Chaos, kreatywność i ciągłe zmiany – 5 refleksji o nauce Data Science

Dziesięć miesięcy kursu Data Science nauczyło mnie nie tylko Pythona i machine learning. Odkryłem, że pewne cechy osobowości – tendencja do chaosu, przeskakiwanie między projektami, hiperfokus – mogą być zarówno zaletą, jak i wyzwaniem w pracy z kodem i AI. Oto 5 szczerych obserwacji, jakimi chciałem się podzielić w tym artykule.

Koniec kursu, czas na refleksje

Październik 2025. Właśnie ukończyłem kurs Data Science. Certyfikat odebrany, projekty w portfolio, setki godzin spędzonych z Pythonem, Pandas, Scikit-learn i całym ekosystemem narzędzi do analizy danych. Powinienem czuć satysfakcję z nabytych umiejętności technicznych, prawda?

I czuję. Ale ten rok nauczył mnie czegoś więcej niż tylko tego, jak trenować model machine learning czy czyścić dane. Nauczył mnie czegoś o mnie samym.

W trakcie kursu odkryłem, że mój sposób myślenia – chaotyczny, przeskakujący między zadaniami, czasem hiperfokusowy na ciekawych problemach – nie jest wadą, którą trzeba „naprawić". To po prostu inny styl pracy, który w świecie Data Science i AI może stać się prawdziwym atutem, o ile nauczysz się zarządzać jego wyzwaniami.

Przez ostatni rok pracowałem jako handlowiec, budowlaniec i jako kierowca, równolegle z nauką Data Science, rozwijałem Multi-Future i próbowałem wszystko ogarnąć jednocześnie. Ta kombinacja zmusiła mnie do głębokiej refleksji: jak mój sposób myślenia wpływa na to, jak uczę się programowania i pracy z AI?

Odpowiedź nie była prosta. Ale była szczera. I właśnie o tym jest ten artykuł – o 5 rzeczach, które odkryłem o sobie podczas kursu Data Science. Bez ściemy, bez udawania, że wszystko było łatwe. Po prostu prawda o tym, jak różne style myślenia radzą sobie w świecie kodu.

1. Przeskakiwanie między projektami a wielozadaniowość Data Science

Zacznijmy od czegoś, co przez długi czas uważałem za swoją największą słabość: nieumiejętność skupienia się na jednej rzeczy. Zaczynam projekt A, po godzinie przeskakuję na projekt B, potem nagle przypominam sobie o zadaniu C i tracę wątek całkowicie.

Brzmi znajomo?

Przez lata słyszałem, że to problem, który trzeba rozwiązać. „Musisz się nauczyć koncentracji". „Skup się na jednej rzeczy". „Wielozadaniowość to mit".

A potem przyszedł Data Science.

Okazało się, że praca w DS z natury wymaga przeskakiwania między różnymi zadaniami. W jednym projekcie musisz:

• czytać dokumentację nowej biblioteki,
• eksplorować dane w Jupyter Notebook,
• pisać skrypty do czyszczenia danych,
• trenować model,
• debugować błędy w kodzie,
• dokumentować rozwiązanie,
• przygotować deployment.

To nie jest praca liniowa. To permanentne przełączanie kontekstu między różnymi typami zadań, różnymi narzędziami, różnymi sposobami myślenia.

I nagle odkryłem, że moja naturalna skłonność do przeskakiwania między rzeczami nie jest błędem – to cecha, która pasuje do tego ekosystemu.

Nie twierdzę, że chaos jest dobry. Ale zdolność do szybkiego przełączania się między różnymi zadaniami, gdy wymagają tego okoliczności – to umiejętność, która w Data Science ma realną wartość.

2. Hiperfokus – kiedy działa, kiedy przeszkadza

Druga strona medalu: hiperfokus. Te momenty, kiedy ciekawy problem pochłania cię całkowicie. Siedzisz 6, 8, czasem 10 godzin nad jednym zagadnieniem i nie czujesz upływu czasu. Zapominasz o jedzeniu, o przerwie, o wszystkim.

W Data Science to jest supermoc.

Gdy natknąłem się na interesujący problem – na przykład optymalizacja modelu machine learning, która nie chciała działać – mogłem siedzieć nad tym godzinami. Testować różne podejścia, czytać dokumentację, eksperymentować z hiperparametrami. I dostawałem flow, w którym kod pisał się sam.

Ale jest druga strona.

Gdy zadanie jest nudne, monotonne lub powtarzalne – wtedy hiperfokus odmawia posłuszeństwa.

Czyszczenie danych. Dokumentacja. Porządkowanie repozytoriów. Przepisywanie kodu na czystszy. To wszystko są ważne elementy pracy data scientista, ale dla mnie były jak wędrówka przez pustynię – wymagały ogromnego wysiłku woli i samodyscypliny.

Zauważyłem wzorzec: gdy projekt mnie kręcił intelektualnie, byłem w stanie pracować bez końca. Gdy był techniczny, ale nudny – każda minuta wymagała koncentracji na siłę.

Lekcja? Dobieraj projekty tak, żeby jak najwięcej czasu spędzać w strefie hiperfokusu. I automatyzuj lub deleguj to, co cię nudzi. W moim przypadku zamiast ręcznego trenowania modeli, używam bibliotek jak MLflow, PyCaret, Scikit-learn, które wspierają i automatyzują procesy - testują dziesiątki algorytmów i hiperparametrów równolegle, znajdując najlepsze rozwiązanie, podczas gdy ja mogę skupić się na analizie wyników.

Jeśli coś możesz zautomatyzować – zautomatyzuj. Wtedy zostaje ci więcej czasu na to, co naprawdę cię kręci.

3. Chaos organizacyjny a systematyczny kod

Moje życie wygląda jak tornado. Notatki w pięciu różnych aplikacjach. Projekty rozproszone po trzech dyskach. Pliki z nazwami „final_v2_ostateczny_naprawde_final.py".

Ale kod? Kod nie wybacza chaosu.

Jeśli nie nazwiesz zmiennych sensownie, za tydzień nie będziesz wiedział, co robią. Jeśli nie użyjesz Gita poprawnie, stracisz godziny pracy. Jeśli nie uporządkujesz struktury projektu, deployment się nie uda.

To był dla mnie największy struggle całego kursu: konieczność nałożenia systematycznego podejścia na chaotyczny umysł.

Ale nauczyłem się czegoś cennego: narzędzia mogą zastąpić dyscyplinę.

Git zmusza cię do commitowania zmian i opisywania ich. Natomiast do porządkowania zadań i komunikacji z zespołem wykorzystuję narzędzia jak Trello i Miro, które pomagają utrzymać porządek w procesie pracy.

Nie musiałem się zmienić jako osoba. Musiałem nauczyć się używać narzędzi, które wprowadzają porządek automatycznie. Narzędzia, które poznałem i które odkryłem na nowo z korzyścią dla siebie.

4. Kreatywne rozwiązania a standardowe procedury

W Data Science cenię sobie zarówno sprawdzone metody, jak i przestrzeń na kreatywne rozwiązania. Kluczem jest jednak znalezienie między nimi równowagi.

Podczas pracy nad projektami często testuję różne podejścia. Zdarza się, że niestandardowe rozwiązanie – na przykład optymalizacja z użyciem wyrażeń regularnych zamiast standardowych funkcji bibliotecznych – okazuje się bardziej efektywne. Bywa, że takie własne implementacje działają szybciej niż gotowe rozwiązania, w tym te sugerowane przez AI.

Jednocześnie pamiętam, że kod musi być nie tylko wydajny, ale też czytelny i utrzymywalny. Dlatego dziś moje podejście wygląda tak:

• Zaczynam od sprawdzonych, czytelnych rozwiązań
• Gdy potrzebuję lepszej wydajności lub radzę sobie z nietypowym problemem – sięgam po bardziej kreatywne podejścia
• Dbam o dobre praktyki, jak kod, który jest dobrze udokumentowany i zrozumiały dla innych

To połączenie sprawdzonych praktyk z innowacyjnością doskonale sprawdzało się podczas kursu. Mój hiperfokus, wsparty dostępem do wiedzy mentorów i żywą wymianą doświadczeń z innymi uczestnikami na Discordzie, tworzyło idealne środowisko do rozwiązywania nawet najbardziej złożonych problemów.

5. Dynamika zmian technologicznych – wyzwanie czy szansa?

Ostatnia kluczowa obserwacja dotyczy tempa rozwoju w Data Science i AI. Środowisko to zmienia się w zawrotnym tempie, co dla wielu bywa wyzwaniem, ale ja odnajduję w tym szczególną wartość.

W trakcie samego kursu doświadczyłem tego na własnej skórze:

• Pandas wydał wersję 2.0 ze znaczącymi zmianami,
• pojawiły się nowe frameworki do deep learningu,
• OpenAI wprowadziło kolejne iteracje modeli GPT,
• biblioteki, których używałem, ewoluowały i zmieniały API.

Podczas gdy niektórzy koledzy z kursu odczuwali frustrację z powodu ciągłych zmian, ja dostrzegłem w tym unikalną okazję. W środowisku, gdzie technologie tak szybko się rozwijają, wszyscy jesteśmy w podobnej sytuacji – każdy musi ciągle się uczyć i adaptować.

Ta dynamika idealnie odpowiada mojemu naturalnemu zaciekawieniu i potrzebie ciągłego rozwoju. Zamiast rutyny, każdego miesiąca pojawiają się nowe narzędzia i możliwości, co utrzymuje zaangażowanie i motywację na wysokim poziomie.

Znajdź środowisko, które pasuje do ciebie

Koniec kursu to nie koniec nauki. To właściwie początek. 2025 rok nauczył mnie czegoś ważniejszego niż Python czy machine learning.

Nauczył mnie, że nie ma jednego „dobrego" profilu osobowości w tech.

Są ludzie, którzy potrzebują struktury i rutyny – i świetnie sobie radzą w stabilnych rolach programistycznych. Są ludzie, którzy uwielbiają chaos i zmiany – i odnajdują się w startupach i AI research.

Są ludzie hiperfokusowi. Są ludzie wielozadaniowi. Są kreatywni anarchiści i systematyczni perfekcjoniści.

I wszyscy mają miejsce w tym ekosystemie.

Data Science i AI okazały się dla mnie idealnym środowiskiem nie dlatego, że się zmieniłem. Ale dlatego, że znalazłem dziedzinę, która akceptuje i wykorzystuje mój sposób myślenia.

Jeśli rozpoznajesz w sobie cechy, o których pisałem – nie walcz z nimi. Znajdź miejsce, gdzie są zaletą, nie wadą.

A jeśli interesujesz się AI, automatyzacją i Data Science – być może to właśnie jest to miejsce.

Kontakt Portfolio GitHub