы собрались в «святая святых» компании - зале совещаний в башне «Меркурий» в Москва-Сити. Я, как и подобает любому уважающему себя немосквичу, уехал немного не туда и прибыл на встречу в стиле Форреста Гампа - бегом (так же и покидал «Меркурий» из-за приближавшегося рейса). Все прошло очень тепло и демократично, никаких имперских амбиций со стороны руководства не было)) Мы знакомились, рассказывали о жизни, пили чай, строили планы. 

Из-за сгустившегося в окрестностях Сити тумана (день выдался пасмурный) ничего вокруг внизу не было видно (только соседние башни) и меня всю встречу не покидало чувство, что мы парим где-то высоко над землей в городе будущего) Впереди меня ждал напряженный семестр и куча дел, но настрой и мотивация с лихвой перекрывали это обстоятельство.

Эпилог

Что хотелось бы сказать в завершение статьи? Сегодня есть много возможностей для профессионального развития. Среди них и образовательные проекты от флагманских ИТ-компаний, и магистерские программы от топовых ВУЗов, в том числе совместные с индустриальными партнерами. Я привел далеко не все, но суть в другом. Здесь нет плохих и хороших программ, как нет здесь и случайных компаний, университетов и людей. Бизнес, высшее образование и наука — каждое из них довольно жесткое и высоко конкурентное место. Все представители имеют высокий организационный уровень, мощную экспертизу и развитые продукты. Важно другое:

1. что подходит именно тебе с точки зрения всех аспектов обучения — состав и объем учебных дисциплин, режим учебы, прикладная предметная область программы, формы активностей;

2. куда ты можешь подготовиться, поступить и не вылететь;

3. как это может изменить твой профессиональный уровень — какие задачи и с каким качеством ты можешь решать в реальном деле;

4. и последнее — ни одна программа не ложится на 100% на твои реальные рабочие задачи. Мы все равно остаемся любопытными самоучками и не останавливаемся. Чтобы оставаться на месте в бурно развивающейся профессии, нужно бежать).

Учеба ради учебы или диплома — это слабая стратегия. Чтобы выучить иностранный язык, нам нужно говорить на нем каждый день. Чтобы выучить язык программирования, нужно писать на нем реальные приложения. Чтобы освоить профессию, нужно практиковаться и работать в ней, оставаться всегда в деле. А какая стратегия развития карьеры у вас и на какие программы ориентируетесь вы? Делитесь в комментариях)