Раскатываем ML кабины | MentorShip

Классик мл не существует

Ооокей, сейчас стреляю сам себе в колено тык, но посмотрим, что из этого выйдет

Что обычно понимаем под классик мл? Тип подход в мл без нейронок, толькл КАССИЧЕСКИЕ подходы. Оукей. Что такое КЛАССИЧЕСКИЕ подходы? Наверное бустинги, случайный лес, лигей ные модели и тд. Хорошо. А какие задачи они решают? Классификация и регрессия. Тоже норм. Пока все гладко. Но бустинги еще есть pair pairwise и listwise для рексиса. Вроде тоже бустинги, по сути бинарная классификация. Но класссика ли это? Получается так.

Тогда что вы скажете про нейронки в рекомендательных системах? Уже не классика тогда. Ну ладно, это же рексис, это отдельное направление, ему можно. Я и сам его выделял.

Поехали дальше. Временные ряды. Это что? По сути рекурсивная регрессия. Это вроде классика, но по хорошему нужно знать и лстм, как подход. Оп, снова нейронки, но и без них в целом можно жить.

Тактактак. Возьмем задачу аплифта. Подробнее можно чекнуть тут, там ребята из мтс написали ЛЕГЕНДАРНУЮ статью. Даже моя собака разберется.
Это как бы бустинги, но как бы нет. Там своя специфика и тонкость из-за аб тестов, в которой нужно отдельно шарить. Плюс есть аплифт деревья. Не самая кассическая конструкция.

Ококок. Го возьмем приметивную задачу. Модель оттока. Предсказание уйжет ли клиент с нетфликса через 3 месяца. Вроде бинарная классификация, нейронки не нужны и в целом все ок. Да? Ну да, подвоха нет.

Но нужно ли знать аплифты и тайм сериес для решения этой задачи? Как бы нет

Нужно ли знать рексис? Эм, нет

Тогда вот это классический мл. Нет нейронок и тд, НО все что я перечислил выше им и является(ну кроме рексиса, хотя кто то его туда закидывает), прикол, да? Те если ты идешь учить классик мл надо учить все? Или какую то специфику? Вроде бы так. В NLP, CV и рексисе же так. Да?

Хзхз

Окей, есть еще определение. Классик мл на табличных данных. Но в нлп тоже бывают табличные аттрибуты, а в рексисе 90% табличных данных. Более того, в классике нужно иногда работать с картинками и текстами. Мдаа, тоже не катит...

Вы можете сказать: Богдан ну че ты доебался до направления, вроде все похоже идейно, НО тебе не нужно все это знать, тебе нужно знать узкую область, чтобы устроиться на работу. Не просто классику, а конкретную подобласть. Ценообоазование, кредитный скоринг, макретинговый мл, телекомы и т.д. те классификация идет по направлениям работы и не существует понятия классик мл в работе. Существует свой домен. Это максимально нелепое упрощение. Например есть лосось, сумбрия и другие рыбы. Вот 3 категории рыб, живите.

Так вот, классик мл это и есть "другие рыбы". Вот и думайте...

Сейчас пилим классификацию вакансий с хх. Если наберется 100 лайков ускоримся с классификацией классик мл и выкатим ее чуть раньше. Как-то так

Учим тут: https://ml-mentor.ru/

Раскатываем ML кабины | MentorShip

Ты учишься у меня или у кураторов? 👀

Частый вопрос перед стартом: «А у тебя есть помощники? А ты ведешь или они?»

Вопрос понятный. Отдаёшь деньги за конкретного человека, а по факту тебя спихивают на человека, которого ты не знаешь. Давай честно разберу, как всё устроено у нас.

Никто тебя не спихивает 💪

Сразу главное. Менторство это не «купил доступ и остался один на один с ботом». Это система, где за твой результат отвечает несколько человек, и каждый закрывает свой участок.

- Стратегию веду я. Куда двигаемся, что за чем учим, как готовимся к рынку, где ты плывёшь и что с этим делать.
- Код и домашки ревьюят практикующие ребята из команды. Не студенты, а люди, которые сами каждый день работают в ML. Про нескольких расскажу ниже
- Общие эфиры, разборы кейсов и вопросы по ходу закрываем вместе.

Ты получаешь не одного человека, который физически не может быть в 20 местах сразу. Ты получаешь команду, где у каждого своя специализация.

Почему команда это плюс, а не минус 🤓

Кажется, что «один ментор» звучит солиднее, чем «команда». На деле наоборот.

Один человек не закроет одинаково глубоко классику, рексис, NLP и CV. Никто не закроет. А когда у тебя вопрос по конкретному домену, отвечает тот, кто в этом домене реально сидит. Не «в общих чертах помню с универа», а «вчера это в проде крутил».

Ревью кода от практикующих это отдельная ценность. Тебе показывают, как это пишут на работе. Именно та практика, которой нет на курсах.

Где лично я 🍜

Моё участие не размазано по мелочам, а стоит в ключевых точках. Стратегия обучения, индивидуальные созвоны, разборы, общие эфиры, подготовка к собесам. Там, где решается твой результат, я на месте.

Я не сижу на проверке каждой опечатки в ноутбуке. Для этого есть команда, и она делает это лучше, чем если бы я пытался тянуть всё один и в итоге не тянул никого.

А что за команда? 👥

Я набираю команду из выпускников, которые круто себя показали на обучении и имеют потенциал для этой работы. Все работают в бигтехах на сеньорных должностях с зп от 350 до 500к. Вот несколько ребят из команды:
• Один из моих ребят ведет лекции в ВШЭ по машинному обучению, уже более 3 лет занимается мл и более года работает у меня
• Второй тоже год уже работает у меня, имеет сильную экспертизу в аналитике и мл более 4 лет. Сам работает синьором/лидом в X5 и тоже более года работаем вместе
• Третий делает рекомендации в ВК, там сейчас самая сильная команда по рекомендациям в РФ, работаем полтора года вместе

Что забрать в голову 🌀

Ты покупаешь не часы конкретного человека. Ты покупаешь систему, которая доводит до оффера: стратегия от меня, практика и ревью от команды, разборы вместе.

Команда это масштаб экспертизы и внимание к тебе на каждом этапе.

Если тоже хочешь пройти путь с нашей командой и найти свой оффер в машинном обучении или аналитике, приходи на вводный звонок и разберем твою ситуацию: https://ml-mentor.ru/

P.S.Скидка 15к на обучение действительна до конца недели, подробности уточняйте в лс

Раскатываем ML кабины | MentorShip

Ученика выгоняют с работы через месяц после выхода...

Он так написал, парень хорошо учился, с софтами все супер, вроде ничего не предвещало беды, и тут сообщение, что уже собирается искать новую работу, я уже думаю, что там какая-то жесть произошла и сейчас его уволят, созвонились через час и вот, что он рассказывает

Получил доступы, начал делать задачу, собираю данные, нужно провести исследование, но я очень долго получал доступы и настраивал инфраструктуру для работы, переживаю, что до сих пор нет результата и я ничего не сделал.

Начали разбираться и выяснили, что задачи заблокированы внешними факторами, он делает, что может, тимлид в курсе и все понимает и в целом ситуация норм. Я тоже распереживался и мы пошли писать план работы, что нужно сделать. А когда написали, он мне сказал, что и так все это знал, так и делаю 🦯

Я посмотрел на этот план, а это просто наша вторая практика из обучения, было очень смешно, ведь по сути он на работе делает 1 в 1 нашу практику, только с чуть другими вводными. В этот момент я понял еще раз для себя и закрепил, что не зря мы возимся с практикой и пониманием работы, чтобы люди пришли и на работе делали реально то, что умеют и умеют классно

P.S. У парня все хорошо, от лида получил положительный фидбэк

Хотите так же выйти на работу и не паниковать в первый месяц, тогда записывайтесь: ml-mentor.ru

Перевернул календарь, а там то самое 3 сентября 🍂

И только сейчас понял: я почти не рассказывал, как устроено само обучение. Лайфхаки по рынку были. Разборы собесов были. А как конкретно мы доводим человека до оффера, не было. Исправляюсь. Погнали по этапам.

Начало 🦆

Ты попадаешь на обучение и, предположим, не знаешь вообще ничего. Добавляю тебя в чат и базу знаний. Созваниваемся: рассказываю, что делать дальше, как двигаться и где расставить акценты. Даю доступ к кабинету дейликов, чтобы твой прогресс был виден. И начинаем работать.

База 😡

Сначала ставим фундамент. Тут ещё нет речи про рабочие процессы: это онбординг и доведение до нужного уровня. Python, SQL, статистика, первая практика c git. Ровно то, что реально спрашивают на собесах и без чего не выжить в работе. По каждому блоку самопроверки: мини-собесы с нейронкой, которые дают фидбэк и показывают, где ты сейчас. В конце созваниваемся, чтобы провести тестирование и проверить домашку

Дальше начинается работа 💪

Вот здесь мы отличаемся от курсов. Первая модель, git, тесты. Потом EDA, гипотезы, работа с базой, MLflow. И главное: всё как в настоящей ML-команде. Задачу получаешь без готового датасета, данные достаёшь из нашей БД. Код пишешь с пустого файла, а не с готового ноутбука. Сдаёшь через merge request.(как на работе) Модель выкатываешь в наш прод и защищаешь проект, как перед лидом.

Выбор направления 👨‍🦯

После базы выбираем ветку: классика, рексис, NLP. Именно в этом порядке, а не наоборот. Сначала ты щупаешь всё и понимаешь, что заходит. Потом углубляемся. А если понял, что ML не твоё, переключаемся на аналитику, а не теряем полгода и деньги.

Ты не один 👮‍♂️

Куратор, еженедельные встречи, общие созвоны, дуэльный клуб. Дейлики пн/ср/пт складываются в карту прогресса. Я их читаю. Застрял: приду раньше, чем успеешь слиться. Замеряли: кто ведёт дейлики, доходит быстрее.

Выход на рынок 📈

Перед рынком три внутренних собеса: алгоритмы, теория ML, систем дизайн. Гоняют ребята, которые сами работают в ML. Душно, зато на реальных собесах уже ничего не удивляет. Дальше резюме, легенда, самопрезентация. На рынке еженедельные созвоны, база реальных собесов, разборы записей твоих интервью. До самого оффера. И после оффера не прощаемся: веду всю испыталку.

По итогу: 40+ выпускников подряд прошли испытательный срок. Ни один не вылетел.

Что забрать в голову 🌀

Здесь есть всё, чтобы дойти. Материалы собраны. Путь понятен. Всё лишнее выкинули, оставили только то, что реально ведёт к офферу.

И рядом команда, которая не даст сойти с дистанции и дожмёт результат максимально быстро.

От тебя одно: делать. Остальное берём на себя.

Как-то так. Вопросы про любой этап кидайте в комментарии, разберём.

P.S. Из 10 мест с бонусными собесами осталось 5. Скидка 15к живёт до 13 сентября.

Записывайся на встречу, познакомимся и разберем твою ситуацию: https://ml-mentor.ru/

Почему на курсах нельзя научиться работать? ⌨️

Вы прям пересыпали огоньков на прошлом посте. Давайте разбираться.
В целом почти вся практика на курсах реализована через юпитер ноутбуки или тесты. В худшем случае ты вставляешь код прямо на страницу курса. Пойдем от худшего.
P.S. В конце будет бонус от меня

Проходить тесты и писать код на сайте 👮‍♂️

Конечно это практика и она позволяет вам прокачивать свои навыки. Более того, после этого ты будешь знать больше, чем до этого. Но действительно ли это эффективно? Для тех, кто только начинает изучать питон да. Чтобы поставить начальный уровень и понять материал это подходит отлично.
Но если смотреть глубже, то код ты пишешь в браузере, не настраиваешь окружение и в целом решаешь маленькую изолированную задачу, которая ооооочень условно связана с работой.

При этом я признаю, что тесты прикольно работают на теории. Мы, кстати, пошли дальше и сделали самопроверки. Это те же тесты, но с промптом для нейронки, которые эмитируют мини собеседования и дают фидбэк по встрече, позволяя понять материал более глубоко.

НО! Они точно не приближают к реальной работе

Юпитер ноутбуки 💙

Уже больше похоже на работу мл инженера. Там обычно зарыта задачка, которую ты постепенно решаешь. Но в большинстве своем ноутбук уже написан и там надо заполнить определенные блоки кода. Это дает больше практики и теоретического понимания задачи. Я сам в большинстве мест так и учился. Как академическое предоставление знаний работает отлично, еще и закрывает навык ресерча на работе, но не более того.
У вас уже есть все данные и все вводные, нужно просто сделать маленький блок кода. Мало похоже на настоящую работу.

На этом можно было бы и закончить пост, так как по сути это почти все виды практики. НО! мы пошли дальше и докрутили эти подходходы. Идея простая, но почему-то мало где ее вижу. Мы сделали все как на работе:

• Гитлаб - на работе вы почти все свои задачи сдаете через merge-request в гите, поэтому все задания у нас сдаются также
• На работе у тебя нет готового датасета и тебе нужно как минимум достать его из базы данных, а это еще пласт взаимодействий. Мы подняли свою бд, откуда вы берете данные для выполнения практики
• На работе ты не пишешь код по шаблонам, а реализуешь проект с пустого файла - пожалуйста, у тебя есть описание того, что нужно получить и весь инструментарий. Делай
• На работе ты проводишь релизы, выводишь модели в прод - у нас есть свой прод, куда тебе нужно выкатить модель
• На работе тебе нужно защитить свой проект и презентовать его лиду/заказчику. У нас после работы над проектом нужно показать, что он реально работает.
• Ну и бонусный пункт. На работе у тебя есть дейлики - еженедельные встречи с командой. Мы их докрутили и теперь у тебя есть система текстовых дейликов, которые преобразуются в карту твоего прогресса. А само написание дейликов быстрее двигает тебя к цели (замеряли)

Вы можете законно сказать. Богдан ты какую-то шляпу придумал, умные создатели курсов давно бы сделали также, если бы идея была нормальной. А я вам отвечу, что они бы так и сделали, но это по ресурсам и вложениям в ученика довольно дорого. Они работают на объем, а я работаю на результат.

Мы уже выпустил более 40 человек и все они прошли испытательный срок без проблем и не испытвали сложностей с выполнением своих задач. Тогда где я не прав?

Ну и раз начался новый учебный год, бонусом к этому посту закину акцию - скидка 15т.р. на обучение до 13 сентября. А если ты уже опытный разработчик или мл инженер, то сделаем скидку и на постоплату.
Подробнее про программу и стоимость обучения: https://ml-mentor.ru/

Первым 10 купившим бонусные собеседования во время обучения, количество мест ограничено

Ваш курс по ML - это музей. В проде используют совсем другое 🤓

Любой курс по ML начинается с одного и того же набора моделей. Линейная регрессия, логистическая регрессия, метод опорных векторов, KNN, решающие деревья, Random Forest, градиентный бустинг.

Складывается ощущение, что в работе тоже всё это в ротации, и каждая задача требует подбора подходящего инструмента. По факту это совсем не так.

Что же реально стоит в продакшне в 2026 году.

Бустинг. 90% случаев 💪

Если откинуть NLP и CV (это отдельные истории), то на табличных данных в большинстве компаний используется именно градиентный бустинг. В том числе и в рекомендательных системах

Почему так:

- Работает из коробки. Дефолтные параметры дают качество, близкое к оптимальному. Сложных предобработок не требует.
- Лучшее качество. Почти всегда обходит Random Forest, линейные модели и SVM на одних и тех же данных.
- Удобно прототипировать. Берёшь датасет, кидаешь в CatBoost или LightGBM, получаешь результат за пару часов. Потом тюнишь, если надо.

Поэтому когда тебя спросят на собесе «с чего начнёшь», правильный ответ: бейзлайн на бустинге. Это и есть индустриальный стандарт.

Random Forest. Почти всегда мимо 👀

Random Forest учат во всех курсах как «продвинутую модель после деревьев». На практике в проде его сейчас встретить сложно.

Причина простая. Бустинг почти всегда показывает результат лучше на тех же данных. При этом обучается сравнимо или быстрее, особенно если взять LightGBM или CatBoost.

Даже его главный плюс - лекго параллелить бустинг уничтожил. Он параллелит деревья (Если вы не поняли данный блок, это нормально)

Линейные модели. Только когда обязательна интерпретируемость и то очень редко ⚡️

Тут история интересная.

Линейные модели в проде используются ровно в одном сценарии: когда модель должна быть жёстко объяснима, и каждая фича понятна.

Самый известный пример это кредитный скоринг в США. По американскому законодательству (Equal Credit Opportunity Act, Regulation банк, отказывая клиенту в кредите, обязан предоставить ему конкретные причины отказа. И не общими словами «вы не подошли по нашим внутренним критериям», а с расшифровкой: «length of residence», «income to debt ratio», «late payments в кредитной истории».

Поэтому в скоринговых моделях часто используется логистическая регрессия на 8-15 признаках. Каждый коэффициент имеет интерпретацию, каждое решение можно разложить и объяснить регулятору.

Бустинг там тоже используется, но требует дополнительных слоёв интерпретации (Shapley values, LIME), что усложняет процесс. CFPB в 2022 году специально выпускал циркуляр на тему «сложные алгоритмы не освобождают от обязанности объяснять решения».

В России аналогов такой жёсткой регуляции пока нет, поэтому бустинг тут чаще выигрывает даже в скоринге.

SVM. Музей ML 🫡

SVM активно использовался в 2000-х, потом его потеснили нейронки и бустинг. Сейчас в проде его встретить почти нереально.

В курсах его до сих пор разбирают по инерции и потому что математически красиво. Учить полезно для общей эрудиции, но в работе ты его не встретишь.

Что забрать в голову 🌀

На курсах тебе показывают весь зоопарк. На работе используют узкий набор. Если хочешь побыстрее войти в индустрию, фокусируйся на градиентном бустинге для работы, остальное на собесах

Остальное по мере необходимости и по специфике направления. Мы реально делаем акцент на бустингах и линейных моделях для упрощенного объяснения концепций нейронок. Остальное в рамках вопросов на собесах, не более.

Как-то так. Если у вас на работе используют что-то экзотическое, накидывайте в комментарии. Любопытно посмотреть.

P.S. Если наберем 30 🔥, сразу выпускаю пост про "реальность" задач в курсах и можно ли нормально понять реальную работу и задачи через них.

Учим тут: https://ml-mentor.ru/

Раскатываем ML кабины | MentorShip

База торгов или как мой ученик сделал +600к одним сообщением🤑

В понедельник разобрали, как не слить финал. Сегодня последний шаг: тебе сделали оффер, и вот тут большинство оставляет деньги на столе.

Почему все боятся торговаться 😐

70% кандидатов вообще не торгуются. Страшно: «а вдруг передумают и отзовут, я обнаглел».

По факту оффер за просьбу большей зп отзывали за мою практику 2 раза, это супер редкое событие. Компания уже потратила на тебя недели собеседований, она не выкинет это из-за вежливого вопроса о цифре, максимум скажет бери или уходит

Правила торга 💪

1. Не занижай ожидания на скрининге. С оффера на 200 поднять до 280 почти нереально. Планку задаёшь в начале.
2. Торгуйся текстом, не голосом. Спокойнее формулируешь, есть время подумать, и у тебя остаётся артефакт договорённостей. Особенно если делаешь это в первый раз
3. Не называй жёсткую сумму, а скажи, что размышляешь. Торговля в лоб, может негативно сказаться.
4. Конкурирующий оффер - это твой главный рычаг. Даже один. «Компания X предложила больше, но мне ближе ваши задачи. Можете ли что-то сделать?». Когда у тебя есть второй оффер - это причина, почему тебе есть смысл дать зп выше. Практика показывает, что если просто попросить поднять, то тебе откажут.

Следи за руками. +30к к зп это за год +360к и мы еще не считали премии

Кейс ученика ⌨️

У меня учился парень. Виталий. Долго учился, растянули обучение почти на 6 месяцев. Потом пару месяцев искали работу на рынке. И вот настал момент. Он получил 2 оффера. Один на 300к с полной удаленкой и приятной командой, было видно, что он туда прям хотел, второй 350к на руки, но офис каждый день и работа, честно говоря, такая себе, прям не хотелось идти.

Мы зашли в первую компанию со всем, что было:

Анна, добрый день!
Очень понравилось общение с руководителем и сами задачи в команде. Вообще очень хочу к вам, но сейчас получил оффер от коллег из компании ХХХХХХ, они предложили 350 на руки. Подскажите, можем что-нибудь сделать?

После этого на следующий день ему подняли зп до 350 и он сразу же принял оффер. Хочу заметить, что повлиял не только другой оффер и сам факт торгов, но еще и то, что он круто прошел собеседование и понравился команде, вот она и согласилась поднять бюджет.

И БУКВАЛЬНО ЗА ОДНО СООБЩЕНИЕ он теперь получает +600к в год. Вот и думайте..

Учим тут: https://ml-mentor.ru/

Раскатываем ML кабины | MentorShip

5 способов слить финал, когда оффер был почти в кармане 👀

Ты прошёл всё. HR-скрининг, алгосы, техническую секцию, систем дизайн. Тебя позвали на финал к будущему руководителю. И вот тут начинается отдельная игра, в которой большая часть кандидатов и срезается.

На финале технику закрыли на предыдущих секциях. Здесь смотрят, насколько с тобой можно работать в команде, и сюда нужно идти отдельно подготовленным.

Сегодня 5 типичных способов слить финал, когда казалось, что оффер уже у тебя.

1. «Я этого никогда не делал, и мне это неинтересно» 🛑

Самая частая ошибка. Кандидат начинает на финале фильтровать задачи, которые звучат: «вот это не моё», «с этим никогда не работал», «вот это мне не очень интересно».

Стоп. Тимлиду не нужен человек, который выбирает себе задачи на стадии знакомства. Ему нужен тот, кто будет делать задачи команды.

Если ты что-то не делал, говори: «не сталкивался, но интересно разобраться». Если ты в чём-то реально слабый, лучше промолчать про это до конкретного вопроса, а на финале сместить фокус на то, в чём ты сильный.

2. Не понял, что от тебя хотят 👀

Тимлид рассказывает про команду, задачи, продукт. Ты киваешь, но половину не понял и стесняешься переспросить. Дальше тебя спрашивают про опыт в этой области, а ты отвечаешь не туда.

В итоге впечатление: «парень нас не слушал».

Решение простое. Не понял, переспрашивай. «Уточните, я правильно понял, что у вас задача связана вот с этим?». Это нормальный диалог, и тимлид сразу видит, что ты включён в разговор.

Тут есть и другая крайность на самом деле. У меня лет 5 назад был финал еще в Яндекс Дзен. Я его завалил, так как не понимал, как устроены процессы и начал сыпать вопросами лида, в итоге отказ. Взяли более опытного. Вот и думайте

3. Странные ответы, которые не вяжутся 🤓

Ты сказал, что три года крутил рекомендательные системы, а на вопрос про двухступенчатую архитектуру плывёшь. Сказал, что строил пайплайны на Airflow, а DAG объяснить не можешь.

Это палится моментально, потому что у тимлида, который тебя собеседует, чуйка на нестыковки очень острая. Лучше сказать «работал на уровне юзера, в архитектуру глубоко не лез», чем накидать общих слов и попасться на конкретике.

4. Корявая мотивация 📉

Тебя спрашивают: «Почему ты уходишь со своей работы, и почему хочешь к нам?»

Плохой ответ:

«Хочу, чтобы платили больше».

Деньги это нормально, об этом все знают. Но если у тебя единственная заявленная мотивация это деньги, тимлид понимает: при первом же оффере на 50к больше человек уйдёт. И брать тебя нет смысла.

Хороший ответ: говори про команду, про задачи, про продукт.

Хочу попасть в сильную команду, у вас крутой профиль по рексису. Хочу делать задачи, где есть А/Б тестирование на больших аудиториях. Хочу расти как специалист в направлении, которое мне интересно». Деньги остаются за кадром, и это правильно, потому что про вилку говорят отдельно с HR.

5. Не задал ни одного вопроса в конце 😃

В конце финала всегда спрашивают: «у тебя есть вопросы к нам?». 80% кандидатов теряются и говорят «нет, всё понятно». Худший возможный ответ.

Если у тебя нет вопросов про команду, в которую ты вроде хочешь попасть, значит тебе пофиг. И это после того, как ты только что красиво рассказал, что хочешь команду и задачи. Палево.

Подготовь 4-5 вопросов заранее. Про процессы, про текущие задачи команды, про метрики, по которым оценивают результат, про культуру код-ревью, про планы на ближайшие полгода. Один из них точно будет уместен. И этим ты закрываешь сразу две вещи: показываешь интерес и собираешь инфу для своего решения, идти к ним или нет.

Что в итоге 🫡

Финал это знакомство с человеком, с которым потенциально будешь работать каждый день. Это совсем другая логика, чем у предыдущих секций, и к ней нужно готовиться отдельно.

Как-то так. У кого были провалы на финалах, поделитесь в комментариях, разберём конкретные ситуации.

Учим тут: https://ml-mentor.ru/

Раскатываем ML кабины | MentorShip

Потолок 600к. И как его пробивают валютной удалёнкой 💰

На рынке СНГ у зарплат есть потолок. Примерно 600к на руки с учетом премий. Дальше почти не растёт, с редкими исключениями.

А теперь цифры с другого рынка. 65%+ работающих на валютной удалёнке получают $2500–6000 в месяц. Сеньору $6-7к реально. Через агентства-прослойки бывают офферы и на $10к+. Есть геори с зп до $15-25к.

Разбираем, как туда попадают

Сразу честно: джунам туда рано 🛑

На контрактном рынке джуны не нужны. Совсем. Работодателю в США и Европе выгоден контрактор, который завтра сам разберётся с задачей «вот 80 репозиториев, перенеси Kafka-кластер, срок 3 месяца».

Входной билет: 4-5+ лет опыта в резюме и уверенный мидл+/сеньор уровень. Поэтому валютка это не стартовая точка, а следующий шаг. Сначала локальный оффер и пара лет опыта, потом международка.

Английский важнее хардскиллов 👀

Неожиданно, но технические собесы на Западе проще российских. Любой собес в русский бигтех жёстче, чем на валютную удалёнку. Лайвкодинг уровня LeetCode easy. У большинства до оффера меньше 3-5 собеседований.

Но без языка твой опыт просто не продать. Тест простой: можешь 30 секунд связно рассказать на английском про свой последний проект? Нет, тогда вот твоя точка роста номер один. При этом C1 не нужен: только у 25% работающих там язык на уровне C1/C2.

Самое сложное — попасть на интервью ⌨️

Воронка обратная нашей. В СНГ сложно пройти собес. Там сложно получить приглашение.

Что работает:

- LinkedIn с прокачанным профилем. Локация — никогда не Россия: Германия, Кипр, Сербия. Без LinkedIn теряется половина лидов.
- Агентства-прослойки. Они перепродают тебя компании с маржой, поэтому кровно заинтересованы в твоём оффере: сливают темы вопросов, торгуются за тебя. Большая часть офферов на $10к+ приходит именно так.
- Нетворкинг. По статистике всё, что выше $8к в месяц, получено через рефералки и знакомых.

Секретного сайта с вакансиями не существует.

Торговаться надо всегда (Как будто на рф рынке не так 😡)

70% людей вообще не торгуются. При этом оффер за просьбу большего отзывают примерно 1 раз из 100. От озвученной вилки реально выторговать +5-30%
Одно сообщение за 5 минут = плюс тысячи долларов к годовому доходу. Помнишь пост про торги? Тут это работает ещё жирнее.

Что забрать в голову 🍜

Потолок в 600к пробивается. Но не хаком, а системой: реальный опыт → английский → LinkedIn и прослойки → торг. Это марафон на 1-5 месяцев для того, у кого уже есть база.

И да, спрос на ML сейчас максимальный, так что ML-инженеры с продовым опытом на этом рынке смотрятся отлично.

Как-то так. Кто уже щупал валютный рынок, делитесь опытом в комментариях. Интересно сравнить с цифрами гайдов.

Учим тут: https://ml-mentor.ru/

Раскатываем ML кабины | MentorShip

Выучил рексис — нужен везде 💪

В прошлом посте разобрали, как устроены рекомендации под капотом: таблица с дырками, похожести, воронка. Сегодня о том, почему эти знания стоят дороже, чем кажется.

Если ты глубоко понимаешь, как устроены рекомендательные системы, ты нужен не только в лентах и каталогах. Ты нужен много где ещё. Смотри.

Рекомендации это не фича. Это сама компания 👀

Посмотри на YouTube, Instagram, VK Видео, Ozon, Wildberries. Их основной продукт это и есть рекомендательная система.

Убери из YouTube хорошие рекомендации, и что останется? Видеохостинг, в котором ничего не найти. Убери похожие товары с маркетплейса, и Ozon с Яндекс Маркетом начнут терять катастрофические деньги.

Рекомендации здесь не украшение продукта. Они и есть продукт. А там где деньги, там и высокие зарплаты

Поиск это тоже рексис 🔍

Поисковый движок идейно устроен так же: отобрать кандидатов из миллиардов документов и отранжировать под конкретного человека. Разница только в том, что запрос явный, а не вытащенный из твоей истории.

Поэтому команды Яндекс Поиска считаются одними из топовых во всём Яндексе. А Google вообще вырос из задачи ранжирования: PageRank это по сути рекомендация страниц. Компания на триллионы долларов, построенная вокруг одного ранжирующего движка.

Кстати, подбор таксиста под твой заказ — тоже рекомендательный движок. Кандидаты, скоринг, ранжирование. Всё то же самое.

И даже в NLP 🤖

В современном NLP полно поисковых фичей и приколов. Тот же RAG: прежде чем LLM ответит, retrieval-механизм достаёт из базы знаний нужные куски и ранжирует их. Знакомая схема? Отбор кандидатов плюс ранжирование. Ровно та воронка, которую мы разбирали в прошлый раз.

Так что человек, который понимает рексис, спокойно заходит и в поиск, и в NLP-команды.

Теперь про вакансии 📈

Если посчитать вакансии в лоб, их правда не так много. Но и конкуренция на них сильно ниже, чем в хайповом NLP или в классике, куда ломятся все.

Рост внутри при этом большой. Рекомендации это кассообразующий продукт: твоя модель напрямую двигает выручку компании, и твой рост виден в деньгах, а не в абстрактных метриках.

А если со временем поймёшь, что хочешь заниматься не рекомендациями, а другим направлением — рексис одна из лучших точек входа для перехода. Большая часть инструментария уже в руках, что делать — понятно. Останется доучить пару технологий и перекатываться.

Что забрать в голову 🌀

Сфера на первый взгляд узкая: кажется, что рекомендациями занимается полтора десятка компаний. По факту в каждой крупной компании под это огромные отделы, конкуренция ниже, чем в хайповых направлениях, а платят хорошо. Работает старое правило: направление, которое приносит деньги, хорошо оплачивается.

Как-то так. Я сам много лет прожил в рекомендациях, так что если тема близка и хочешь в неё погрузиться - приходи, пообщаемся и устроим тебя в рексис. Перекатываешься из соседнего ML-направления или бэкенда? Сделаем скидку. Действует до конца недели.

Учим тут: https://ml-mentor.ru/

Раскатываем ML кабины | MentorShip

Как YouTube решает, что ты будешь смотреть следующим 🤔

Открыл приложение на минутку. Очнулся через час. Знакомо?

Это не магия и не чтение мыслей, рекомендательная система. Я такие строю уже 4 года, так что сегодня разберем как они устроены под капотом.

Вся задача — одна таблица с дырками 👀

Представь гигантскую таблицу. Строки это пользователи. Столбцы это видео, треки, товары. В ячейках оценки: лайк, дизлайк, покупка.

Проблема в том, что таблица почти пустая. Ты оценил сотню фильмов из каталога в миллион. Заполнено меньше 1% ячеек.

Вся рекомендательная система это ответ на один вопрос: что стоит в пустых ячейках? Предсказал, отсортировал по убыванию, показал топ выдачи. Всё.

Откуда система знает, что тебе зайдёт 🍜

Базовая идея старая и простая: похожим людям нравится похожее.

Ты и ещё тысяча человек лайкнули одни и те же пять сериалов. Они посмотрели шестой и в восторге. Угадай, что появится у тебя в ленте.

Причём явных оценок система почти не видит. Лайк ставит один из ста. Поэтому она смотрит на косвенное: досмотрел ли до конца, дочитал ли, купил ли. Этого добра в сто раз больше, но оно шумное. Клик по кликбейту не значит «понравилось». В видео с собачками залипают все, но это не значит, что тебе нужны собачки в ленте.

Кстати, явный фидбэк, т.е. хорошая оценка, называется explicit feedback, а неявная - допустим досмотрел кино до конца - implicit feedback

За прорыв в этой задаче Netflix когда-то заплатил миллион долларов. Две команды выдали одинаковое качество, и победителя определили по времени отправки решения. Разница — 20 минут.

Почему это сложнее, чем звучит ⌨️

Айтемов в каталоге сотни миллионов. Тяжёлая модель успевает оценить около сотни за те 200 мс, пока ты ждёшь ленту. Прогнать всё через неё нельзя физически.

Поэтому внутри не одна модель, а воронка:

- Быстрый отбор: из миллиарда айтемов дешёвыми методами достаём пару тысяч кандидатов. (Например ALS)
- Ранжирование: тяжёлая модель скорит кандидатов. Чаще всего это градиентный бустинг, а не гигантская нейронка.
- Реранкинг: следим за разнообразием. Если после двух лайков про дайвинг кормить тебя только дайвингом, ты заскучаешь и уйдёшь.

И главная ловушка - FeedBack Loop 😡

Система учится на данных, которые сама же и породила. Она показала, ты кликнул, она сделала вывод, показала ещё. Так надувается пузырь: лайкнул Супермена, и всё, ты навеки в супергероике.

Как с этим борются? Рандомом. В выдачу подмешивают случайные айтемы, около 1%. И тебя из пузыря вытаскивают, и модель получает честные данные, которые сама себе не подстроила.

Что забрать в голову 💙

Под капотом рекомендаций не искусственный сверхразум. Там таблица с дырками, похожести, бустинг и много инженерии. Каждый кусок можно понять, а значит можно и научиться его делать.

Рексис при этом одно из самых денежных направлений в ML: ленты и каталоги есть у каждого крупного сервиса, и везде эта система напрямую делает выручку.

Как-то так. Если тема заходит, могу разобрать отдельные части глубже: холодный старт, устройство воронки, метрики. Накидывайте в комментарии, что интереснее.

Учим тут: https://ml-mentor.ru/

Раскатываем ML кабины | MentorShip

С абсолютного нуля до секции, куда зовут только лучших 💪

Сегодня история ученика про заход в рекомендательные системы. С неё и начну серию про рексис.

Как это было 🏃‍♂️

Пришёл ко мне парень. Отучился, собрали базу, вышли на рынок. Целились в рекомендательные системы.

Ходим по собесам. Прогресса нет. Ещё собес. Нет. Ещё. Нет. Знакомое состояние: вроде всё знаешь, а оно не идёт.

У него был доступ к нашей базе собеседований. И он сделал то, на что у большинства не хватает терпения. Отсмотрел все собесы по рекомендательным системам, которые там были. По пути наткнулся на мои старые собесы по рексис-систем-дизайну, где я раскладывал по полочкам архитектуры, нюансы и подводные камни.

И дальше случилось вот что 👀

С абсолютного нуля, ещё раз, с абсолютного нуля, он прошёл секцию систем-дизайна по рекомендациям настолько круто, что его позвали на архитектурный этап. Туда зовут только самых сильных кандидатов: поясняешь за архитектуру, отказоустойчивость серверов, миллисекунды туда-сюда.

С той компанией в итоге не сошлись. Бывает.

А через месяц он без проблем выбил оффер в рекомендации другой гигантской компании. Вы все про неё слышали. 350 на руки, плюс премии и бонусы.

Что мне нравится в этой истории 🤑

Не цифра. Цифры у учеников бывали и больше.

Мне нравится, что видно: человеку надо. Он не поленился. Сел, отсмотрел все собесы, тренировался и прокачался. Результат пришёл ровно оттуда.

Как-то так. Респект парню. 🫡

В среду расскажу, как эти рекомендательные системы устроены под капотом. Спойлер: там не магия, а вполне понятная инженерия.

Учим тут: https://ml-mentor.ru/

Раскатываем ML кабины | MentorShip

Классика vs RecSys vs NLP vs CV. Куда идти? 🤔

Один из самых частых вопросов на консультациях: «какое направление ML выбрать?». Разбираю по-честному: где вакансии, где деньги, куда проще войти.

Классика (таблички, бустинги) 💪

Скоринг, отток, прогнозы, аплифт. Есть в каждой компании, где есть данные: банки, ритейл, телеком, страхование.

Вакансий больше всего. Порог входа самый низкий. База для любого другого направления: без классики тебя не возьмут никуда.

RecSys (рекомендации) 📈

Ленты, каталоги, поиск, реклама. Компанияобразующие системы: они напрямую делают выручку.

Вакансий меньше, чем в классике, но и конкуренция заметно ниже. А платят хорошо, потому что твоя модель двигает деньги компании. Недооценённое направление — про него будет вся следующая неделя.

NLP (тексты, LLM) 🤖

Самое хайповое. Все хотят «делать LLM», поэтому конкуренция на вакансию — конская. При этом значительная часть вакансий по факту промпты, RAG и обвязка вокруг чужих моделей.

Идти стоит, если реально горишь темой и готов конкурировать с толпой.

CV (картинки, видео) 👀

Беспилотники, медицина, безопасность, ритейл-аналитика. Направление нишевое: вакансий меньше всего, и они сконцентрированы в отдельных компаниях. Вход через классику + профильные проекты. Пока в рф тяжело будет

Как выбирать 😡

1. Начинай с классики в любом случае. Это фундамент и самый широкий вход на рынок.
2. Направление выбирай по двум осям: интерес и рынок. Горишь текстами — иди в NLP, но знай про конкуренцию. Хочешь баланс денег и спроса — смотри на рексис.
3. Не выбирай навсегда. Перекат между направлениями внутри ML — это доучить технологии, а не начать с нуля.

Ну а вообще всегда стоит выбирать направление по душе, так как тебе этим потом заниматься, записывайся на консультацию, разберем куда тебе пойти и как сделать это максимально быстро и эффективно - https://ml-mentor.ru/

Раскатываем ML кабины | MentorShip

Почему есть смысл перекатываться в ML прямо сейчас 🏃‍♂️

Частый тейк в медиа, особенно на фоне AI всех заменит и тд

Рынок пережил чистку и выправился 📈

Пару лет назад рынок штормило: сокращения, заморозки наймов, паника. Это отсеяло случайных людей и охладило ожидания.

Что осталось после чистки: компании по-прежнему внедряют ML везде, где есть данные. Банки, маркетплейсы, телеком, ритейл. Задач больше, чем рук. А вот истерики «войти в айти за 3 месяца» стало меньше.

AI-волна работает на тебя 🤖

Парадокс: все боятся, что AI отнимет работу, а по факту AI-бюджеты раздули спрос на людей, которые понимают модели. Каждой компании, внедряющей нейронки, нужны те, кто умеет с данными и понимает, как это работает под капотом.

И учиться стало быстрее. То, на что раньше уходили недели гугления, нейронка объясняет за вечер. Порог входа по инструментам снизился. Порог по пониманию остался — и это твоё преимущество, если учишься системно.

Например построение графиков уже все делают через нейронки, хотя раньше ты сидел и копал невнятную документацию

matplotlib

Деньги никуда не делись 🤑

Вилки в ML остаются одними из самых высоких на рынке. Средний оффер наших учеников 326-350к на руки. Потолок дальше — сотни тысяч, а через валютную удалёнку и выше (об этом в среду).

А теперь главный аргумент 👀

Каждый месяц «подожду, пока станет понятнее» стоит тебе одну зарплату, которую ты мог бы уже получать. Рынок не станет проще, а станет требовательнее: планка растёт каждый год

В те же рекомендательные системы можно было без понимания их работы попасть несколько лет назад, сейчас уже нет

Лучший момент начать был год назад. Второй лучший - сейчас.

Как-то так. Кто сомневается и ждёт знака считайте, что это он. Более явный знак ждите в следующих постах...

Учим тут: https://ml-mentor.ru/

Раскатываем ML кабины | MentorShip

Сколько стоит НЕ учиться или почему ты теряешь 300к/месяц прямо сейчас 🤔

«Зачем мне менторство? Всё есть бесплатно: ютуб, курсы, статьи, нейронки».

Правда. Информации хватит на три жизни. И в этом как раз проблема.

Как выглядит самообучение на практике 🌀

Ты открываешь роадмап. Потом второй, они противоречат друг другу. Скачиваешь курс, бросаешь на середине, начинаешь другой. Копаешься в теме неделю и не можешь ответить на простой вопрос: я это уже знаю достаточно или надо ещё?

Не понимаешь, где ты закончил. Не понимаешь, что можно пропустить. Не понимаешь, какая тема реально нужна для собеса, а какая просто интересная. И учишь четвёртый курс по пандасу, пока дыра в SQL стоит нетронутой.

Это не лень и не тупость. Это нормальное состояние человека без внешней обратной связи.

С нейронками стало только хуже 😃

Раньше информации было много. Теперь её бесконечно много: любая нейронка за минуту нагенерит тебе ещё один роадмап, ещё один список книг, ещё сто задач.

Поэтому наша задача на обучении поменялась. Она теперь не в том, чтобы дать тебе больше материалов. Наоборот. Наша задача — ограничить объём информации, которую ты перевариваешь. Отфильтровать и оставить только то, что реально ведёт к офферу.

Возможность получать только нужное в наших реалиях полезнее любых дополнительных материалов.

Поэтому мы минимизируем программу 💪

Звучит непривычно: платить за то, что тебе дадут МЕНЬШЕ информации. Но именно так это работает. Мы постоянно режем программу, выбрасываем необязательное и делаем твой путь до цели максимально коротким.

Ты не тратишь месяцы на копание. Ты идёшь по прямой: вот это учим, это пропускаем, здесь ты уже готов, идём дальше.

А теперь посчитай ⚡️

Самообучение выглядит бесплатным. Но у него есть цена, и она конская.

Каждый месяц копания это минус одна зарплата, которую ты мог бы уже получать. При оффере в 300к полгода блужданий стоят 1,8 миллиона. Вот настоящий ценник «бесплатного» обучения.

По факту 😈

Проблема самообучения не в отсутствии информации, а в её избытке. Выигрывает не тот, кто больше прочитал. Выигрывает тот, кто прочитал только нужное и дошёл до цели раньше.

Как-то так. Кто учился сам, расскажите в комментариях, где закопались. Интересно собрать топ ям самообучения.

Учим тут: https://ml-mentor.ru/

Раскатываем ML кабины | MentorShip

Заменит ли AI ML инженеров и аналитиков? 🤖

Есть ли смысл вкатываться, если через пару лет всё будет делать нейронка?

Отвечаю развёрнуто. Нас всех заменят дроиды торговой федерации.

Что нейронки уже умеют 😎

Давай честно: многое. Код по описанию, тесты, разбор чужого легаси, простые пайплайны. Компании это не пугает, наоборот: они сами покупают корпоративные лицензии Cursor и Claude и ждут от инженеров ускорения. Вайбкодинг уже легализован.

Задача, которую раньше оценивали в день, делается за полчаса. Это реальность 2026 года.

Почему это не замена 👀

Нейронка ускоряет того, кто понимает. И топит того, кто не понимает.

Она напишет код, но не выберет метрику под бизнес-задачу. Не поймёт, почему модель деградировала в проде. Не спроектирует систему под нагрузку. Не защитит решение перед заказчиком. И главное: она не несёт ответственность за результат. Ответственность не делегируется.

Чем больше кода пишет AI, тем ценнее человек, который может этот код проверить и понять, куда вообще едем.

Парадокс рынка 📈

Под угрозой не профессия. Под угрозой конкретный типаж: «просто пишу код по тикету, думать не хочу». Вот его нейронка действительно съедает.

А ML инженер и аналитик, которые понимают систему целиком, стали дороже. Потому что теперь один такой человек с нейронкой делает работу троих. Компании это посчитали и платят за понимание, а не за строчки кода.

Так было всегда. Компиляторы «убивали» программистов, конструкторы сайтов «убивали» веб-разработчиков. Каждый раз спрос на думающих только рос.

Что забрать в голову 😡

AI меняет профессию, но не отменяет её. Реальная опасность не в нейронке. Реальная опасность в человеке, который научился с ней работать раньше тебя.

Поэтому в нашем обучении гайды по AI встроены в программу: как учиться быстрее и работать эффективнее с нейронками. Без иллюзий, что они сделают всё за тебя.

Как-то так. Кто уже использует нейронки в работе или учёбе, расскажите в комментариях как.

Учим тут: https://ml-mentor.ru/

Раскатываем ML кабины | MentorShip

Что было в июне и что будет в июле 🏴‍☠️

Июнь закрыт. Коротко по итогам и жирный анонс июля.

Итоги июня 👀

- Дожали тему найма: поговорили с тимлидом про финалы и разобрали, как позиционироваться на собесе. Ты не сдаёшь экзамен, ты говоришь как профи с профи.
- Посмотрели свежий срез рынка ML и разобрали, почему контроффер это чаще всего ловушка.
- Прошлись по курсам: я прошёл десяток, и вам не советую.
- Кейс LongChain: цепочка учеников, которые приводят друг друга. Сарафан — самый честный отзыв.
- Поговорили про смыслы: зачем тебе вообще всё это.
- Показал, как я сам хожу на собесы и где до сих пор плыву.
- И да. Защитил кандидатскую ⚔️ Спасибо за поздравления, было приятно.

Что будет в июле 💙

Расписание прежнее: понедельник, среда, пятница. Но теперь недели тематические.

Сначала разберёмся с главными страхами: заменит ли AI ML инженеров и сколько на самом деле стоит «бесплатное» самообучение.

Потом карьерная неделя: почему сейчас время перекатываться в ML, как пробивается зарплатный потолок через валютную удалёнку и как выбрать направление.

Дальше моя родная тема. Целая неделя про рекомендательные системы: как они устроены, почему это деньги и кейс ученика с цифрой, которая вам понравится. Там же будет спецпредложение, следите.

И финалим неделей финалов: как не слить оффер на последнем шаге и как выбить +50к одним сообщением.

Подписаны? Хорошо. Уведомления включили? Молодцы.
Со среды начинаем

Учим тут: https://ml-mentor.ru/

Раскатываем ML кабины | MentorShip

Скучные отчёты, которые тащат тебя к офферу 🏃‍♂️

Когда говоришь ученику «пиши отчёты», первая реакция обычно «зачем эта бюрократия, я учиться пришёл, а не таблички заполнять».

А потом проходит пара месяцев, и именно отчёт оказывается той штукой, которая вытащила из болота. Давай разбираться, как обычная запись «что сделал за неделю» превращается в инструмент роста.

Проблема не в мотивации, а в отсутствии чувства прогресса 💪

Учёба с нуля устроена подло. Ты вкладываешься каждый день, а прогресс не виден. Вчера не умел, сегодня не умеешь, послезавтра тоже вроде не умеешь. И кажется, что стоишь на месте.

От этого руки и опускаются. Не потому что лень, а потому что не видишь результата своих усилий. Мозгу нечем подтвердить, что ты движешься.

Отчёт как раз делает движение видимым. Ты фиксируешь, что конкретно закрыл за неделю, и вдруг оказывается, что за месяц набежал приличный список. Это не самообман, это возврат тебе твоего же прогресса, который иначе растворяется.

Дисциплина без насилия над собой 🤓

Второе, что даёт отчёт, это регулярность. Не рывками по 10 часов раз в неделю, а стабильно понемногу.

Работает просто. Ты знаешь, что в конце недели будет строчка «что сделано». И пустую строчку писать не хочется. Это мягкое давление, которое держит тебя в графике без надрыва.

- Видно, где ты слил неделю, и почему.
- Видно, на что реально уходит время.
- Видно, где ты буксуешь на одной теме вторую неделю подряд и пора звать на помощь.

Это не про «отчитаться перед начальником». Это про честный разговор с самим собой, только записанный. Более того, всем говорю, что если планируешь ничего не делать - это ок. Просто зафикисируй это, нормально заниматься не только обучением.

Почему это ещё и подготовка к работе 😡

Бонус, о котором мало кто думает. Умение коротко рассказать, что ты сделал и какой был результат, это рабочий навык.

На работе тебя постоянно будут спрашивать «что по задаче». На собесе, «расскажи про проект». Человек, который вёл отчёты, отвечает спокойно и по делу, потому что он привык формулировать свой результат словами. Остальные мычат.

Так что ты не просто трекаешь прогресс. Ты заранее тренируешь то, что пригодится каждый день в профессии.

Как это устроено у нас 🦯

На менторстве отчёты это не формальность для галочки. Ученик фиксирует, что сделал, где застрял, что непонятно. Я и команда видим это и реагируем: где подтолкнуть, где сменить темп, где вернуться и добить тему.

Плюс это точка контроля. Пропал на неделю, и это сразу видно, а значит можно вовремя вернуть человека в строй, а не обнаружить через месяц, что он всё забросил.

Скрин части системы отчета как раз на фото 🐰

Что забрать в голову 🌀

Отчёт это не бюрократия. Это зеркало твоего прогресса, мягкая дисциплина и тренировка навыка рассказывать про свою работу. Три в одном из одной скучной привычки.

Начни с малого. В конце недели три строчки: что сделал, что понял, где застрял. Через месяц перечитай. Удивишься, сколько прошёл.

Как-то так. Кто ведёт что-то похожее, дневник учёбы, трекер, заметки, накидывайте в комментарии, как это вам помогает.

Учим тут: https://ml-mentor.ru/

Раскатываем ML кабины | MentorShip

Защитил кандидатскую. У меня все ⚔️

Я сам хожу на собесы. И до сих пор где-то плыву

Многие думают, что ментор это человек, который один раз нашёл работу, а теперь учит других по конспекту пятилетней давности. У меня не так. Я сам периодически хожу на собесы как соискатель, чтобы понимать текущее состояние рынка

Зачем я вообще хожу 🏃‍♂️

Рынок меняется быстро. То, что спрашивали год назад, и то, что спрашивают сейчас, это две разные вещи. А нам важно держать руку на пульсе. Плюс на себе хочу понимать сложность собесов.

Плюс я сижу по обе стороны стола. Я и собеседовал людей в команду, и сам прохожу собесы. Это даёт картинку целиком. Что у интервьюера в голове и что чувствует кандидат.

Где я сам плыву 🤔

Сразу честно. Я знаю далеко не всё. И некоторые вещи прям забываю.

Да, я провожу собесы. Могу отвалидировать корректный ответ или нет. Но какие-то вещи всё равно вылетают, то, что сам давно не спрашивал. Тонкости, на которые уже не обращаешь внимания, потому что работаешь на полуавтомате.

Всё упомнить невозможно. И это нормально.

Выезжаю на софтах ⌨️

Я для себя выработал штуку, которая реально работает.

Большую часть знать надо. Но какой-то вопрос можно спокойно скипнуть на уровне софтов. «Не помню, в работе это не использовал.» и это будет норм.

Лучше прямо сказать «не знаю» и пойти дальше, чем мяться и терять свое время и время интервьюера. И вот контраст. Слабый кандидат начинает выдумывать и плавать. Сильный говорит «вот это не использовал, а вот такую похожую задачу решал так-то». Сразу показываешь интерес и опыт. И выглядишь как более опытный спец. Это важно.

В посте с вопросами тимлида как раз про это писал, что софтовые кандидаты всегда в приоритете.

Шпаргалки и резюме 0️⃣

Шпаргалки по темам, где постоянно путаюсь. Классическая: метрики классификации, вечная путаница True Positive / False Negative и тд. Либо оно жёстко заучивается, либо просто лежит шпора, куда можно глянуть, несколько лет с этой шпорой ходил, пока в голову себе все термины не забил.

И всегда параллельно открыто моё резюме, как скелет рассказа.

Важно задавать вопросы 😃

Важно нормально про себя рассказать и общаться на равных с интервьюером. Как именно подавать себя на собесе, я разбирал отдельно тут - тыык

И второе. Тебе самому должно быть интересно, что происходит. (ну или так должно выглядеть)
Спрашивай, как у них устроены процессы в команде, как выстроена архитектура, инфраструктура. Когда меня собесят по рексису, мне всегда любопытно, как у них выглядит инфраструктура и система. Что делают, чего не делают, как используют.

Пару вопросов техническому эксперту я задам точно. Мне это полезно для своих знаний, а ребятам всегда приятно рассказать, что у них под капотом.

Как-то так.

P.S. Немного экспериментирую с дизайном картинок. Как вам?

Если хочешь научиться эффективно проходить собесы, тебе сюда: https://ml-mentor.ru/

Раскатываем ML кабины | MentorShip