Поступашки - ШАД, Стажировки и Магистратура

Как аналитику не превратиться в ии-макаку В работе ты будешь в огромном количестве использовать LLM и я на личном опыте уже сейчас вижу, как много ребят выходят с джун позиций с почти нулевыми знаниями, не могут 2 + 2 сложить без гпт. В посте разберем как правильно пользоваться ГПТ и контролировать свой нейрослоп, чтобы не превратиться в ии-обезьяну. Кстати, помним про наш сайт с базой пет проектов, собесов, тестовых заданий и роадмапов. 1. Сначала думай сам, потом подключай LLM Главное правило: перед моделью должна быть собственная попытка хотя бы на идейном уровне, даже если это ad hoc задача для умственно отсталых. Сначала сам сформулируй бизнес-проблему, метрику, гипотезу, нужные данные и возможные ограничения. Только после этого подключай LLM как помощника, для реализации рутинности (но здесь стоит отметить, что иногда и рутинность бывает полезно самому поделать). Если идти к модели сразу, она забирает самую ценную часть опыта - борьбу с неопределённостью (в особенности это очень важно в задачах аналитика, ведь все кейсы начинаются практически с пустого листа, и используя ллм ты именно эту творческую часть упускаешь, которую в последствии будут требовать от тебя на более старших позициях). 2. Используй LLM как ревьюера, а не автора LLM лучше всего помогает не тогда, когда пишет за тебя, а когда критикует твою логику, более того именно на этих этапах и начинается самая полезная практика для твоего развития, ведь здесь тебе ллмка может подсказать новые методы/важные ошибки и впоследствии ты будешь их уже потом самостоятельно применять. То есть лучше подступать так: сначала напиши свой SQL, вывод или план анализа, а потом попроси модель найти слабые места: ошибки в логике, проблемы с данными, слишком сильные выводы, альтернативные объяснения и риски для интерпретации. 3. Не отдавай модели базовые навыки Если ты учишь/чувствуешь пробелы в каких-то из этих навыков: SQL, Python, статистику или A/B-тесты - не проси LLM полностью делать это за тебя. На этапе обучения модель должна объяснять ошибки, давать обратную связь и помогать разобраться. Когда база уже есть, её можно использовать как ускоритель рутины. Автоматизировать безопасно только то, что ты хотя бы базово можешь сделать сам. 4. Любой ответ LLM - это гипотеза Даже несмотря на все эти сильные бенчмарки, ллмка по-прежнему часто пытается загнать лажу, особенно, если дело касается реальных кейсов, а не теоретической задачи. Поэтому её ответы нужно проверять: корректна ли методология, не сломались ли данные, нет ли дублей или смещений, можно ли делать такой вывод и какие есть альтернативные объяснения. К слову, эта проверка зачастую осуществляется простыми распросами вида: докажи то/докажи это, объясни подробнее. То есть если видны какие-то сомнительные моменты необходимо их самостоятельно как-то проинтерпретировать, либо же провалидировать дополнительными распросами. Резюмирая можно выделить главный принцип в работе с ллмкой: LLM должна увеличивать количество практики и качество обратной связи, но не уменьшать количество собственного мышления. Если после работы с LLM ты стал быстрее и самостоятельнее в тех задачах, для которых ты ее использовал - ты используешь её правильно. Советую глянуть это исследование, там прямо наглядно рассказано почему может снижаться самостоятельность, а в этом исследовании ллмка выступала в роли учителя как раз. Наш чат. @postypashki_old

Как зарабатывать лям в месяц: реалии 2026 года Правила игры сильно изменились за последнее время. Старые стратегии в духе валютных удаленок уже не работают так хорошо - валюта ослабла и пока идет тренд на снижения. Скажем 10к$ с нескольких работ = 700к деревянных + нужно учесть налоги + учесть конвертацию валюты в рубли и расходы на вывод денег в РФ + оптимизировать это становится сложнее. Да и вообще работать из России становится сложнее из-за вводимых "ограничений для защиты граждан", зарубежные конторы на фоне этого приостанавливают найм в РФ, а релокация подходит не всем. Да и вообще релокация - другая опера, которую нужно разбирать отдельно. Поливоркинг хорошо работал раньше, когда в айтиху вливались деньги, были амбициозные планы создать отечественные аналоги всего. Поэтому было куча проектов, команд, где можно было нифига толком не делать и спокойно получать зарплату. Сейчас же менеджмент сосредоточен на "повышении эффективности", активно пересматривается система ревью. Как следствие видим массовые сокращения. О них в будущих постах. Конечно, работать на двух работах можно и сейчас, только теперь это чисто физически сложно и приходится реально пахать и запариваться с оптимизацией. Что реально приносит деньги: 1. Идти AI Engineer'ом в Сбер/WB и получать 600к-1000к на руки, присасываясь к "передовым проектам" в духе GigaChat, в которые вливаются деньги, и все, что рядом с ними. Да, таких позиций немного, но можно начать с менее амбициозных ai проектов с зп 300 тыс, набраться опыта, держать руку на пульсе, а когда хорошее место освободится, уже прыгнуть в топ. 2. Уходить в руководство (500-700 - Team Lead/Product Owner, Leader of Tech Lead от 1,2 млн., CTO от 2 млн), и становится C-level'ом в корпорации. Обычно такого достигают при наличии десятка лет опыта в айти на ведущих позициях и то при наличии определенного характера и таланта. Но нужно признаться, что нагрузка и конкуренция очень высокая. 3. Становится контрактором и работать на несколько организаций через ИП. По причинам описанным выше это сложно, но можно рассмотреть, если вам себя вообще не жалко. И эта история не про быстрый взлет: нужно сначала освоиться на одной работе, оптимизировать свои процессы, а потом уже искать вторую. При этом нужно реально запариться с поиском, включить "нетворкинг" - холодные отклики сейчас работают плоховато, основной поток офферов идет через рекомендации. Главное какой вывод нужно сделать, что рынок не стоит на месте, появляются новые тенденции и что работает сегодня, уже может не работать завтра. Поливиоркинг и валютные удаленки 5 лет назад были реально темой, которую можно было абузить - сейчас же пережиток времени. Но, что остается с вами - это образование, фундамент, навыки и компетенции, желание расти профессионально. Поэтому в это и нужно вкладываться, в свои фундаментальные показатели, тогда ваша ценность на рынке будет обоснована. Именно эти фундаментальные показатели будут аргументом на собеседовании, когда возникнет вопрос, почему вам нужно жать оффер на +40% больше, чем на прошлом месте работы. Подписывайся: @chad_protocol

Собеседование в Авито (DS) Скоро откроется набор, держим руку на пульсе и мониторим наш сайт со стажировками. Сам отбор стандартный: тест, задание и собес. Интерес представляет собес. Его записал наш выпускник, транскрибировав видео через ИИ-ку. Советую для самоанализа делать также, ибо все собесы не запомнить. Еще больше подобных собесов и вопросов в нашем открытом банке собесов. Общие вопросы по опыту 1. Расскажи, чем ты занимаешься? Какие сферы тебе особенно удаются? 2. Можешь подробнее рассказать про задачи, которые ты выполнял? 3. В чат-боте: какая сектора использовалась, какая моделька, и какие этапы обработки запросов? 4. А моделька какая? Почему выбрали вихрь, а не Qwen? 5. Чем вы разворачивали модель? Использовали OEM или что-то другое? 6. У тебя агентная система или просто одна LLM? 7. Как вы учитывали контекст диалога пользователя с LLM? Архитектура и компоненты RAG-системы 1. Какой эмбеддер вы использовали? 2. Как организован ваш retrieval (BM25, FAISS и т.п.)? 3. Что использовали в качестве реранкера? Дообучали ли вы его? 4. Какие лоссы применялись при обучении эмбеддера и реранкера? 5. Какие метрики вы использовали для оценки качества retrieval и ранжирования? 6. Как замеряли качество генерации LLM? Оптимизация и ускорение инференса 1. Какая скорость инференса была? 2. Рассчитывали ли вы нагрузку на систему? 3. Какие подходы ты бы использовал для ускорения инференса? 4. Включали ли вы KV cache? 5. Расскажи, как работает квантизация и дистилляция? Чем они отличаются? Fine-tuning и PEFT 1. Какие методы тюнинга существуют? Чем они отличаются? 2. Что такое LoRA, QLoRA, Prompt Tuning, P-Tuning? 3. Как устроена LoRA и как она встраивается в LLM? 4. Чем отличается QLoRA от обычной LoRA? Моделирование и системный дизайн (разрешительная документация) 1. Как бы ты решал задачу сопоставления карточки товара и разрешительной документации? 2. Что на выходе должно быть? Что сказать модератору? 3. Что делать, если в разрешительной документации много строк? 4. Как обработать названия и параметры шин? 5. Как бы ты находил маски (форматы) параметров шин? 6. Какой preprocessing ты бы использовал? 7. Как построить pipeline, где маски уже извлечены? 8. Как построить бинарный фильтр для соответствия товарной группы документации? 9. Как бы ты агрегировал финальное решение? Классическое ML 1. Занимался ли ты классическим ML? Какие задачи решал? 2. Как строится решающее дерево? 3. Какие критерии ветвления и остановки знаешь? 4. Какие методы ансамблирования моделей знаешь? 5. Чем отличается Random Forest от бустинга? 6. Что произойдет, если удалить одно дерево в бустинге и в Random Forest? 7. Что такое теорема Байеса? Как выглядит её формула? Подписываемся: @postypashki_old

Успейте зарегистрироваться: 14 июня закрывается прием заявок на Young Con — масштабный фестиваль Яндекса о технологиях и старте карьеры в ИТ Всё произойдет 25 июня в московской Live Арене. На главной сцене HR-директор Дарья Золотухина, СЕО Алисы Валерий Стромов и другие спикеры поделятся личным опытом и подскажут, как начать свой карьерный путь. К ним присоединится приглашенный хедлайнер Евгений Попадинец, автор популярного YouTube-канала Utopia Show с 6 млн подписчиков, который расскажет о том, как любопытство может привести к успеху. Параллельно будет работать специальная МУЗ-ВУЗ сцена со студенческими музыкальными группами: ведущим сцены станет шоумен и музыкант Александр Пушной, а хедлайнер «Тима ищет свет» сыграет вместе со студ бэндами, которых со всей страны отбирали музыкальные эксперты. В течение всего дня школьники, студенты и начинающие специалисты смогут проверить силы на пробных собеседованиях, пройти карьерные консультации, пообщаться с нанимающими командами и посетить интерактивные зоны технологий и сервисов компании. Завершится фест лайвом от Toxi$. Полную программу можно посмотреть на сайте. Регистрация открыта только до 14 июня — всего 9 дней, чтобы успеть подать заявку.

Рынок МЛ 2026 Идут последние 6 часов финальной распродажи карьерных курсов. В после же обсудим актуальные вакансии и чем предстоит заниматься в каждой. 1. MLOps/DE Что то среднее между ML и Backend/Инфрой. Как специалист будешь настраивать пайплайны обработки данных, писать реакции для запуска пайплайнов и делать весь dataflow в команде. Занимают примерно 20% всего рынка. Многие компании выдают ML вакансию, но на деле это MLOps. 2. ML-classic Engineer Внедрение моделей классического ML: скоринг, прогнозирование, рекомендации, классификация, ранжирование, антифрод, churn, uplift и т.д. Частая вакансия во всяких банках у нас в РФ, также в маркетплейсах почти во всех - короче в целом неотъемлемая часть бизнеса, в которой ты и сам будешь достаточно сильно касаться бизнесовой состовляющей проекта. Все, что связано с рекомендашками идет туда же). Доля рынка - примерно 25-30%. 3. Data Scientist / Applied Scientist / Аналитик данных Анализирует данные, строит гипотезы, делает prototyping моделей, подбирает промпты, делает DSAT, запускает разметки. Чаще всего можно найти у продуктовых компаний, ритейлов, банков, сервисов подписок, маркетинговых фирм. Тоже, примерно 15-20% рынка. 4. DL Engineer / CV/NLP Engineer Разрабатывает и внедряет deep learning модели: CV, NLP, speech, LLM-based решения. В целом есть в известных бигтехах и прочих маленьких компаниях, где занимаются робототехникой / всякими разработками для промышленных предприятий (условно расположить детекторы на производстве для детекции саботажа / детекции невыполнения норм труда). Сейчас в России примерно 10-15 процентов. 5. AI Engineer / LLM Engineer / GenAI Engineer Строит AI-продукты вокруг foundation models: LLM apps, copilots, agents, RAG, prompt pipelines, tool use, orchestration. Очень часто путают с ML разрабом из-за обманчивого названия. На деле - забущенный / ML-специализированны Backend разраб, который вместо продуктовых ручек ходит в LLM и настраивает нагрузку, специализировано по модели. 8-12 процентов ML-рынка. 6. DL Research Engineer / RnD ML Engineer Находится между research и engineering: реализует и масштабирует новые DL-идеи, повторяет статьи, обучает большие модели, доводит research до production-grade прототипа. По моему скромному мнению - самая интересная вакансия, но и не самая популярная пока что у нас в стране. Много во всяких Sber/AIRI/какие то команды Яндекса/прочие компании с RnD отделами. Зарубежом популярная вака в OpenAI/Anthropic/Meta/GDM/etc. Наверное, не более 5-8 % рынка. 7. Research Scientist Ччень идейная работа на написание статей (часто мусорных) и новых идей. Вакансия в общем, популярна в академической среде либо в очень богатых бигтехах по типу Google (GDM) / Yandex (Yandex Research, хотя они отчасти и чем то, подобным п.6 занимаются) / Sber (да знаю я, что AIRI - не Сбер 😁). Опять таки, не более 2-5% рынка. 8. Data Annotator / Разметчик данных / AI Trainer / RLHF Specialist Готовит обучающие данные, размечает датасеты, оценивает ответы моделей, помогает улучшать качество AI-систем. В целом очень недооценненая, но при этом реально важная профессия на рынке труда ML. Сейчас на самом деле в разметку много денег уходит, придумываются умные и новые пайплайны запусков разметок и оптимизации всего этого дела. Долю мне сложно оценить, но разметчиков, специалистов по запуску разметок сейчас много. 9. Efficient DL Engineer Уже около инфра, но все равно есть жесткая связь с ML. Специалисты пишут всякие умные тритон/cuda ядра по определенный тип железа для определенных операций, оптимизируют инференс и завозят это все прямиком из статей. Это все таки отчасти подобласть Research/Research-Engineer и есть какая-то связь с AI Engineer (тоже приходится работать с балансерами иногда и тд). Это очень маленькая часть рынка, пока что думаю не более 1%. Сейчас активно развивается в штатах, предлагают какие-то космические деньги (видел вакансии в антропиках/openai/nvidia с зп до 600к бачей без учета премий). @zadachi_ds

Финальные скидки на карьерные курсы! Товарищи, специально для вас открываем доступ на линейку карьерных курсов по A/B-тестам, Data Science и Data Engineering со скидкой 40%! Курсы подойдут всем, кто хочет прокачаться уверенно проходить интервью в топовые компании, решать реальные рабочие задачи. Вы научитесь решать задачи с реальных отборочных, поймете, как уверенно отвечать на вопросы интервьюера, сделаете пет-проект и пройдёте mock интервью, а также получите помощь с оставлением резюме, с испытательным сроком. Что входит в каждый курс:

🔵Разбор контеста стажировки в Яндекс 🔵ДЗ и пет-проект с обратной связью от преподавателя 🔵Банк заданий и вопросов с собеседований в BigTech 🔵Пробный тех.собес с обратной связью от эксперта 🔵Поддержку на всех этапах отбора: от составления резюме до испытательного срока

📌 Распродажа 40% действует только до 4 июня включительно Цена за 1 курс - 10 950 6 950 ₽ При покупке от 2-х курсов - 9 650 6 450 ₽ за курс При покупке от 3-х и более - 9 150 5 950 ₽ за курс Гарантия возврата: если выполнишь все рекомендации и не получишь оффер - вернём деньги. Отзывы доступны здесь ➡️Советуем не затягивать. Для вопросов и записи на курсы напишите менеджеру

Самые интересные события в ближайшее время. Все подобное вы можете обсудить в комментариях под этим постом или в нашем чате. 1. Стажировка Т-банк Для участия нужно заполнить анкету и решить экзамены 29 июня - 5 июля на ограниченное время. Как пройти на стажировку обязательно смотрим здесь. 2. Стажировка Яндекс Продолжается главная стажировка сезона (задания тут). Для участия нужно решить вступительных контест, обычно достаточно 2/3, задания и материалы тут. Разбор заданий уже выложен на наших курсах. ➡️ Записаться. Как гарантировано пройти на стажировку обязательно смотрим здесь. 3. Стажировка Авито На аналитику. Для участия нужно подать заявку до 4 июня, выполнить тест, видеоинтервью, полный цикл отбора от выпускника наших курсов здесь. Просьба от админа к организаторам: сделайте пожалуйста централизованные отборы на все направления по примеру Т-банка. 4. Сбер Для участия нужно заполнить анкету, через какое-то время придет тестовое (пример тут) или свяжется HR и задаст стандартные вопросы по мотивации и технической части: в духе, сколько в гигабайте килобайт. Как пройти на стажировку обязательно смотрим здесь. 5. VK В самом начале выбираете вакансию: не только направление, но и команду. Можно выбрать до двух вакансий. Далее ждет тестовое задание, на каждую вакансию оно разное. Отметим, что много вакансий с гибким графиком. Отзыв о ВК здесь. 6. Контур DS и бэкенд Набор откроется в июне. Офисы в основном находятся в регионах, но много сотрудников работают из разных точек земного шара. Для стажеров организовывают релокейт. Для участия как всегда подаем заявку с анкетой, выполняем тестовое и ждем ответ. 7. Райффайзенбанк Вакансий обычно немного, поэтому не печальтесь, если сразу придет реджект. Попытаться стоит, но как всегда заполняем анкету с умом: пишем старшие курсы, город Москва и тд. 8. Академия Аналитиков Авито Набор откроется в июне. Задания для старшекурсника топ вуза простые, главное трудность — ограничения по времени. Задания становятся чуть-чуть сложнее с каждый годом, из-за растущей популярности и конкуренции, ибо программа реально крутая, но похоже организаторы не планируют в этом году резкую смену формата отбора и усложнений заданий. Также не забываем мониторить вакансии по компаниям, которые указаны тут. Еще помним про сезонные школы, за которыми удобно следить тоже на нашем сайте. @postypashki_old

Этим летом пройдет бесплатный студкемп по компьютерному зрению от Яндекс Образования и Томского политеха Очный интенсив пройдет в Томске, с 10 по 23 августа. За это время познакомитесь с современными методами компьютерного зрения, решите прикладные задачи на стыке ИИ и науки, узнаете, как проектировать универсальные модели для работы с изображениями и текстом. А ещё будете слушать лекции инженеров Яндекса и исследователей ТПУ, работать над собственным прикладным проектом. Станете частью комьюнити студентов, ML-специалистов и исследовательских групп со всей страны. Яндекс Образование оплатит дорогу и проживание всем, кто пройдет отбор. Здесь сразу совет. Если решите делать тестовое, подтяните Python, основы ML/DL, линейную алгебру, теорию вероятностей и матстат, а также базовые библиотеки: numpy, pandas, PyTorch, OpenCV. Узнавайте подробности и регистрируйтесь по этой ссылке. Заявки принимают до 14 июня

Data Science МТС От выпускника наших курсов, которые давно устроился в штат, продолжаем тему рынка команд ML. Далее представлен слегка отредактированный текст нашего выпускника. Платформенный трек: масштабируемые решения

Помимо продуктовых команд, в МТС есть так называемый платформенный трек. Здесь разрабатываются универсальные решения, которые применяются в разных продуктах компании. Например, системы рекомендаций и поиска используются в KION, МТС Музыке, Travel и других сервисах. Также в платформенном треке создаются модели динамического и персонализированного ценообразования, которые применяются в РТК, интернет-магазине МТС и телеком-направлении.

Скоринг и работа на внешний рынок

Отдельная платформа - скоринговая система, предназначенная для внешних заказчиков: страховых компаний, банков, маркетплейсов и МФО. Она предоставляет результаты моделей для оценки клиентов, а также помогает обнаруживать случаи социальной инженерии и в реальном времени предупреждать банки о попытках мошенничества.

Кто занимается платформами: отличие ролей

Разработкой платформенных решений занимаются отдельные команды, состоящие в основном из Machine Learning Engineers, а не дата-сайентистов или аналитиков.

Роль ds-ера на всех этапах

Дата-сайентист, создающий модель, всегда остаётся в процессе от начала до конца. Он участвует в презентации результатов, как и Product Owner, а в сложных ситуациях - выходит на первый план. Если возникают вопросы, которые требуют глубокого понимания модели, именно дата-сайентист объясняет логику и механику её работы.

Работа организована по продуктовым вертикалям

В МТС дата-сайентисты распределены по так называемым продуктовым вертикалям, сосредоточенным на решении конкретных бизнес-задач ex., команда телеком-направления занимается оптимизацией размещения базовых станций для улучшения покрытия и поддержания качества связи. также они решают задачи по предотвращению оттока клиентов, управлению скидками, персонализации предложений и прогнозированию CLTV.

Рекламные технологии и работа с медиапланами

Отдельный кластер - рекламная платформа. Здесь дата-сайентисты работают с системами размещения рекламы: DSP-платформами, SMS-рассылками, цифровыми баннерами, ретаргетингом и др. Их задачи включают автоматизацию закупки рекламы, выполнение медиапланов, управление рекламными потоками и оптимизацию рекламных кампаний.

Финансовые продукты и антифрод

Некоторые специалисты сосредоточены на задачах из других бизнес-областей: МТС Банк, страхование, борьба с мошенничеством и спамом, управление рисками, улучшение клиентского опыта и др. Всего таких вертикалей более десяти, и каждая имеет свою специфику.

Data scientist в продуктовой команде

Идёт активное взаимодействуе с бизнесом, особенно с владельцем продукта, который отвечает за его коммерческий успех. С технической стороны над задачей работают Chief Product Officer, Product Owner, инженеры, аналитики и дата-сайентисты. При этом ответственность за результат перед бизнес-заказчиком несут только двое: CPO и дата-сайентист. Последний регулярно участвует во встречах, объясняет, как работает модель.

Коммуникация как часть профессии

Из-за высокой вовлечённости в бизнес-процессы дата-сайентист становится ключевым коммуникатором между технической частью и бизнесом. Он напрямую общается с топ-менеджерами, в том числе с вице-президентами. Даже специалисты уровня junior и middle нередко участвуют в таких встречах, презентуя свои решения и объясняя их влияние на бизнес. Это требует высокой ответственности, но также даёт доступ к важным процессам и ускоряет профессиональный рост.

Подписываемся: @postypashki_old

Академия Аналитиков Авито (2026) Набор откроется в июне. Сейчас же пост от выпускника наших курсов, который уже закончил ААА по треку аналитика и устроился в штат Авито. Далее представлен слегка отредактированный текст нашего выпускника. А если хотите тоже поделиться своим опытом, пишите @vice22821. Актуальность В ААА учат только тому, что будет нужно на работе или для ее поиска. На семинарах и занятиях решаются исключительно прикладные задачи, а данные и ситуации взяты из реальных кейсов. В рамках домашек и проектов дадут поработать с инструментами Авито(например, для курса визуализации студенты пишут витрины данных и создают дашборды в Авитовсоком Redash’е). Особенно хочется выделить курсы метрик и решения кейсов, так как на них действительно прокачается продуктовое видение и бизнес-сенс. На этих курсах тимлиды и хэды аналитики максимально погрузят вас в предметную область, научат решать прикладные задачи аналитика(например, построение дерева метрик или решение сложного кейса по запуску продукта).В академии вы поймете, чем действительно занимаются аналитики разных областей, и сможете выбрать интересные для вас области для будущей работы, благодаря чему слова от HR по типу антифрод, ML Autotasking, SE не будут для вас просто набором букв. Преподаватели Преподают в ААА исключительно действующие эксперты предметной области, в основном как минимум Senior-уровня(часто, TL, Lead и Head аналитики). На все лекции и семинары я ходил с огромным интересном, ведь настолько прикладной и действительно нужной в работе информации, оформленной в красивейшие презентации, в открытом доступе просто не найти. Более того, преподаватель всегда ответит на любой ваш вопрос и сделает все, чтобы вы поняли ответ(даже если вы спросите про Афинное преобразование). На этом плюсы не заканчиваются, ведь во время обучения в ААА у студентов есть доступ к рабочему мессенджеру Авито, в котором можно задать вопрос любому преподавателю(в 99% Вы получите ответ, даже если писать аналитикам самых топовых позиций). Статистика и эксперименты Особого упоминания, безусловно, достойны курсы статистики и экспериментов, для которых были записаны лучшие лекции по прикладной статистике от Тимура Мерлина, а лидом курсов является Дима Лунин, написавший крутейшие статьи про A/B тесты. В курсе идеально сочетаются теоретические выкладки и прикладные задачи, причем упор, безусловно, сделан на практическую часть. Крутейшие преподаватели курса передают студентам правильную аналитическую культуру(проверки результатов, валидации критериев, правильной интерпретации и презентации результатов, полученных из сложной математики), развеивают мифы, которые есть в аналитическом комьюнити(например, про логарифмирование метрик и Манна-Уитни), учат сэтапить сложные A/B тесты. После данных курсов вряд-ли найдется задача, с которой студент не будет знать, что делать, а на собеседованиях по A/B вы будете чувствовать себя боссом. Карьера Минимум раз в месяц студентов ждут встречи, посвященные софтам(презентация результатов, общение с заказчиками, планирование), будет несколько встреч, посвященных трудоустройству, на которых даются действительно дельные советы. К тому же, во время обучения к каждому студенту прикреплен ментор, с которым можно встречаться по обговоренному графику, лично я на таких встречах решал с ментором кейсы и задания с собеседований, что сильно забустило мой навык прохождения собеседований. Самое время напомнить, что обучение в ААА абсолютно бесплатное. @postypashki_old

Последний звонок позади, скоро ЕГЭ, а значит время активировать свою суперсилу! ⚡️ Образовательный кредит от Сбера с господдержкой делает топовое образование доступным ● 3% - полная стоимость кредита ● Пока учишься, платишь только проценты. Основные платежи через 9 месяцев после выпуска ● Срок до 15 лет ● Нужен только паспорт и договор с учебным заведением А ещё, оформив кредит, ты можешь получить шанс выиграть 120 000 бонусов Спасибо. Оформи заявку онлайн и забирай свой шанс!

Какие задачи решает Go-разработчик Голанг, известный как язык стартапов, давно вышел за пределы стартапов и занял свою нишу в бигтехах по всему миру. Причины успеха: простой синтаксис, а значит возможность быстрого перехода, строгая статическая типизация, эффективное управление памятью встроенным сборщиком мусора, встроенные примитивы для работы с конкурентностью. Go вобрал в себя преимущества компилируемых и скриптовых языков, сочетая высокую производительность и скорость разработки. Звучит круто? Тогда предлагаю пройтись по задачам, которые решает Go: Инфраструктурные инструменты и автоматизация За счёт компиляции в один бинарный файл (=> лёгкое распространение между серверами) Go часто заменяет Python и Bash в задачах, направленных на управление инфраструктурой и автоматизацию рутины. Это может быть, например, написание CLI-утилиты для разворачивания тестового окружения одной командой, генератор конфигов или парсер логов для быстрого нахождения ошибок. К примеру, в Т-Банке гошники разрабатывают платформу разработки Spirit, которая помогает командам быстрее выпускать решения на рынок. А в VK - пишут установщик enterprise решений для бизнес-платформы VK Workspace, а также автоматические переключатели БД, автофайловеры и т.д. Облачная и сетевая инфраструктура Благодаря высокой производительности и легковесным горутинам, Go эффективно используется в тех частях системы, которые управляют облаком или взаимодействуют с ним в рантайме, когда важны скорость отклика и доступность. На нём пишут высоконагруженные прокси-серверы, балансировщики трафика, SDN-решения. Например, в Яндекс.Облаке на Go строятся системы для сетевой связности (NAT, балансировщики и др.). Группа сетевой истины разрабатывает сервисы, управляющие сетью десятков тысяч коммутаторов и маршрутизаторов, а группа высокопроизводительной обработки трафика обеспечивает сетевую связность всех сервисов Яндекса. Сюда же относится и построение сетевой инфраструктуры для доставки контента (CDN). Микросервисы и бэкенд На данный момент Go - один из основных языков микросервисной архитектуры и главный конкурент Node.js. Компиляция в машинный код обеспечивает высокую производительность и быстрое время запуска, что жизненно важно для микросервисов, обрабатывающих огромное кол-во запросов, а горутины и каналы позволяют без лишних страданий создавать асинхронные микросервисы. Go отлично подходит для построения высоконагруженных систем, когда сервис обрабатывает миллионы запросов в секунду, а задержка может стоить реальных денег: Финтех: биржевые торговые платформы, онлайн-аукционы, антифрод-системы и т.д. В Т-Банке на Go пишут сервисы для Т-Инвестиций. В целом, в банковской сфере по всему миру растёт тенденция к использованию Go. Медиа и соцсети: в Яндексе на Go строятся платформы для Кинопоиска, Музыки и Телемоста. А в VK распиливают монолит на новые go-сервисы, например, для работы со статистикой авторов или простановки лайков. AI-инфраструктура Пока Python незаменим для разработки и обучения моделей, на Go пишутся обёртки для них: сервисы инференса, оркестраторы для запуска ML-пайплайнов, высоконагруженные API, дёргающие модели в бэкенде. В Т-Банке, например, это платформы, помогающие быстрее разрабатывать ML-модели и внедрять их в бизнес-процессы компании, а также упрощающие развертывание и обслуживание, CV-сервисы для автоматизации документооборота, платформа для генерации и обработки изображений. Что по перспективам? Пока что сообщество гошников сравнительно не такое обширное, но в нём много опытных разрабов, пришедших c многолетним опытом программирования на других языках. И это может стать проблемой для новичков, которые обнаружат, что при всей хайповости языка подходящих вакансий гораздо меньше, чем хотелось бы. Но взгляните на Авито, сейчас Go - ключевой язык компании и его популярность в индустрии, определённо, растёт. Иными словами, вы можете получить ощутимое преимущество, зная Go и имея проекты на нём в своём портфолио, даже если подаётесь на другое направление. @postypashki_old

Хочешь летом не просто залипать в телефон, а залететь в реальный продуктовый движ? Сбер открыл набор на «Продуктовый марафон» — оплачиваемую стажировку для школьников 15-17 лет. Что тебя ждет: ⚡️ реальные кейсы ⚡️ менторы из Сбера ⚡️ опыт работы с настоящими экспертами бизнеса ⚡️ формат очный – в главном офисе Сбера в Москве ⚡️ сертификат и подарки За 5 недель разберешься, как создаются сервисы, которыми пользуются миллионы. А еще твои идеи могут стать реальным стартом для больших изменений. Заполняй заявку, выполняй тестовое и врывайся

Лайфаки для МЛ собесов в Яндекс От выпускника наших курсов, которые давно устроился в штат и стал даже "сертифицированным собеседующим в Яндекс". Далее представлен слегка отредактированный текст нашего выпускника. А если хотите тоже поделиться своим опытом, пишите @vice22821. Подаваясь в Яндекс важно понимать, что ваш грейд во многом, помимо вакансии, еще и определяется уровнем того, как вы проходите собесы. Если вы собеситесь на middle -, jun+ или на стажку, то пайплайн стандартный: MLP, AA, Финал. На стажера достаточно просто четко отвечать на все вопросы интервьюера. Пытаясь попасть на более высокий грейд, уже следует вести беседу самостоятельно. Представьте, что вы ведете лекцию и рассказываете все, что знаете про тот или иной алгоритм. Очень важно для более высокого грейда показать не только теоретические знания, но и практические юз кейсы. Можно подкрепить ситуациями из жизни, как вы с этим столкнулись. Короче, флоу такой: старайтесь все самостоятельно проговаривать и перетекать из одной темы в другую логично и последовательно. Можно придерживаться такой модели: Модель, функционал ошибки->Переобучение и ее детекция->Метрики качества->Вероятностная природа. В каждом пункте можно начинать даже издалека и показывать какие проблемы решает тот или иной хак. Например вот было accuracy, почему вообще надо придумывать что-то новое? Проблема в дисбалансе классов. Рассмотрим recall, precision. Уже лучше. Придумаем f1, чтоб все учесть. И так далее. От вас ждут структуры, именно это и отличает штатного сотрудника от стажера. Никогда не молчите, поддерживайте флоу. Допустим, вы пошли еще дальше и хотите идти на senior позиции. Тогда будьте готовы к еще одному этапу: MLS или Domain-like-ml собес. Там точно так же надо показать полное понимание всех тонкостей и алгоритмов. Что касается алгоритмов и написания кода, тут правило одно: нужно решить все, идеально и как можно быстрее. Без решенной задачи сразу no-hire. Как проходить финал? Я лично советую всегда погрузиться до финала в текущие задачи / решённые задачи команды. Посталкерить LinkendIn, GitHub членов команды. Почитайте хабр, статьи и тд. Будьте готовы, что вас спросят текущую задачу, как бы вы ее решали? Очень часто и мне на собесах задавали такой вопрос и приходилось из головы что-то придумывать, но начитанность меня спасала. Будьте заинтересованы в задачах команды - это на самом деле очень важно. Если задачи команды кажутся неинтересными - не советую идти в такую команду. Также, что важно - это менталка. Постарайтесь не нервничать перед собесом и тем более во время. Очень сильно дамажит мыслительный процесс. Придерживаясь такого конвейера можно спокойно рассчитывать на найм. @zadachi_ds

Школа Аналитиков-Разработчиков Яндекс (ШАР) Что это за школа и какие перспективы после неё ШАР-это очный летний буткемп, который проводится с 1 июля по 20 августа. Ориентирован на недавних выпускников и студентов высших курсов IT-направлений. Участие абсолютно бесплатное, для отбора необходимо только написать контест и заполнить видеовизитку. После чего, в зависимости от результатов, приглашают на следующий этап-собеседования. По результатам собеседований некоторых приглашают для участия в ШАР. В течение обучения участники разбиваются на команды и работают над проектами, которые очень близки к тому, чем занимаются в продакшене в Яндексе. По результатам обучения некоторым участникам предлагают либо стажерские, либо штатные позиции в компании. Школа Аналитиков-Разработчиков провела отборочный этап (контест+видеовизитка), самое время обсудить этап собеседований. А также у вас есть возможность по программе ментор+ получить помощь на этапе собеседовании. Собеседование Стандартные вопросы по мотивашке, чтобы сразу отсеять тех, кому это все не очень-то и нужно. Нужно просто убедить принимающих в том, что вы цените возможность обучения в ШАР: у вас будет на него время, не забьете в первые же месяцы, хотите обзавестись новыми знакомствами, перенять опыт у сотрудников и прочее. Затем попросят решить следующие вещи: 1) Алгоритмическая задача на Питоне (запускать код нельзя, писать его надо будет в блокноте, который пришлет интервьюер). В основном дают какие-то несложные задачи на реализацию, два указателя и подобные примитивные темы. Иногда могут спросить на понимание языка и внутреннего устройство структур данных, но это скорее редкость, максимум что потребует помимо решения, это асимптотику временную и по памяти доказать у предложенного вами алгоритма. 2) Задача на SQL. Как показывает практика, дают какие-то задачи по типу поджойнить табличку саму на себя, применить какую-то оконку для того, чтобы найти какую-то по возрастанию зарплату в компании среди сотрудников или что-то такое. Полезно порешать задачи вот с этой подборки или с sql-ex.ru. Ничего сложнее обычно не требуют. Могут задать какие-то простые вопросы на понимание из разряда: "У вас есть две таблички, какое максимальное и минимальное количество строк может быть при LEFT/RIGHT/INNER JOIN?" 3) Задача на теорию вероятностей или математическую статистику. Просят очень подробно пояснять ход мыслей и как именно вы приходите к такому ответу. Классически могут спросить задачу про неправильную монету: Дана монета, у которой вероятности выпадения орла и решки не равны. Нужно придумать функцию, которая сделает так, чтобы эти вероятности стали равны? Так же могут попросить посчитать количество каких-то комбинаций при бросании кубика или монеток. Стоит повторить формулы Байеса и условного матожидания и просто порешать брейнтизеры, с генерацией таких ad-hoc задач отлично всправляются ЛЛМки, поэтому нет даже смысла искать какой-то отдельной методички, просто нагенерьте себе кучу таких задач и нарешивайте. 4) Аналитический кейс. Дают какую-то продуктовую проблему и спрашиваю причины, почему это могло происходить и какие пути решения этой проблемы вы можете предложить. Важно понимать концепцию проведения А/Б тестов. Недавно мы провели целый вебинар, запись которого можете найти на канале, в котором описали общие требования во время прохождения кейс-интервью, а также составили для вас подробный пайплайн для технической части в АБ тестах. Здесь смотрят на мышление, умение генерировать гипотезы и, в целом, на креативность. После собеседования HR должен будет вернуться с обратной связью до 22 июня. Чтобы гарантированно пройти этапы собеседования, обратитесь к нам по программе ментор+. @OfferBerry

Если это попалось в ленте — возможно, не случайно 👀 Иногда такие вещи работают как напоминание: В «Школе 21» от Сбера можно попробовать себя в сфере ИТ бесплатно и с нуля. Без лекций, зато с практикой, проектами и стажировкой. Совпадение? Не думаем. Оставить заявку → 21-school.ru Реклама. Заказчик АНО «Школа 21» ИНН 7736316133

Кейс интервью в WB Разберём продуктово-аналитический кейс, который попался нашему выпускнику курса по AB тестам, на который последние 4 часа скидки. Есть маркетплейс, у которого цель - привлекать новичков и доводить их до первого заказа. Сейчас есть два способа доставки: курьерская платная и ПВЗ бесплатный. Менеджеры предлагают сделать для новичков бесплатную курьерскую доставку, чтобы повысить конверсию в первый заказ. Такие кейсы мы разбираем на курсе по A/B-тестам (первый семинар уже в это воскресенье). Здесь мы описали основные моменты кейса, на которые стоит обратить, более подробная методика решений кейсов была на нашем вебе. Гипотеза Бесплатная курьерская доставка на первый заказ увеличит conversion to first completed order, потому что снизит ценовой и психологический барьер первой покупки. Аудитория Новичок - пользователь без завершённых заказов в прошлом. Из эксперимента исключаем тестовые аккаунты, сотрудников, фрод, мультиаккаунты и тех, кто уже использовал похожие промо. Рандомизировать нужно до показа условий доставки, иначе мы измерим только последний шаг выбора доставки, а не всю воронку привлечения новичка. Метрики Primary metric: conversion to first completed order within 7 days. Не берём выбор курьерской доставки как primary, потому что бизнесу нужен не курьер, а новый покупатель. Не берём AOV как главную метрику, потому что он считается только среди заказавших и может вырасти из-за оттока маленьких заказов. Рядом обязательно смотрим contribution margin per new user. Если первых заказов стало больше, но маржа на новичка сильно упала, это плохой результат. Воронка и guardrails Для понимания механизма смотрим воронку: регистрация, просмотр товара, корзина, checkout, выбор доставки, оплата, завершённый заказ. Отдельно смотрим долю ПВЗ и курьерки. Если в control 70% новичков выбирали ПВЗ, а в treatment 70% стали выбирать курьера, но общая конверсия в первый заказ почти не изменилась, это каннибализация ПВЗ. Мы не привлекли новых покупателей, а просто сделали доставку дороже. Guardrails: стоимость курьерской доставки, subsidy cost, contribution margin, cancellations, refunds, complaints, delivery SLA, доступность слотов, нагрузка на курьеров, fraud и multiaccounting. Дизайн Control: ПВЗ бесплатно, курьер платно. Treatment: ПВЗ бесплатно, курьер бесплатно на первый заказ. Рандомизацию делаем по пользователю. До регистрации можно использовать anonymous_id или device_id, после регистрации связать assignment с user_id. Unit of analysis - пользователь. Пользователи без заказа остаются в данных с нулевым revenue и margin. Если курьерская ёмкость достаточная, подойдёт user-level A/B. Если курьерские слоты ограничены (иначе из-за сетевого эффекта мы понесем убытки, так как новички будут забирать все курьерские слоты) и treatment может влиять на control через SLA и доступность доставки, лучше рассмотреть geo-test, cluster randomized test или switchback. Анализ и решение Тест держим минимум две полные недели и ждём полное окно primary metric. Если смотрим first order within 7 days, последним пользователям тоже нужно дать 7 дней на заказ. После теста проверяем SRM, баланс групп по городам, платформам и каналам, пересечения control/treatment, логирование, доступность курьерки и рост мультиаккаунтинга. Для conversion используем z-test для двух долей или лог регрессию. Для contribution margin per new user - Welch t-test или bootstrap. Если first order conversion выросла, margin не ухудшилась, фрод не вырос, SLA и retention в норме - можно делать постепенный rollout. Если выросла только доля курьерки, а новых покупателей почти не стало больше - это каннибализация ПВЗ, не выкатываем. Если эффект есть только у пользователей, которым неудобен ПВЗ, можно сделать таргетированный rollout и подтвердить его отдельным тестом. @postypashki_old

Типичный рабочий день ML разработчика От выпусника нашего курса по DS, на которые идут последние 6 часов скидки. Далее представлен слегка отредактированный текст нашего выпускника. Каждая команда в начале полугодия ставит себе цели. Например - обогнать Deepseek v3.1 на русском домене (очень условно). Лиды команд в зависимости от их зоны ответственности планируют бюджет, им выделяют хэдкаунт (впоследствии которого как раз и происходит найм сотрудников). Далее происходит некоторый брейншторм в той области, в которой работает команда того или иного лида - придумывается верхнеуровневый подход решения задачи, скелеты архитектуры, каждое звено которого будет решать тот или иной сотрудник команды (будь то лид, будь то сеньор, будь то миддл). После брейншторма наступает долгая стадия реализации проекта. От этого зависит сходимость запланированного результата. Обычно сотруднику уровня миддл дают задачу, которая не самым главным образом влияет на релиз, то есть если у тебя эта задача не сойдется - это конечно плохо, но не критично в рамках проекта. Тут влияет зона ответственности, чем выше грейд, тем выше зона ответственности. На примере DL разработчика в поиске. Очень часто в начале дня ты досводишь свои эксперименты, оформляешь их в своем тикете так, чтоб было понятно твоему лиду - пишешь максимально емко и подробно, о чем эксперимент, какой бейзлайн, что получилось, что не получилось (если так, надо обязательно описать гипотезу, почему не получилось). Все это в оформленном виде должно выглядеть максимально убедительно - ты должен продать свое решение лиду, чтоб потом он принял решение внедрить ли твой продукт в продакшен. Далее, ты очень часто работаешь с данными - формирование гипотез о несходимости той или иной модели за иключением багованных запусков сводится к изучению данных - распределение, доливание синты определенного вида, выравнивание распределения и тд. Потом идет работа с ETL - тебе надо грамотно описать пайплайн, чтоб во первых, было максимально читаемо и реюзабельно, а во-вторых - эффективно. Зачастую это делается в Apache Airflow или их отечественных аналогах (у разных бигтехов разные). Потом идет обучение - тут важно подобрать максимально качественную и в то же время подходящую для вашего бизнеса модель. Будет странно брать LLM, если у вас мало ресурсов, не хватает ГПУ для дообучений или вы в целом в продашкене не сможете держать нужный рпс с тяжелыми моделями. Тут обычно миддлу надо договариваться с лидами - кого, что и когда брать. Дообучение процесс тоже не простой - надо много экспериментировать и все очень сильно зависит от архитектуры. Тут можно писать отдельный пост. Но вообще следуйте практикам внутри вашей команды - вдруг что-то такое уже заводилось. В целом в течение дня бывают еще и минорные ресерч задачи - почитать статьи про бенчмарки например - очень важная задача для прода, если бейзлайн уже сформирован и нужно дообучать и замеряться. @zadachi_ds

Набор на карьерные курсы продолжается! Первые семинары по A/B-тестам, Data Science и Data Engineering стартуют уже в эти выходные. Успеете начать полноценную подготовку, чтобы летом уже получить оффер и выйти на работу! Наши курсы единственные на рынке, которые заточены именно на получение оффера, где за 6 недель закрываем все темы, которые спрашивают на собесах, разбираем задачи из реальных отборов и готовим к каждому этапу - от резюме до финального интервью и испытательного срока. Преподаватели - ведущие практики из Сбера, Wildberries, Ozon, МТС, которые сами проводят собесы. Что доступно участникам курса: ➡️закрытый банк собесов Яндекс, Т-Банк, Ozon, WB, Авито ➡️пробное собеседование и разбор резюме ➡️сдашь пет-проект - получишь рефералку в бигтех Гарантия возврата: если выполнишь все рекомендации и не получишь оффер - вернём деньги. До 21.05 можно записаться со скидкой 35% ! Цена за один курс — 6 950 ₽ 10 950 За два курса — 12 900 ₽ 21 900 За три курса — 17 850 ₽ 32 850 📌 Для вопросов и записи на интенсивы напиши менеджеру. Количество мест на каждый курс ограниченно.

Как затащить АВ тесты на интервью Разобрали:

🔵Что проверяют в Яндексе, Т‑Банке и Авито на вопросах по A/B-тестам 🔵Структуру ответа, с которой не потеряешься 🔵Кейсы с собеседований: дизайн, метрики, как интерпретировать результаты 🔵Типичные ошибки

Смотрим! Смотрим!https://www.youtube.com/watch?v=fTQA-VeF9gw