Я добрый сегодня

Дошел до ближайшей разливайки и купил вкусного пива, поэтому вместо очередной записи «запретите им» будет немного полезных и даже местами добрых советов. А начну с того, что в ЖЖшной френдленте у fritzmorgen увидел доклад Boston Consulting Group про то, как к 2025 году обустроить Россию (да, вот это и называется «внешним управлением»), а у kouzdra — обсуждение учебника Куранта и Роббинса по математике. Ну так вот — раз я добрый, то не буду особо матерно комментировать вот эту картинку за авторством BCG:

Доклад, по большей части, представляет собой обычный набор благоглупостей про «экономику знаний» — и как положено, утверждает, что «все большее проникновение алгоритмов и компьютерных решений будет вести к переориентации потребностей рынка труда на «человеческое в человеке»: творческое начало, культурные аспекты, индивидуальные и коллективные ценности, а также универсальные «компетенции XXI века», которые не смогут компенсировать цифровые технологии» — список этих «универсальных компетенций» представлен на рисунке. Как обычно, пишется что-то про «метапредметное» образование, которое должно развивать вот эти самые «универсальные компетенции».

«Когнитивные» и «социально-поведенческие» навыки — это, пожалуй, то, что раньше называлось «воспитанием» — а вот про правый нижний угол картинки я бы хотел сказать отдельно. Под заголовком «цифровые навыки» перечислены следующие пункты:

• программирование
• разработка приложений
• проектирование производственных систем
• обработка и анализ данных

Можно, конечно, поворчать про то, почему эти навыки отнесены к «цифровым», и что же тогда такое «аналоговые» навыки — но я хочу обратить внимание на то, что немалая часть современных модных «цифровых навыков» — это банальная математика (и чуть-чуть информатики) в объеме программы, скажем, среднего технического вуза, и без ее знания вы проиграете даже няшному котику (который в совершенстве владеет доброй половиной soft skills).

Можно ли понять несложный, в общем-то, учебник по модному нынче «глубокому обучению«, не владея матанализом и линейной алгеброй в объеме хотя бы пары семестров? Читатель, не знающий математики, «сломается» уже на словах «стохастический градиентный спуск». Не менее модные «большие данные»? По большому счету, их «анализ» сводится к довольно элементарной статистике. В идеале, конечно, не лишним будет понимание, какие данные являются «большими». Методы вроде Principal Components Analysis? В основе там лежит банальнейшая линейная алгебра.

Кстати, а готовы ли вы описать связь между евклидовой метрикой и нормальным распределением? А ведь она естественнейшим образом возникает, когда мы пользуемся методом наибольшего правдоподобия. Как, и таких слов не знаете? Чем вы тогда лучше котика?

А ведь это все лезет и в «чистую гуманитарщину». Digital Humanities — слово, конечно, ругательное, и в приличном обществе вызывает снисходительные усмешки — но посмотрите хотя бы картинки отсюда:

https://handbuch.tib.eu/w/DH-Handbuch/Tools#Stilometrische_Textanalyse

Вроде бы предмет называется «компьютерная филология» — но без знания математики остается лишь пользоваться готовыми инструментами (даже без понимания их ограничений), чему по большей части и посвящен остаток главы. Циники от естественных наук уже предлагают гуманитариям заняться p-хакингом — «мы применяли к текстам различные методы анализа, пока на тридцатом заходе не нашли доказывающий, что Слово о полку Игореве написано Сократом, p < 0.05" (впрочем, я и без всякого p-хакинга готов доказать, что Тохтамыш сжег Белый дом в 1993 году). Короче говоря - что делать? Мой ограниченный жизненный опыт подсказывает "нулевое" решение - закончить мехмат - пусть он "и вообще ни к чему не готовил«, но какой-то багаж знаний, позволяющий легко понимать вот эту всю «обработку и анализ данных», после него остается даже сейчас. Можно попробовать это решение «упростить» — так что перечислю те области человеческого знания, без которых data science будет просто модным баззвордом.

Начну, пожалуй, с «чистой» математики. Сложно представить себе «анализ данных» без хотя бы базовых представлений о теории вероятностей и математической статистике. Не менее сложно (хотя это уже со стороны может показаться и не таким очевидным) — без владения линейной алгеброй. Тот же «метод главных компонент», по сути, практически тривиален. Ну и разумеется — никуда не деться от математического анализа, пусть даже и в сильно сокращенном и урезанном виде. В общем, получается программа того, что во всяких говновузах называется «высшей математикой» (кажется, туда обычно входят еще и дифференциальные уравнения — ну и ладно) — только вот «сдать и забыть» это все не получится.

Но! Вся эта математика, если мы говорим о «цифровых технологиях», довольно бесполезна — так что не надо забывать и о «цифровой грамотности» на пару с программированием. Не можешь рассказать, что происходит, когда в адресной строке браузера набираешь google.com и нажимаешь Enter — давай до свидания :) Не можешь написать на любом языке программирования код для перемножения двух матриц — аналогично. В «цифровую грамотность», разумеется, стоит включить и понимание того, что такое «большие» данные, а заодно — и представления о вычислительной сложности. Если сократить это до какого-то разумно минимального объема — то, пожалуй, это ужмется до эквивалента пары семестров — изучения какого-нибудь языка программирования и курса по алгоритмам и структурам данных.

В общем, если вы не владеете математикой в объеме пары курсов средненького технического вуза, а компьютером владеете на уровне «печатаю двумя пальцами в Microsoft Word» — то ваше место в скором будущем займет несложный скрипт на Perl, робот или даже котик.