На следующей неделе мы проведем сразу два вебинара. Рассказываем детали в посте — регистрируйтесь и бронируйте слоты в календаре.

📌 Как убедить заказчика, что таблицы — стрем, а дашборды — норм
14 октября в 19:00 мск
Обсудим вместе с Александром Фатеховым, главным по BI в «Авиасейлс»:
— как аргументированно доказать заказчику пользу дашбордов;
— какие ошибки чаще всего совершают при их проектировании;
— как устроена аналитика в «Авиасейлс»;
— как повысить BI-культуру в компании.
Зарегистрироваться на вебинар

📌 Как создать своего первого автоматизированного AI-агента
16 октября в 19:00 мск
Погрузимся в работу с AI-агентами с Игорем Зуриевым — руководителем проектов по автоматизации бизнеса и внедрению ИИ в крупных IT-проектах: «Лукойл», аэропорт Шереметьево, ООО «Газпром трансгаз Москва». Узнаете:
— как собрать AI-агента, который сгенерирует контент-план по запросу;
— как с помощью no-code платформы n8n связать Telegram, ChatGPT и Google Sheets в единую систему;
— как составлять простые, но эффективные промпты.
Зарегистрироваться на вебинар

23 октября стартует курс «Hard Аналитика данных»
📌 Двум студентам этого потока открывается особая возможность: шанс устроиться в Garage Eight продуктовым аналитиком или аналитиком данных.

О компании
Garage Eight — бренд, который вырос из «гаражного стартапа» в международную продуктовую IT-компанию, где сегодня работает более 280 специалистов. Команда создает продукты в сфере инвестиций, аналитики и финансового образования для рынков Европы, Азии, Латинской Америки и Африки.

Компания входит в рейтинг лучших работодателей по версии HHꓸru и получает высокие оценки на ХабрꓸКарьере:
➗ комфортные условия работы — 4.55;
➗ социальный пакет — 4.85;
➗ адекватная зарплата — 4.64.

Как подготовиться к отбору
Все, что понадобится, уже входит в программу курса «Hard Аналитика данных». Вас ждет 6 месяцев продвинутой теории и практики — чтобы повысить грейд и стать тем, к кому идут за сложными решениями.

Чему вы научитесь:
— Создавать дашборды, которые решают задачи бизнеса.
— Работать с большими данными с помощью Spark, S3, Clickhouse.
— Строить пайплайны данных без команды DWH.
— Проводить сложные эксперименты.
— Строить и обучать модели.
— Эффективно работать с ML-инженерами и командой DWH.

Готовы расти по-серьезному и работать на результат? Записывайтесь на программу и до встречи на курсе!

На вебинаре с Алексеем Кожариным вы задали много интересных вопросов об ML. Отвечаем на все, как и обещали.
А если хотите перейти к интенсивному обучению и практике в ML, ждем вас на курсе «Инженер машинного обучения». Старт уже на этой неделе.

Насколько нужен ML-инженеру матанализ? Какие аспекты важны?

Понимание ключевых концепций матанализа облегчает работу с ML. Например, производные и градиенты — основа градиентного спуска, который используется для обучения моделей. Понимание того, как маленькое изменение веса влияет на ошибку модели, помогает правильно настраивать алгоритмы. А пределы и сходимость помогают оценивать, как модель себя ведет на больших данных или с малым шагом обучения.

Могу ли я уйти на позицию Data Scientist после курса по ML для начинающих?

Да, если создадите портфолио с проектами, сможете претендовать на стартовые позиции DS. Но учитывайте, что базовый ML — только часть навыков. Нужно еще:
1️⃣Понимать данные и уметь их исследовать (EDA) — смотреть распределения, корреляции, строить графики.
2️⃣Работать с базами данных — SQL, иногда NoSQL.
3️⃣Понимать статистику и проводить A/B-тесты для проверки гипотез.

Какой спрос на ML-инженеров разных направлений: классика, CV, NLP, Recsys?

➗Классический ML востребован, но кандидатов много.
➗На CV высокий спрос в промышленности, медицине, автопилотах.
➗На NLP — в финтехе, чат-ботах, анализе текстов.
➗На Recsys — в e-commerce, стриминговых сервисах.
Если только начинаете карьеру, CV и Recsys открывают больше вакансий и практических кейсов.

Курсы «Инженер машинного обучения» и «Математика для Data Science» дают hard skills для DS?

Вместе эти курсы дают базовый набор hard skills: Python, библиотеки ML, линейная алгебра, статистика, работа с данными — все, чтобы построить базовую модель. Но для полноценного DS важно еще работать с большими данными (миллионы строк), создавать проекты для портфолио, применять ML к реальным бизнес-задачам.

На курсе учат работать с Big Data (миллионы строк)?

На курсе «Инженер машинного обучения» данные ограничены, чтобы сосредоточиться на логике ML и базовых методах. Для работы с миллионами строк нужны инструменты типа PySpark, Dask, ClickHouse, PostgreSQL. Они есть на продвинутом курсе «Hard ML». Там мы хоть и фокусируемся на логике работы ML, но используем Big Data, чтобы учиться обеспечивать эффективность и производительность моделей.

Будут ли A/B-тесты в стеках или просто Python-библиотека?

На базовом курсе — Python-библиотеки: scipy, statsmodels. В реальной работе A/B-тесты часто интегрированы в продуктовые системы и BI-платформы.

Как применяют ML в промышленности (кроме CV)?

Яркие примеры: прогноз поломок оборудования, оптимизация логистики, уменьшение затрат, ускорение операций, анализ сенсорных данных (контроль качества, мониторинг процессов), рекомендательные системы для управления запасами.

Какой карьерный путь ML-инженера и вилки развития?

Есть два пути:
➗IC (Individual Contributor): Junior → Middle → Senior → Lead → Principal. Глубокое развитие в ML, настройка алгоритмов, проектирование моделей.
➗Менеджмент: Team Lead → Product/Project Manager → Head of ML. Руководство командой и продуктами.

Как начали работать ML-инженером? Было ли, что сначала не любили ML?

Часто новичку ML кажется сухим и сложным из-за математики и алгоритмов. Интерес появляется при работе с практическими задачами, когда видишь, как модели влияют на продукт и бизнес.

Сколько получает начинающий ML-инженер? Сложно ли найти работу?

Junior ML-инженер в России получает около 100–180 тыс. ₽/мес. (в Москве и Санкт-Петербурге больше). С портфолио работу найти реально, особенно если есть реальные кейсы и проекты.

Что изменилось за последние 5 лет в ML (кроме нейросетей)?

➗AutoML и автоматизация пайплайнов сокращают ручной перебор моделей.
➗Библиотеки CV и NLP упрощают обработку текстов и изображений.
➗Инструменты интерпретации, такие как SHAP и LIME, помогают понять, почему модель делает тот или иной прогноз.
➗Благодаря новым библиотекам работать с временными рядами и Big Data проще.

Работа аналитика почти всегда начинается с баз данных. В них хранятся заказы, действия пользователей, переходы по рекламе — все, что важно для бизнеса. Только информация хранится не в готовом виде, а в десятках и сотнях таблиц. Чтобы достать из них только нужные данные, аналитики используют SQL.

Что значит SQL
Расшифруем аббревиатуру, чтобы лучше разобраться в инструменте:
Structured — структурированный: файлы хранятся в упорядоченном виде, как в Excel.
Query — запрос: вы отправляете инструкцию, чтобы взаимодействовать с нужными сведениями.
Language — язык: это набор правил и команд, с помощью которых вы «общаетесь» с программой.

Как используется на практике
Допустим, вы владелец интернет-магазина одежды. У вас есть 3 таблицы:
1️⃣Для товаров: с артикулами, размерами, ценами.
2️⃣Для клиентов: с именами, адресами электронной почты.
3️⃣Для заказов: с историей покупок по каждому клиенту.
С помощью SQL можно посредством одной команды:
➗Найти все позиции дешевле определенной суммы.
➗Изменить цены в конкретной категории, например, при распродаже.
➗Подсчитать общее количество заявок или резервов на складе.
➗Вывести список пользователей, которые покупают чаще всего.
➗Объединить сведения из разных таблиц, например, чтобы увидеть, кто приобретал конкретную позицию.
В отличие от других языков программирования, SQL декларативен: вы описываете, что хотите получить, а не как это сделать. Вы только запрашиваете информацию, а СУБД сама определяет алгоритм.

Чем хорош инструмент
— Универсальный: SQL поддерживают почти все базы данных. Он используется в крупных корпорациях, малом бизнесе, стартапах, госструктурах.
— Востребованный: это базовый навык для аналитиков, маркетологов, дата-сайентистов, разработчиков.
— Простой в обучении: команды похожи на обычный английский язык.
— Имеет практическую ценность: один запрос может дать цифру, которая повлияет на бизнес-решение.

Где освоить
Научиться правильно составлять запросы можно на нашем бесплатном симуляторе SQL. Вы попробуете себя в роли аналитика сервиса доставки: проверите гипотезы, посчитаете метрики, извлечете из показателей полезные инсайты.

RFM-анализ в действии: как аналитики оценивают эффективность акций и находят точки роста в клиентской базе

Во вторник, 21 октября в 19:00 по Мск, разберем реальную задачу продуктового аналитика:
— Как с помощью RFM (Recency, Frequency, Monetary) находить активных и «спящих» клиентов;
— Как построить RFM-матрицу, heatmap и провести когортный анализ;
— Какие навыки аналитика особенно важны в 2025 году и как их развивать.

Встреча подойдет начинающим аналитикам, студентам и всем, кто хочет перейти в Data Science и понять, как аналитики решают бизнес-задачи.

Спикеры:
➗Дмитрий Бакаев — продуктовый аналитик направления аналитики новых продуктов и бизнес-трансформации в компании Передовые Платежные Решения
➗Екатерина Хайытбаева, HR эксперт карьерного центра karpov.cоurses, DevRel в Передовые Платежные Решения

[Зарегистрироваться]

Как сделать профиль в LinkedIn привлекательным для рекрутеров
Если вы ищете работу самостоятельно, вот несколько советов, которые помогут сделать профиль более заметным.

➗Используйте реальные данные
Поставьте свою фотографию в деловом стиле. Напишите настоящие имя и фамилию, без сокращений и псевдонимов. Сделайте персонализированную ссылку.

➗Уместите заголовок в 120 символов
Укажите должность, компанию, основные навыки. Добавьте ключевые слова, которые привлекают внимание: AI/ML, PhD, Data, Fintech, React.js, B2B. Пример: «Аналитик данных | Tableau, SQL, Python | Автоматизация отчетности в Fintech».

➗Подробно заполните профиль, чтобы чаще попадать в рекомендации
Отметьте страну и город, в котором хотите работать: часто приоритет отдают местным кандидатам. Остальные резюме автоматически отсеиваются.
Расскажите о своем образовании. В разделе «About» укажите основную информацию об опыте, стек и ключевые преимущества. Добавьте свои сильные стороны в Top Skills — рекрутеры используют их для фильтрации кандидатов.

➗Укажите опыт работы
Рассказывайте о результатах и достижениях, опираясь на цифры. Например «Разработал SQL-запросы для оптимизации отчетности, уменьшил время обновления данных с 40 минут до 5».

➗Перечислите навыки и добавьте тех, кто может их подтвердить
Отзывы от коллег, клиентов и партнеров добавят ценности профилю. Еще можно указать навыки и тегнуть коллегу, который сможет их подтвердить. Или пройти тест на LinkedIn.
Если хотите строить карьеру за рубежом, особое внимание уделите soft skills: командная работа, коммуникации, лидерство.

➗Поставьте значок Open to work на аватарку
Если поставить статус Open to work без значка, профиль будут видеть только рекрутеры с платной подпиской.
При настройке самого статуса добавьте максимальное количество позиций, локаций и типов работы.

➗Расширяйте сеть контактов
Если ищете работу, каждый день добавляйте как можно больше полезных контактов HR и нанимающих менеджеров
Регулярно пишите посты по профессиональным темам, делитесь чужими записями. Лайкайте и комментируйте интересные вам публикации, добавляйте их авторов в друзья.

И удачного трудоустройства!

Нет, детектив мы еще не написали. Сегодня разберем задачу, которая поможет новичкам понять, что такое p-value. Знаем, как сложно с ним бывает вначале.

Возьмем нечестную монетку — такую, для которой вероятности выпадения орла и решки не равны друг другу. Подбросим ее пять раз. Выпало четыре орла и решка? Бывает. Но если орел выпадет 99 раз из 100? Сомневаемся, что случайность. Вопрос в том, где проходит грань: когда можно более-менее точно сказать, что монета нечестная?

Для решения введём понятия нулевой и альтернативной гипотез. В статистике так называют предположения о том, что наблюдаемый феномен является или не является случайностью.

➗Нулевая гипотеза. Монетка честная, вероятность орла = 0.5, полученные результаты — чистое совпадение.
➗Альтернативная гипотеза. Монета нечестная, вероятность орла ≠ 0.5, наблюдаемые результаты «перекошены» и не случайны.

Определить, какая из гипотез верна, помогает p-value или p-уровень значимости. Он показывает, насколько необычен наблюдаемый результат, если нулевая гипотеза верна. Проще говоря, p-value — это вероятность получить такие или ещё более экстремальные результаты, при условии, что монета действительно честная.

Так выглядят вычисления:

Случай 🔤 — 4 орла из 5
Вероятность получить ровно 4 орла: P(A) = 5 / 32 = 0.15625. Но p-value учитывает все случаи такой же или более выраженной разницы, чем наблюдаемая, то есть 4 или 5 орлов: p-value = (5 + 1) / 32 = 0.1875 ≈ 19%.
Значит, что у честной монеты примерно в каждом пятом эксперименте мы бы получили похожий результат. Считать монету нечестной нет оснований.

Случай 🔠 — 99 орлов из 100
Вероятность получить ровно 99 орлов: P(B) = 100 / 2^100. Если учесть и 100 орлов, то p-value = (101 / 2^100) ≈ 10^(-28). Такой результат практически невозможен при честной монете.
Значит, мы отвергаем нулевую гипотезу и принимаем, что монета нечестная.

Подытожим
➗Большое p-value (например, 0.2) — наблюдаемый результат легко объясняется случайностью.
➗Маленькое p-value (например, 0.001) — результат слишком редкий, чтобы быть просто совпадением.
➗Когда p-value меньше установленного порога (обычно 0.05, 0.03 или 0.01),
говорят, что данные статистически значимы, и нулевая гипотеза отвергается.

А теперь признавайтесь, как у вас с p-value?
❤️ разобрался
🔥 все сложно