Обсуждение

В плане образования тут непонятно: учат быдлокодеров, или инженеров-программистов. Инженер-программист - это оксюморон. Инженеров надо учить чему-то реальному, даже пусть вычметодам, а потом добавлять курсами по кодированию. Университеты нынче выпускают кодировщиков, потому что это самое простое.

я бы разделял софтваре-инженеров и датасайентистов по тому принципу что разный набор компетенций, хотя и несколько пересекающийся т.е. датасайентистам (включая машинлёрнеров) нужно уметь немного программировать, но это сейчас всем инженерам нужно (физикам там, биологам, лингвистам и проч) датасайентистам наверное все же не нужно знать собственно софтерно-инженерные вещи типа там процессы создания ПО (хотя и полезно, но нельзя объять необъятное) а вот смесь датасайентиста и софтверного инженера, видимо, сейчас называется иногда дата инженер, что логично :)

Roadmap на картинке - именно для быдлокодеров, в основном прошлого десятилетия. Ещё живые, быстросдохшие или вечнодохнущие технологии, и лишь мельком Algorithms and Data Structures. Знакомить ли юных специалистов с возможным фронтиром? Но в этом тоже есть проблема, что завтрашний state-of-the-art быстро превращается во вчерашнюю failed idea. Нужно вовлекать в информационный процесс, чтобы спецы могли отслеживать и оценивать такие явления самостоятельно.

Не скажу за .net диаграмму, но java roadmap представляет собой полную чушь! Одна ветка java developer - web frontend developer - backend developer чего стоит! При чем тут PHP вообще, почему не Python, например!? Сюр, а не диаграмма!

В начале графа должен быть SICP. (dixi) :)

Чувствуется, Майкрософт хорошо откатывает.

Странная карта. Изучение линкью сильно после ентити фреймворк... Геймдев без знания Си++... Перл на перле.

Data Engineer - это более узко. Они, мне кажется, больше про то как data pipelines построить. Все эти Spark, Kafka и прочее чтобы эффективно гонять данные из одного места в другое, преобразовывать и чистить по дороге, правильно хранить (HDFS, S3, RDBMS, NoSQL, etc). ПРи этом они могут мало соображать в machine learning. Появляется новая специализация - machine learning engineer. Они не так хороши как Machine Learning Researchers в разработке новых ML алгоритмов, но они знают про то как взять код рисёрчера, сделать его reliable, добавить логгинг, мониторинг, подумать про performance и scalability (плюч еще массу разных штук специфичных для ML систем, типа контроля за изменением распределения входных данных, постоянным тестированием метрик ML модели на продакшн данных, периодической перетренировкой моделей и т.п.) Data Scientist же на практике (как я вижу это понятие пользуют при найме людей в silicon valley) - это просто немного продвинутый Data Analyst. Они умеют считать, что-то понимают в теории вероятности, пользуют SQL, Excel и подобное, могут дизайнить A/B тесты, делать более сложную аналитику.