Симулейтив

⚡️ Через 10 минут начинаем! Вместе с Андреем Вильмовым показываем, как Apache Spark помогает обрабатывать миллионы строк и почему обычный скрипт перестаёт справляться — и разбираем, что делает дата-инженер, когда система работает медленно. Жмите на кнопку и подключайтесь к эфиру! 👀 👉🏻 Зарегистрироваться и подключиться к эфиру

Уже сегодня! Вебинар о профессии дата-инженера На открытом вебинаре познакомимся с одной из ключевых технологий Data Engineering — Apache Spark. Но не будем изучать её в отрыве от смысла. Сначала разберём бизнес-задачу, а затем посмотрим, как дата-инженер решает её на практике. Вы узнаете: ➖ Чем дата-инженер занимается каждый день; ➖ Когда обычного Python-скрипта становится недостаточно; ➖ Как обработка распределяется между несколькими компьютерами; ➖ Почему система может работать медленно даже при больших мощностях; ➖ Как находить проблемные места; ➖ Какие знания нужны, чтобы начать развиваться в профессии. Вебинар будет полезен тем, кто только присматривается к Data Engineering, и аналитикам, которые хотят лучше понимать путь данных. Предварительное знание Spark не требуется! 📆 Сегодня, 7 октября, 19:00 МСК 🎙 Андрей Вильмов — Data Engineer в IBS, экс-CTO «ПерилаГлавСнаб», экс-CEO и сооснователь FlowAI ⭐️ Зарегистрироваться 📈 Симулейтив | 📱 ВК | 📱 YouTube | 📱 Канал о DS

Проекты наших студентов ❤️ Сегодня покажем вам несколько примеров, которые лучше любых слов объясняют, что такое реальная аналитика для бизнеса: 🧑🏻‍💻 Анализ продаж сети продуктовых магазинов «Соседушка» 🧑🏻‍💻 RFM-анализ клиентской базы и товарный анализ аптечной сети 🧑🏻‍💻 ETL статистики учебного редактора IT Resume 🧑🏻‍💻 Построение аналитики для корпоративных клиентов IT Resume Эти проекты — и портфолио, с которым наши выпускники приходят к работодателям, и доказательство того, что наши студенты умеют создавать аналитические продукты. 🔥 Хотите так же? Приходите на наш курс «Аналитик данных»! За 10 недель вы научитесь не просто решать задачи, а становитесь частью команды, которая создаёт ценность из данных. ✅ Записаться на курс: simulative.ru/data-analyst 📈 Симулейтив | 📱 ВК | 📱 YouTube | 📱 Канал о DS

💻💻💻💻💻 для тех, кто присматривается к профессии дата-инженера! Когда данных немного, их можно обработать обычным Python-скриптом или даже вручную. Но что происходит, когда в базе уже миллионы строк, отчёты должны обновляться регулярно, а бизнес не готов ждать несколько часов? Здесь начинается работа дата-инженера. 7 октября Андрей Вильмов, Data Engineer в IBS, покажет, как компании обрабатывают большие объёмы данных с помощью Apache Spark. Разберём всё на понятном примере — знать Spark заранее не нужно. На вебинаре вы: ➡️ Узнаете, зачем бизнесу дата-инженеры и чем их задачи отличаются от работы аналитиков; ➡️ Увидите, почему обычные способы обработки перестают справляться и как большие задачи распределяются между несколькими компьютерами; ➡️ Поймёте, как команда понимает, что система работает медленно, и что можно сделать для ускорения; ➡️ Познакомитесь с профессией дата-инженера изнутри и сможете оценить, интересно ли вам развиваться в этом направлении. 🧑🏻‍💻 Спикер: Андрей Вильмов, Data Engineer в IBS, экс-CTO «ПерилаГлавСнаб», экс-CEO и сооснователь FlowAI 📆 Когда: 7 октября, 19:00 МСК ➡️ Зарегистрироваться на вебинар 📈 Симулейтив | 📱 ВК | 📱 YouTube | 📱 Канал о DS

#проанализировали_и_поняли

🐍 Библиотека Pandas для анализа данных Pandas — это мощный инструмент для анализа данных, который значительно упрощает работу с табличными данными. Благодаря возможностям чтения и записи данных, фильтрации, агрегации и обработки пропусков, Pandas становится незаменимым помощником для аналитиков и дата-сайентистов. В карточках мы подробно и на примерах рассмотрели основные функции библиотеки. 📌 Ноутбук с кодом А если вы хотите изучить Python для анализа данных до продвинутого уровня на 20+ задачах бизнеса, ждём вас на наших курсах: ⭐️ Аналитик данных за 10 недель ⭐️ Бесплатный курс по Pandas 📈 Симулейтив | 📱 ВК | 📱 YouTube | 📱 Канал о DS

⚡️ Через 10 минут начинаем! Андрей Вильмов уже на месте. Показываем, откуда на самом деле берутся данные: путь от источника до хранилища, что мешает цифрам сходиться и как аналитику ставить задачу дата-инженеру, чтобы её поняли с первого раза. Жмите на кнопку и подключайтесь к эфиру! 👀 👉🏻 Зарегистрироваться и подключиться к эфиру

💻💻💻💻💻 Откуда на самом деле берутся данные? На учебных задачах всё просто: тебе дают готовую таблицу и просят найти закономерности. В компании готовой таблицы может не быть — данные хранятся в разных системах, приходят с задержкой, содержат ошибки и проходят несколько этапов обработки, прежде чем аналитик сможет написать первый запрос. 1 октября вместе с Андреем Вильмовым разберём этот путь на реальном проекте — от источника данных до дашборда, которому можно доверять. На вебинаре вы: ➡️ Пройдёте путь данных целиком: откуда компания их получает, как они попадают в хранилище и что происходит с ними до появления в таблице аналитика; ➡️ Разберётесь, почему цифры могут опаздывать или расходиться, и что проверить у данных, прежде чем делать по ним выводы для бизнеса; ➡️ Узнаете, как ставить задачу на новые данные так, чтобы дата-инженер понял её с первого раза, и что мешает аналитику и технической команде говорить на одном языке; ➡️ Поймёте, что отличает аналитика, который просто пишет SQL и строит дашборды, от того, кому доверяют решения. 🧑🏻‍💻 Спикер: Андрей Вильмов, Data Engineer в IBS, ранее — CTO «ПерилаГлавСнаб», CEO и сооснователь FlowAI. 📆 Когда: 1 октября, 19:00 МСК ➡️ Зарегистрироваться на вебинар Записи не будет. Приходите на живой эфир! 📈 Симулейтив | 📱 ВК | 📱 YouTube | 📱 Канал о DS

⭐️ Топ метрик, которые должен уметь считать каждый аналитик Рекламные метрики — это не просто цифры в отчёте, а язык, на котором с вами говорит вся воронка. Но если не понимать, что стоит за каждой аббревиатурой, легко упустить момент, где утекает бюджет, и принять решение вслепую. Подготовили для вас методичку с разбором каждой метрики, формулами расчёта и реальным кейсом рекламной кампании — от показов объявления до оплаченной консультации. Что разбираем в материале: ✅ Чем Impressions отличается от Reach и почему это важно; ✅ На каком этапе воронки теряются деньги — на CR1 или на CR2; ✅ Какую метрику смотреть в первую очередь: CPL или CPQL. Обязательно сохраните методичку к себе, чтобы не потерять! ✅ Получить методичку 📈 Симулейтив | 📱 ВК | 📱 YouTube | 📱 Канал о DS

⚡️ Через 10 минут начинаем! Мария Жарова уже на месте! Показываем, как ML-инженер учит компьютер находить смысл в тексте: от простого статистического подхода до нейросетей — на задаче поиска похожих текстов. Жмите на кнопку и подключайтесь к эфиру! 👀 👉🏻 Зарегистрироваться и подключиться к эфиру

⭐️ Уже сегодня: как ML-инженер учит компьютер находить смысл в тексте Сегодня покажем профессию ML-инженера изнутри и решим реальную задачу — поиск похожих текстов, даже если в них использованы разные слова. На одном понятном примере увидим, как ML превращается в функцию знакомого цифрового продукта. Эфир подойдёт новичкам: предварительное погружение в ML не требуется! 📆 Сегодня, 29 сентября, 19:00 МСК ➡️ Не пропустить вебинар 📈 Симулейтив | 📱 ВК | 📱 YouTube | 📱 Канал о DS

#проанализировали_и_поняли

💻💻💻💻💻 Как работает ML-инженер — на примере поиска похожих текстов Пользователь вводит запрос своими словами, а в карточке товара — совсем другие формулировки. Но поиск всё равно должен понять, что речь об одном и том же товаре. Простого совпадения слов для этого недостаточно — нужно, чтобы компьютер научился работать со смыслом текста. 29 сентября вместе с Марией Жаровой, ML-инженером в команде рекомендаций Wildberries, разберём профессию и сразу проверим её на практике: решим задачу поиска похожих текстов — механику, которая лежит в основе поиска, рекомендаций и умных подсказок. На вебинаре вы: ➡️ Узнаете, чем занимается ML-инженер каждый день — от постановки задачи и экспериментов до внедрения модели в продукт; ➡️ На практике решите задачу поиска похожих текстов: подготовите данные, проверите простой статистический подход и найдёте его ограничения; ➡️ Увидите, что меняется при переходе к нейросетям — и почему более сложное решение не всегда самое подходящее; ➡️ Поймёте, подходит ли вам эта работа — искать закономерности, ставить эксперименты и превращать их в рабочие решения.

🧑🏻‍💻 Спикер: Мария Жарова, ML-инженер в команде рекомендаций Wildberries, ментор курса «Дата-сайентист».

📆 Когда: 29 сентября, 19:00 МСК ➡️ Зарегистрироваться на вебинар 📈 Симулейтив | 📱 ВК | 📱 YouTube | 📱 Канал о DS

⚡️ Через 10 минут начинаем! Валерия Елпатьевская уже на месте. Показываем, как собрать ETL-пайплайн на данных GitHub: получаем репозитории, коммиты и языки программирования, очищаем, загружаем в DuckDB и строим дашборд. Жмите на кнопку и подключайтесь к эфиру! 👀 👉🏻 Зарегистрироваться и подключиться к эфиру

Сегодня собираем ETL-пайплайн на данных GitHub — от источника до дашборда Сегодня в 19:00 покажем, как данные проходят путь от внешнего сервиса до базы и готового дашборда на реальном источнике, GitHub. Валерия Елпатьевская, инженер данных в Альфа-Банке, разберёт: ➖ Extract — как получить данные о репозиториях, коммитах и языках программирования; ➖ Transform — как их очистить и преобразовать; ➖ Load — как загрузить результат в локальную базу DuckDB; ➖ Как собрать из этого дашборд и какие выводы можно сделать по данным GitHub. Пройдём весь пайплайн не в виде схемы на слайде, а через работающий код и конкретный результат — заодно разберём, чем рабочий пайплайн отличается от кода в одном Jupyter Notebook.

Эфир подойдёт тем, кто хочет познакомиться с Data Engineering, и аналитикам, которым интересно научиться самостоятельно собирать данные для анализа!

📆 Сегодня, 25 сентября, в 19:00 МСК ➡️ Не пропустить вебинар 📈 Симулейтив | 📱 ВК | 📱 YouTube | 📱 Канал о DS

💻💻💻💻💻 Собираем ETL-пайплайн на данных GitHub Как данные проходят путь от внешнего сервиса до базы и готового дашборда? 25 сентября разберём этот процесс на практике вместе с Валерией Елпатьевской, инженером данных в Альфа-Банке. Возьмём GitHub как источник: получим данные о репозиториях, коммитах и языках программирования, обработаем их и загрузим в локальную базу DuckDB. На вебинаре вы: ➡️ Пройдёте весь ETL целиком: Extract — получите данные из источника, Transform — очистите и преобразуете, Load — загрузите в базу; ➡️ Увидите классическую задачу дата-инженера через работающий код и конкретный результат; ➡️ Построите дашборды и посмотрите, какие выводы можно сделать из данных GitHub; ➡️ Поймёте, чем рабочий пайплайн отличается от кода в одном Jupyter Notebook, и как разбить обработку на отдельные скрипты.

Подойдёт и тем, кто хочет познакомиться с Data Engineering, и аналитикам, которым интересно научиться самостоятельно собирать данные для анализа.

🧑🏻‍💻 Спикер: Валерия Елпатьевская, инженер данных в Альфа-Банке, ментор курса Симулейтив «Инженер данных». 📆 Когда: 25 сентября, 19:00 МСК ➡️ Зарегистрироваться на вебинар 📈 Симулейтив | 📱 ВК | 📱 YouTube | 📱 Канал о DS

⚡️ Через 10 минут начинаем! Павел Беляев уже на месте. Показываем, как устроена работа аналитика в среднем бизнесе на примере Яндекс eLama: путь данных от сбора до решений, жизненный цикл витрины и стек команды от ClickHouse и Airflow до DataLens. Жмите на кнопку и подключайтесь к эфиру! Записи не будет 👀 👉🏻 Зарегистрироваться и подключиться к эфиру