„Ich finde es schwierig, die Motivation eines Datenwissenschaftlers zu verstehen, der in der Mathematik keine Schönheit sieht“ - Kirill Danilyuk, Data Scientist

Hi, Habr! Data Science ist längst zu einem attraktiven Bereich geworden, und immer mehr Menschen möchten ihren beruflichen Werdegang ändern und mit Big Data arbeiten. Kirill Danilyuk, Data Scientist aus dem RnD Lab, berichtete über seine Geschichte des Übergangs in der Datenwissenschaft, Tipps für Anfänger und Fortgeschrittene. Außerdem sprachen wir über die notwendigen Qualitäten eines Datenwissenschaftlers, über das Layout der Daten, über den Unterschied zwischen dem ML Engineer und dem Datenwissenschaftler, aktuelle Projekte, coole Teams und Menschen, deren Arbeit inspiriert.

Bild

- Wie bist du zur Datenwissenschaft gekommen? Was hat Sie an der Arbeit mit Daten interessiert?

- Ich habe einen eher untypischen Hintergrund: Ich bin aus der Welt von Yandex PM gekommen (Projektmanagement - Kommentar des Autors).), als ich zum ZeptoLab, der vielleicht besten russischen Spielefirma, gerufen wurde. Ich habe sie zum Prototyp eines Analysesystems gemacht. Deshboards war das erste Mal, als ich mit dem Schreiben von Code begann, den jemand anderes verwendet hat. Der Code war schrecklich, aber es war eine echte Praxis. Natürlich habe ich die Arbeit zweier Outsourcer formal koordiniert, aber sie haben den Code entsprechend diesem Prototyp geschrieben. Ich wusste damals nicht, dass es sich um Data Science handelt. Die Bekanntschaft geschah also recht organisch.

Schon damals war klar, dass sich das Entwicklungsparadigma völlig verändert hat - anstelle der klassischen imperativen Programmierung, wenn Sie die Bedingungen streng festlegen, kommt es zu einer Ära, in der sich die Maschine mit Hilfe von Daten trainieren kann. Es war unglaublich cool, diese Verschiebung zu sehen, und ich wollte unbedingt zu den Entwicklern der neuen Ära gehören.

- Welchen Schwierigkeiten standen Sie beruflich gegenüber? Welche Herausforderungen waren zu Beginn und in der Zukunft zu erwarten?

- Ich erinnere Sie noch einmal daran, dass ich ursprünglich ein Projekt war, das heißt, eine berufliche Veränderung war ziemlich ernst. Es gab viele Schwierigkeiten. Zuallererst ist es Selbstgläubigkeit. Sie sehen alle diese klugen Jungs, die dort etwas schreiben und in einer Sprache sprechen, die Sie nicht verstehen. Sie sehen eine große Kluft zwischen ihnen und ihnen. Gleichzeitig fördert Ihre Umgebung den Übergang nicht - es scheint den Menschen, dass Sie „Müll machen und generell zaudern“. Es ist sehr deprimierend. Natürlich hat die Datensynthesegemeinschaft jetzt ihre Form angenommen, sie wird Ihnen helfen und ermutigen, aber es war früher schwieriger. Um also diesen ersten Schritt zu machen - zu sagen, dass ich ein Dataainteist sein werde und trotz meiner vorherigen Karriere wirklich systematisch in diese Richtung gehen werde - war es sehr schwierig.

Der Wendepunkt war, als ich das Buch las"So gut, dass sie Sie nicht ignorieren können" , wird übrigens von Andrew Eun, dem Erfinder von Google Brain, Coursera, dem berühmten ML-Kurs, empfohlen. Das Buch handelt von meinem Fall: Ihr Hintergrund und Ihre Geschichte sind nicht wichtig. Wenn Sie in der Praxis zeigen können, dass Sie wirklich so gut sind, dass Sie einfach nicht ignoriert werden können, werden Sie bemerkt. Ich war sehr beeindruckt von diesem Buch und entschied mich, Data Science nicht fallen zu lassen. Sehr zu empfehlen, alle zu lesen.

- Welche Art von Hacks können Sie mit Experten für Anfänger bei der Arbeit mit Daten teilen, sowohl in Bezug auf das Feldstudium als auch im Hinblick auf den Aufbau einer Karriere?

- Alle kommen zur Datenwissenschaft aus verschiedenen Bereichen, zu verschiedenen Teilen und mit unterschiedlichen Zielen - es gibt keinen optimalen Weg. Es gibt aber ein paar Tipps.

Data Science mag auf den ersten Blick schwierig erscheinen - und ist es auch! Die überraschende Tatsache ist jedoch, dass Data Science mit einer Zwiebel verglichen werden kann: Man muss Schicht für Schicht studieren. Dies wird als Top-Down-Ansatz bezeichnet. Wenn Sie sich zunächst eine primitive Ebene anschauen, wie Algorithmen funktionieren, wie Sie ein neuronales Netzwerk in ein paar Zeilen trainieren können, ohne die Prozesse wirklich zu kennen, geben Sie einfach die Eingabedaten und einige Codezeilen an. Die erste Schicht der Birne wird entfernt. Weiteres Es wird interessant für dich, du willst schon wissen wie. Wie funktioniert das? Sie gehen tiefer, schauen sich den Code an, die Implementierung. Dann wird es für Sie interessant, warum dieser Code so geschrieben ist. Es stellt sich heraus, dass es eine theoretische Begründung gibt. Usw. Behalte das Interesse. Beginnen Sie von oben, es inspiriert.Lesen Sie Richard Feynman , er hat viel über diesen Ansatz geschrieben.

Noch ein Tipp: Kommen Sie so schnell wie möglich zum Data Scientist. Auch wenn Sie es immer noch nicht verstehen, sich aber entschlossen haben, sich in diesem Bereich weiterzuentwickeln. Als ich studierte, war ODS noch nicht da, niemand hat dich so sehr ermutigt, es gab keine organisierte Datentreffen-Party. Und ich ging zum Programm Newprolab, um ein solches Get-together zu bekommen. Der Schlüssel zur Entwicklung liegt gerade in der Sozialisation. Kochen Sie nicht in Ihrem eigenen Saft, sonst bewegen Sie sich sehr langsam.

Dritter Rat (Fortsetzung des Zweiten): so bald wie möglich mit der Teilnahme an Wettbewerben beginnen. Kaggle kann unterschiedlich behandelt werden, aber es gibt zumindest einen weiteren Grund für die Sozialisierung - neben dem Team. Ältere Kollegen geben Ihnen gerne einen Tipp und Hilfe. Außerdem bietet kaggle einen guten Kick in Bezug auf Ihr Portfolio, Ihre Reden und Blogbeiträge. Steile Datenwissenschaftler, so wurden sie übrigens cool.

- Wo haben Sie neben dem Passieren von zwei Programmen in Newprolab studiert und studiert? Welche Programme können Sie für Anfänger und Fortgeschrittene empfehlen?

- Ich versuche ständig zu lernen, weil sich die Aufgaben vor allem in unserem Land ständig ändern. Ich habe mehr oder weniger grundlegende Online-Kurse besucht, wie Yandex-Spezialisierung in DS bei Coursera , ML-Nanodegree bei Udacity und ihren eigenen Kurs in droneless . Für Anfänger empfehle ich die DS-Spezialisierung auf der Coursera - dies ist wahrscheinlich der strukturierteste Kurs, um die Ansätze und Aufgaben im Allgemeinen zu verstehen. Ich war auch mit dem „Big Data Specialist“ zufrieden , ich habe generell den Einstieg in die Datenwissenschaft begonnen, er hat mir wirklich geholfen. Wieder einmal - machen Sie am Anfang das, was interessant erscheint.

Für Fortgeschrittene gibt es einen hervorragenden Caltech- Kurs Learning From Data - relativ kurz, aber sehr praktisch . Sehr gut gemachtes Gehirn. Es gibt auch einen wundervollen SHAD-Kurs von Vorontsov - in den öffentlichen Vorlesungen und einem Lehrbuch. Ich empfehle auch den Harvard-Kurs zur Stat 110- Theorie. Es gibt grundlegende Prinzipien der Wahrscheinlichkeitstheorie und des Matstat, die Sie unbedingt kennen sollten. Außerdem gibt es eine offene Bibliothek mit MIT-Kursen. Schauen Sie sich den Kurs über Algorithmen an , es ist sehr gut.

- Nach Ihren Beobachtungen: Welche weichen und harten Fähigkeiten fehlen Anfängern und erfahrenen Datenwissenschaftlern oft, um wirklich erstklassige Spezialisten zu werden?

- Beginnen wir mit Soft Skills - weil sie nicht ausreichen. Trotz der Tatsache, dass der Datenwissenschaftler ein technischer Beruf ist, ist es äußerst wichtig, das Ergebnis Ihrer Arbeit richtig / schön präsentieren zu können. Grob gesagt, es ist wie ein iPhone - nicht nur die Füllung ist gut, sondern auch das Aussehen, die Verpackung und die Geschichte. Die Menschen müssen lernen, wie sie ihre Ergebnisse präsentieren: Blogbeiträge schreiben, sprechen, Code teilen. Die besten Datenwissenschaftler verstehen das sehr gut und das tun sie auch. Ansonsten können Sie in Ihrem Loch stecken bleiben und sogar mit einem coolen Ergebnis unbemerkt bleiben.

Sie können lange über harte Fähigkeiten sprechen, aber es gibt eines, was so vielen Datenwissenschaftlern fehlt - die Fähigkeit, kompetenten, strukturierten, schönen Code zu schreiben. Dies ist die wahre Geißel des Berufs. Es ist notwendig zu lernen, gut lesbaren Code zu schreiben. Wenn Sie sich kaggle anschauen, ist der Code dort meistens schrecklich. Ich verstehe, womit es verbunden ist: Die Leute schreiben den Code einmal und verwenden ihn dann nicht. Dies ist eine Standardpraxis bei Datenwissenschaftlern, insbesondere Anfängern. Ich habe es selbst schon gemacht, aber das ist schlecht, weil Sie es erstens niemandem mitteilen können (die Leute möchten gut lesbaren Code lesen), und zweitens können Sie in anderen Projekten keinen schlechten Code verwenden.

Eine weitere grundlegende Fähigkeit ist das Wissen des Materials: lineare Algebra, statistische Apparate, diskret, Optimierung. Und ehrlich gesagt brauchen Sie nur eine Liebe zur Mathematik. Ich finde es schwierig, die Motivation eines Datenwissenschaftlers zu verstehen, der in der Mathematik keine Schönheit sieht. Dabei ist zu beachten, dass die Mathematik in der Datenanalyse auf Ebene des ersten und zweiten Jahres der Universität gut zugänglich ist.

- Nach Abschluss des Big Data Specialist-Programms haben Sie die Unternehmenswelt verlassen und gemeinsam mit Ihren Gruppenmitgliedern ein Beratungsunternehmen eröffnet. Warum möchten Sie nicht Mitarbeiter eines großen Unternehmens mit vielen Brötchen sein? Schließlich ist die Nachfrage auf dem Arbeitsmarkt viel größer als die verfügbaren Vorschläge und Sie sind ein großer Spezialist.

- Hier ist ein ziemlich interessanter Grund: Zunächst sollten Beratungsunternehmen für Projekte gewonnen werden, die Sie bereits einem seriösen Unternehmen zeigen und in diese einsteigen können. Wenn Sie sagen, dass Sie Datenwissenschaftler sind, dann zeigen Sie, dass Sie wissen, wie.

Erstens haben wir absolut keine Data-Science-Projekte für jedes Geld genommen, nur um zu zeigen, dass wir es schaffen können. Es wurden viele Fehler gemacht, bei allen Rechen, auf die getreten werden kann, sind sie gekommen. Das erste Jahr war nur ein Albtraum, sehr schwer. Wenn Sie jetzt zurückschauen, ist es keine Tatsache, dass Beratung eine gute Option war, um anzufangen. Vielleicht war es nötig, nach junior'a zu gehen, und in diesem Jahr an einem Projekt zu arbeiten.

Wir haben alles überstanden. Projekte begannen sich zu entwickeln, das Selbstbewusstsein wurde stärker, irgendwann kam ein Verständnis auf, dass es möglich ist, zu arbeiten, und nicht innerhalb eines großen Konzerns mit seinen langwierigen Projekten, Genehmigungen und Bürokratie. Es stellt sich heraus, dass unsere Projekte jetzt viel interessanter und abwechslungsreicher sind, als die meisten großen Unternehmen mir geben könnten: Es gibt viele davon, sie ändern sich oft und Sie lernen ständig. Natürlich möchte ich jetzt nicht wirklich in eine große Firma gehen.

- Lassen Sie uns ein wenig über das Thema Daten-Markup sprechen. Sie haben ein kleines Team in RnD Lab. Sie können kaum Zeit darauf verwenden, die Daten zu markieren und alles selbst zu erledigen. Wie kennzeichnen Sie die Daten?

- Über das Markup von Daten kann man sehr lange reden! Algorithmen für maschinelles Lernen erfordern Daten. Und nicht nur irgendwelche Daten, sondern qualitativ markiert. Und viel. Zum Beispiel hatten wir ein Projekt, um die Qualität von Rühreiern anhand eines Fotos zu bestimmen . Damit die Algorithmen funktionieren, müssen Sie jedes Foto markieren und die Zutaten - Eiweiß, Eigelb, Speck - manuell einkreisen. Können Sie sich vorstellen, was für eine Arbeit es ist, tausend, zehntausend solcher Fotos hervorzuheben? Und dies ist nur, um Daten bereit zu haben. Danach beginnt die Arbeit erst.

Inzwischen gibt es viele Unternehmen, die Markup verkaufen - sie stellen eine Armee billiger Marker ein, um die Grenzen von Objekten manuell zu verfolgen. Die Ironie ist, dass im Zeitalter der KI schlecht bezahlte, gering qualifizierte und unmotivierte Menschen dahinterstehen.

Ich möchte diesen Prozess technologisch verbessern. In unserem Projekt haben wir beispielsweise ein neuronales Netzwerk geschrieben, das Daten halbautomatisch kennzeichnet. Sie geben ihr zuerst 20 manuell beschriftete Fotos von Rühreiern und 20 nicht partitionierte - sie lernt in den ersten zwanzig und markiert die zweiten zwanzig, wenn auch nicht sehr gut. Sie korrigieren Fehler manuell und geben diese korrigierten 20 automatisch gekennzeichneten Fotos für zusätzliches Training an. Nun studiert das Modell bereits 40 Fotos mit Markup. Sie reichen 20 weitere Fotos für die Markierung ein, korrigieren Fehler und lernten das Modell mit der korrigierten Markierung neu. Nach mehreren Iterationen treten fast keine Fehler auf. Übrigens, für diese Technik schreibe ich gerade einen Blogbeitrag über das Medium .

Es gibt andere Optionen: Sie können den Simulator, grob gesagt, einen 3D-Editor verwenden, um viele bereits automatisch markierte Bilder zu generieren. Sie haben die notwendigen Objekte, Sie rendern sie zusammen mit dem Markup aus verschiedenen Blickwinkeln - das ist alles. Aber nicht gänzlich: Solche Bilder werden dem Modell für echte Bilder immer noch nicht ähnlich sein. Um diese Bilder in eine Vielzahl von Realbildern zu bringen, müssen Sie eine Technik namens Domänenanpassung verwenden - auf der GAN'ah. Dies ist jetzt eine echte Forschung, solche Dinge sind aufregend. Stellen Sie sich vor: Sie simulieren eine ganze Welt und alle Datensätze werden buchstäblich aus dem Nichts generiert. Nun stellen Sie sich vor, dass das Modell nur im Simulator trainiert wird und dann in der realen Welt funktioniert. Das ist nur die Zukunft!

- Können Sie die Teams / Personen nennen, deren Arbeit im Bereich Big Data Sie bewundert und inspiriert?

- Ja natürlich! Ich mag nicht die Forschung selbst, sondern ihre Anwendung in Produkten. Ich spreche von denen, die ich selbst kenne - Sie können einfach die Top-Experten googeln, und sie sind bereits bekannt.

Wenn wir über das Team sprechen, ist dies ohne Frage das Team der Drohne Yandex. Die Jungs machen ihre Technologie von Grund auf neu, unter russischen Bedingungen haben sie im Winter mit dem Testen begonnen - Google hat nie davon geträumt. Sie sind großartige Jungs, und ich beobachte sie genau. Einschließlich ihrer Publikationen und Kurse. Die Anzahl der Technologien, die sie in der Praxis anwenden, ist enorm, und nur wenige Menschen haben das Glück, so viele verschiedene Dinge gleichzeitig zu verwenden.

Team connectome.ai- Jungs machen ein Computer Vision System für die Produktion. Dies ist eine herausfordernde Aufgabe, und was und wie sich herausstellt, ist großartig.

Die Jungs von beaufsichtigen . Sie waren ursprünglich Berater, wie wir von RnD Lab, aber dann haben sie ein halbautomatisches Markup-System entwickelt, und jetzt entwickeln sie es.

Bei den Menschen handelt es sich zum einen um Eric Bernhardsson, den früheren Leiter des Empfehlungssystems von Spotify. Er hat ein tolles Blog über Data Science und ich kann es jedem empfehlen.

Zweitens ist es Volodya Iglovikover ternaus auf ods. Er kam von Physikern, sein Entwicklungsweg ist sehr neugierig und äußerst motivierend, seinen Arsch zu heben und zu arbeiten. Er zeigte an seinem Beispiel, wie ernsthafte Arbeit und kompetentes Marketing ihm helfen, seine Karriere zu bewegen.

- Sie waren der Gruppenkoordinator für das Big Data Specialist-Programm und das Gebäude. das Programm in Luxemburg, und im Herbst werden Sie Minigruppen über unser neues Online-Programm beraten. Sag mir, warum brauchst du das alles? Weil Sie hier nicht viel Geld verdienen werden)))

- Verdienen Sie es nicht mit Sicherheit. Die Bedeutung ist anders - in der Sozialisation. Wie ich bereits gesagt habe, ist die Sozialisierung der Schlüssel zum Selbstpumpen, ganz zu schweigen von Geschäftskontakten, die für das Geschäft nützlich sind. Durch meine Koordination fanden wir einige Aufträge, die für uns lukrativ waren. Zweitens möchte ich mein Wissen und meine Erfahrung gerne an Menschen weitergeben und ihnen beibringen, wie man mit Daten arbeitet. Darüber hinaus lerne ich im Vorbereitungsprozess selbst viel Neues. Ich habe selbst viel gelernt und verstehe sehr gut, zu dem Preis, wie viele Stunden manche Dinge bekommen. Darüber hinaus ist Koordination und Betreuung natürlich eine Herausforderung, wenn Sie Ihre Komfortzone verlassen und sich selbst pumpen können.

Bild

- Data Scientist und ML Engineer: Was ist der Unterschied?

- Es gibt einen Bericht zu diesem Thema im Rahmen von Yandex Data & Science. Die Idee ist, dass die Datenindustrie eine ganze Reihe sich überschneidender Berufe generiert hat. Gleichzeitig interpretieren verschiedene Unternehmen sie unterschiedlich. Data Scientist und MLE - nur ein Beispiel dafür.

Es wird angenommen, dass ein Datenwissenschaftler möglicherweise keinen Produktionscode schreiben kann, sondern Theorien erstellen oder anpassen muss (z. B. wissenschaftliche Artikel) und Modelle erstellen muss. Der eigentliche Code bestand jedoch aus ML-Ingenieuren - professionellen Programmierern, die sich weniger mit dem theoretischen Teil beschäftigen, als mit Ingenieuren.

Diese Trennung funktioniert zum Beispiel in Google. Natürlich gibt es starke Doktoranden, die eigentlich gar nicht programmieren, aber theoretisch stark sind. Und es gibt erstklassige Programmierer, die die Prototypen dieser Doktoranden in schönen Code umwandeln. Wenn wir jedoch über kleine Teams wie unsere oder sogar Yandex-Teams sprechen, dann ist keine Zeit für reine Forschung von Grund auf, aber es ist möglich, die Ergebnisse anderer (in Form von Artikeln oder Code) zu recherchieren und einen auf diesen Artikeln basierenden Kampfcode zu schreiben.

Ich persönlich glaube nicht an den praktischen Wert eines Datenwissenschaftlers, der keinen Code schreibt - es ist der Code, der das Ergebnis der Arbeit eines Datenaentisten ist. Wenn Sie keinen Code schreiben, sind Sie höchstwahrscheinlich ein Datenanalyst. Das ist auch nicht schlecht, aber es ist eine andere Spezialisierung. Übrigens verkaufen viele Unternehmen mit einem Verband für Datenwissenschaftler nur einen Analysten. Weil der Analytiker Excel und dumm ist und der Datenwissenschaftler „der sexieste Beruf des 21. Jahrhunderts“ ist.

Ich bin also für ML Engineer.

- Was sind deine Gedanken und Pläne für die Zukunft? Wohin möchten Sie sich beruflich und geografisch (und plötzlich!) Bewegen?

- Wir, RnD Lab, haben im Allgemeinen mit Data Science Consulting begonnen. Sie haben jedoch schnell gemerkt, dass es unmöglich ist, auf einmal effektiv mit allem umzugehen, es ist notwendig, sich zu konzentrieren. Jetzt konzentrieren wir uns auf Computer-Vision-Projekte, wie beispielsweise unser Projekt zur Anerkennung der Lebensmittelqualität. Stellen Sie sich vor, Sie schauen ein Fußballspiel auf Ihrem Schreibtisch in 3D. Stellen Sie sich vor, Sie sehen als Besitzer eines großen Geschäfts den Diebstahl durch Schaufenster. Stellen Sie sich vor, dass Ihre alten Schwarzweißfotos aus Papier in Farbe umgewandelt werden können und Details hinzufügen können. Wir sind gerade mit solchen Projekten beschäftigt. Im Moment entwickeln wir zwei neue und unglaublich interessante Projekte, deren Komplexität den Projekten in Yandex nicht nachsteht, wir geben sie nach einiger Zeit bekannt. Jetzt haben wir einen Prototyp erstellt, mit sehr hoher Wahrscheinlichkeit werden wir dieses Projekt fortsetzen, Die Skala wird anders sein und wir werden das Team erweitern. Ich werde in erster Linie sowohl Dateningenieure als auch Computer Vision Engineers brauchen, die den Prototyp abholen und daraus ein System machen. Der Kunde ist großartig, das System ist interessant und dies ist eine großartige Gelegenheit, sich als Spezialist aufzurüsten. Für jedes Portfolio wäre ein solches Projekt einfach großartig!

Daher konzentrieren wir uns bei der Bildverarbeitung und deren Anwendung - in AR / VR, GANY, der Erzeugung von Bildern und Videos, der Verbesserung von Bildern und Videos, der Videoanalyse - darauf. Und hier verfügen wir bereits über hervorragende Kenntnisse und Werkzeuge.

Bild

Und über die Geografie: Eines meiner wichtigsten Prinzipien ist die Möglichkeit, zu 100% von überall aus arbeiten zu können. Keines der großen Unternehmen wird Ihnen dies bieten. Wenn Sie das ganze Jahr reisen möchten und eine von Erwachsenen organisierte Person sind, warum sollten Sie an ein Büro gebunden sein? Lesen Sie die Leute von Basecamp, sie haben ein ganzes Buch über Remote-Arbeit geschrieben . Wir wollen wie sie sein, wir haben sehr ähnliche Prinzipien.

- Und zum Schluss noch das Quiz:
Rührei oder Rührei?

-Omlet

- Schnell, aber so oder so lang, aber perfekt?
- Schnell, aber so lala.

- Geschäft mit Freunden oder Freundschaft im Geschäft?
- Freundschaft im Geschäft.

"Ich dachte, du würdest dich für" lang, aber perfekt "entscheiden.
- "Lang aber perfekt" funktioniert leider nicht. Es war auch mein Fehler, viele Perfektionisten haben einen solchen Ansatz, dass alles super und cool ist. Ich hatte einen solchen Ansatz in ZeptoLab: Ich wollte es perfekt machen und habe es lange getan, länger als ich sollte, dieses Qualitätsniveau war für mich nicht erforderlich. Wir müssen immer von der Aufgabe ausgehen.
Jetzt haben wir einen Prototyping-Ansatz, bei dem Sie das Ergebnis in ein oder zwei Wochen zeigen und Feedback erhalten können. Sie sagen: „Schauen Sie, alles ist fertig, aber um 5% am Knie: Die gesamte Pipeline funktioniert, es gibt ein Datum, einen Prozess, ein Modell wird trainiert, es gibt ein Web-Interface mit Schaltflächen ...“ Und alles ist klar, niemand spricht davon Knie fertig. Und die Kunden verstehen das, geben Sie ihnen weitere 3 Monate, Sie werden alles verbessern. Dieser Ansatz funktioniert, er ist effektiv und wir unterstützen ihn.



Und am 20. September startet in Newprolab das 9. Big Data Specialist- Programm , das sich mit Datenwissenschaft befasst.

Jetzt auch beliebt: