OnlyAnalyst by Алексей Гаврилов

🧜‍♂️ Всем привет!

🤯 Сейчас в процессе подготовки с @dianakoloda, Head of HR DataGo, два проекта: ответы на вопросы и «Прожарка» 🔥 резюме.

🧖 Если кто-то хотел задать вопрос или поделиться своим резюме, то у Вас еще есть время!

🙋‍♀️ Вопросы могут касаться любого этапа трудоустройства: поиск и смена работы, прохождение HR и технической части, выбор профессионального пути.

🚒 «Прожарка» заключается в разборе вашего резюме с точки зрения HR и технической. По итогу получите достаточно подробную обратную связь, которую сразу же сможете применить. Зрителям будет тоже интересно, так как проблемы обычно +- похожи.

✒️ Вопросы и резюме присылайте в комментарии под постом. Можете ставить пометку на сколько сильную «Прожарку» 👩‍🚒 хотите.

👯 Если есть друзья, которым это может быть интересно, то зовите - вместе веселее.

#прожарка #резюме #поискработы

🧑‍💻 Аналитики, привет!

🚯 Можете смело бросать изучение Python, SQL и статистики, потому что вышел временно бесплатный курс по ChatGTP от DeepLearning.AI в партнерстве с OpenAI.

🧑‍🏫 Небольшой ликбез:

👅 Большая языковая модель (LLM) - это тип искусственного интеллекта (AI), которая может понимать и генерировать человеческий язык. Она создается путем обучения нейронной сети на огромном наборе данных текста, что позволяет ей изучать закономерности и взаимосвязи языка.

🧑‍🏫 После обучения LLM может выполнять различные задачи по обработке естественного языка (NLP), такие как перевод, обобщение и генерация текста. Одним из примеров LLM является модель GPT-3 (Generative Pre-trained Transformer 3).

🤖 ChatGPT - это компьютерная программа, предназначенная для общения с людьми. Она использует искусственный интеллект, чтобы понимать, что пишут люди, и генерировать соответствующие ответы.

📕 Promt - это набор команд для ChatGTP.

📚 У меня прохождение курса заняло один вечер, хотя в описании написано, что он рассчитан на 1 час.

🏆 Вы научитесь лучшим практикам по написанию «промтов», создадите чат бота и узнаете как использовать OpenAI API.

⚒ Уверен, что умение использовать ChatGTP или любой другой LLM будет отличным дополнением любого резюме, особенно аналитика, так как ChatGTP не просто заменяет junior специалиста, а еще и на работу не опаздывает.

🐡 DeepLearning.AI, во главе с Andrew Ng, на протяжении 6 лет создают потрясающие курсы на тему AI. Их профессиональный сертификат по TensorFlow стал одним из первых, который я полностью прошел.

🍾 OpenAI в рекламе не нуждаются, собственно они эту LLM и разработали.

✒️ А вы уже используете ChatGTP или другие ИИ в своей работе?

#chatgtp #курсы

😀 Всем привет!

📕Сегодня продолжим тему курсов, обсудив такое явление как проект, который по уверению создателей курсов, станет жемчужиной Вашего резюме и дополнит портфолио.

🦄 Изначальный смысл портфолио - это отражение навыков, а также «уникального» почерка владельца, путем демонстрации своих лучших работ.

🎭 Портфолио сыграет свою роль, только в первый раз, когда HR или кто-либо другой его увидит, но в реальности подборку работ уже знают все наизусть, а удивить они могут только лишь своим отсутствием.

🏅 В плане навыков тут еще сложнее, так как зачастую проекты и правда довольно сложные в реализации, но заботливое руководство курсов осмотрительно снабдит ученика несколькими готовыми функциями, которые по своему размеру больше напоминают полноценный модуль. И вместо подробного разбора работы, заставит бездумно применить функции в нужных местах.

🧪 Задания на АБ тесты сконцентрированы всегда на финальной части, а именно расчете, где необходимо понять: прокрасились метрики или нет? Совершенно упуская из вида важнейшую часть - дизайн эксперимента, которая остается за кулисами в качестве сухой теории.

🧑‍🏫 Код-ревьюеры заслуживают отдельного внимания. От тренажера, который мы обсудили в прошлых частях, их отличает не столько человеческий подход, сколько большая склонность к ошибкам. Однобокость оценки сродни их автоматизированного коллеги.

🎨 В итоге имеем безликий набор работ, который не помогает ни выделиться среди равных, ни подкрепить изученные знания практикой.

🖼 Намного ценнее, если бы ученики на протяжении всего обучения создавали свой один уникальный проект, пусть не на столько отполированный, как готовые, но зато самобытный, живой и отражающей уникальные подходы владельца к анализу данных.

✒️ Было бы интересно послушать мнение студентов, нанимающих и ревьюеров, всех приглашаю в комментарии.

#курсы #часть_3

😀 Всем привет!

🎥 В сегодняшнем выпуске разберем заграничный IT рынок без привязки к конкретной локации (на сколько это возможно)

🧐 Видео проводит параллели между разными IT рынками, чтобы зритель смог самостоятельно сделать выводы.

✒️ Поделитесь своим опытом или задавайте интересующие вопросы в комментариях.

#видео #интервью #поискработы

👋 Всем привет!

🔢 Сегодня сравним все возможные способы возведения списка в квадрат в Python 🐍

🦄 Во-первых, создадим список:

my_list = [1, 2, 3, 4, 5]

🌈 Теперь рассмотрим различные способы возведения списка в квадрат:

1️⃣ Цикл for и метод append():

squared_list = []
for num in my_list:
squared_list.append(num ** 2)

2️⃣ Списковое включение:

squared_list = [num ** 2 for num in my_list]

3️⃣ Функция map():

squared_list = list(map(lambda num: num ** 2, my_list))

4️⃣ Массив numpy:

import numpy as np
my_array = np.array(my_list)
squared_array = np.square(my_array)
squared_list = squared_array.tolist()

🔬Теперь проверим какой способ самый быстрый в зависимости от количества элементов в списке! Для этого воспользуемся библиотекой timeit. Диапазон значений для списка будет от 0 до 500 000 элементов.

🏁 Массив Numpy неоспоримый чемпион по скорости! Практически в 5 раз превышающий цикл и функцию map(), которая я думал будет быстрее. Списковое включение не только лаконичный, но и самый быстр способ возведения списка в квадрата без использовался дополнительных библиотек.

✒️ Как Вам такие питоновские гонки? Что еще было бы интересно Вам сравнить? Какие способы возведения списка в квадрат Вы еще знаете?

🏠 В качестве задания попробуйте использовать не метод np.square(), а broadcasting.

#numpy #python

😀 Всем привет!

📹 Вчера в видео мы затронули такую сущность как массивы numpy. Разберем в чем их отличия от списка в Python.

📊 Списки - это встроенная структура данных в Python, которая может содержать разнородные элементы любого типа. Давайте рассмотрим пример создания списка:

my_list = [1, 2, 3, 'a', 'b', 'c']

🔢 Массивы numpy являются фундаментальной структурой данных в научных вычислениях и специально разработаны для числовых операций. Они однородны по своей природе, что означает, они могут содержать только элементы одного и того же типа данных. Вот пример создания массива numpy:

import numpy as np

my_array = np.array([1, 2.5, 3])

array([1., 2.5, 3.])

my_array.dtype

dtype('float64')

🧮 Как мы видим, numpy автоматически переводит из формата int64 в float64 целиком весь массив, даже если хотя бы один элемент является float64 - однородность это цена, которую приходится заплатить за скорость.

🎯 Еще одно ключевое отличие заключается в том, что массивы допускают поэлементные операции:

import numpy as np

arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])

result = arr1 * arr2

print(result)

# Output: [4, 10, 18]

🤔 Напротив, выполнение поэлементных операций со списками потребовало бы перебора каждого элемента, что медленнее и не так лаконично.

🔭 Еще одной полезной функцией массивов numpy является broadcasting, которая позволяет выполнять операции между массивами различной формы:

import numpy as np

arr = np.array([1, 2, 3])

result = arr * 2

print(result)

# Output: [2, 4, 6]

📝 Таким образом, в то время как списки являются структурой данных общего назначения в Python, массивы numpy специально разработаны для вычислений и обеспечивают лучшую производительность и функциональность. Однако, если вам нужно хранить элементы разных типов, то придется использовать списки.

🏠 Попробуйте повторить поэлементные операции и broadcasting с помощью списка Python и присылайте резудьтаты в комментарии.

🏎️ В следующих постах отдельно разберем индексацию и сравним скорость работы разных методов.

💬 Есть хотите обсудить аналитику данных, попросить совета по резюме, поделиться тестовыми или просто задать интересующие вопросы, то присоединяйтесь к нашему чату.

#numpy #python

🙋 Всем привет!

🚀 Сегодня объявляю о запуске первого еженедельного видео подкаста «Аналитические Важности»

⚒️ Я и @J_e_snow обсуждаем технологии, тренды и события из мира анализа данных, чтобы Вы были в курсе не столько нового, сколько важного.

🗺️ Наша концепция идет в разрез традиционному подходу СМИ: подмена важного новым.

📰Темы первого выпуска: Pandas 2.0, Валидация данных, EDA с AutoProfiler, Aha!23, Визуализация Wordle, API Hacking, Обзор баз данных.

🔗 Ссылки на статьи из ролика будут в комментарии к посту.

✒️ Как Вам такой формат?

#видео

📽 Посмотрел видео с Анна Штенгауэр, HRD в ubic.tech, в рамках проекта «Как найти свою первую работу в IT» от Хабра.Карьеры и VK. Особенно понравилось, когда Анна рассказывала про нативную интеграцию CRM с HH, а не Хабра.Карьерой. 😕

✒️ Пока смотрел видео конспектировал, и подготовил для Вас небольшую выжимку.

🧙‍♀️Прописные истины в составлении резюме:

1️⃣ Необходимо делить текст на абзацы.

2️⃣ Отображать количественные результаты работы и добавлять много фактуры: команда, задачи и так далее.

3️⃣ Писать резюме под конкретную вакансию.

4️⃣ Если есть предыдущий опыт, то его необходимо инкрустировать в резюме, чтобы подсветить доменную область, задачи, которые вы считаете «крутыми» вне зависимости от области, и задачи, связанные с аналитикой.

5️⃣ Необходимо транслировать свою мотивацию в резюме.

6️⃣ Стараться «закинуть» резюме через людей, которые Вас знают и будут вашими рефералами. Можно даже искать переговорщика в сети 😉

7️⃣ Ментор может не только научить, но и порекомендовать.

8️⃣ Пользуйтесь карьерными сайтами интересующих компаний, чтобы сопроводительное письмо (СП) было более релевантным.

🌙 Новинки:

🔝 В разделе «обо мне» можно оставить свой ТГ и тогда не нужно HR тратить денюжку компании на ваш отклик и конверсия звонков увеличится. Уже вижу, как разработчикам 🧑‍💻, вне спринта, прилетает задача на устранение фичи бага.

🙋‍♀️ Ответы на вопросы, которые задавали в чате:

❓Можно ли считать учебный опыт рабочим?
Ответ: да, это MVP, которое демонстрирует вашу работу

❓Читаешь ли ты СП?
Ответ: Да, но нужен удобный формат. Большое - ок, если в нем есть ценность. Можно добавить ссылки на работы, не только гитхаб, но и визуал.
От меня: Для аналитиков можно сделать небольшое исследование компании и добавь его в СП.

❓Надо ли писать в названии резюме «стажер»?
Ответ: Нет, но правильное название важно.
От меня: Будете писать, когда будет плашка Senior 😀

❓Откликаться на вакансии или связываться напрямую? (Обсуждали с Дианой, видео в закрепе)
Ответ: да, если по делу, но не переходите личные границы, чтобы не спугнуть и не казаться назойливым.
От меня: да, испечь торт будет слишком ☺️

❓Как понять по количеству откликов: переоцинил себя или нет?
Ответ: переоценили, если откликов нет, недооценили, если по зарплате предлагают меньше.

❓Можно ли опыт онлайн курсов выдать в качестве работы в компании?
Ответ: Не надо, очень легко, лучше быть честным 😇

❓Как избежать падения вакансии в выдаче?
Ответ: никак, у всех внутренняя кухня. Эйджизм 👨‍🦳и сексизм 🤵‍♂️есть в компаниях, от него не убежать, но не в нашей 😇

❓Надо ли указывать возраст?
Ответ: Да, но на эйджизм, не обижайтесь.

❓ Есть школы онлайн курсов, которые ценят больше? Является ли ЯП жирным плюсом?
Ответ: Ориентируйтесь на экспертов в онлайн школе, а не на вендора.
От меня: Нет

❓Увеличатся ли шансы, если скажу, что готов работать бесплатно?
Ответ: Нет, надо себя ценить 💰

🏋️ Кто-нибудь уже присоединился к «движухе»? Как Вам?

🔥 Кто хочет на «Прожарку» резюме, присылайте их в комментарии к посту или мне в личные сообщения, мы разберем с Дианой, head of HR DataGo. Если хотите, то личные данные можете убрать.

#собеседования

Всем привет!

📚 Продолжение поста о курсах, в котором разберем тему домашних заданий.

😑 Проблематика здесь уходит корнями еще во времена школьной программы, где постулируется принцип, что домашние задание - это способо закрепления материала и перевод информации из знания в навык. Все верно, но большинство задания не делают, а списывают.

🤦‍♀️ Причина в том, что единственный способо «заставить» кого-то выполнить «домашку» - это сделать ее интересной для ученика, тогда проблема списывания решится сама собой и уйдет соблазн воспользоваться 🤖 ChatGTP.

🪚 Домашние задания на курсах оторваны от жизни на столько, что кроме забористых формулировок и неясных требований ничего не остается в памяти. Все ради того, чтобы проверить усвоил ли ученик несчастную оконную 🪟 функцию или она выветрилась вместе с другой информацией из головы.

🎭 Подобно персонажу произведения, которому зритель может сопереживать, только проведя параллели со своей жизнью и найдя в них себя, задание должно быть отражением реальности, которое ловко упаковано и интегрировано в учебный процесс.

🤷 Как сделать это в рамках больших курсов-конвейерах сказать сложно, наверное поэтому они со временем и уйдут (нет).

💰Но с такими бюджетами, можно конечно развить успех потрясающе интересных вводных частей курса, которые после оплаты резко превращаются в академические лекции, где вываливают знания, уже без интересной истории про аналитика Гришу.

🧑‍🎤 В менторской практике я всегда строю обучение вокруг зоны интересов ученика, тогда вместо выполненных домашних заданий получаешь полноценные исследования, которые выходят далеко за рамки первоначальных требований.

🏁 Поэтому думаю, что занятие 1 на 1 с ментором не только эффективнее с точки зрения знаний, но и финансов.

🏊 Первоначальная задача ментора стать ненужным своему ученику как можно быстрее и пустить его в свободное плаванье.

💵 У курса задача, чтобы ты еще потом «усиленную математику плюс» докупил и тогда уж точно найдешь работу своей мечты.

✒️ Уверен, что у многих опыт схожий, если готовы, то поделитесь своим мнением в комментариях.
#курсы #часть2

Всем привет! 😀

🥷 Сегодня узнал о коллаборации Хабр Карьера ✖️ VK с громким и наболевшим названием «Как найти первую работу в IT», которая началась сегодня вчера 24 апреля и продлится до 5 мая.

🖼 В рамках сотрудничества организаторы задались вопросами, которые мы подробно с Дианой разобрали в нашем первом ролике (в закрепе): Почему не отвечают на отклик? По каким критериям оценивают? и так далее.

📢 Спикеры очень разносторонние: от стажеров до CEO и не только из компаний-организаторов, а также из Ozon, Microsoft Яндекс (хотя и Практикум). Каждый день будет посвящен одной теме.

💕 Я зарегистрировался и бегло ознакомился с первыми двумя роликами: «Про рынок честно» и «Где и как компании ищут себе стажеров и джунов». Мне было очень интересно послушать: рассказывают хорошо и по делу, узнал про разнообразие стажерских программ.

🕵️‍♂️ Думаю, что людям находящимся в поиске работы очень полезно узнать про внутреннюю кухню процесса, позаниматься нетворкингом и пополнить копилку советов про найм.

🏎 «Движуха» (так авторы сами называют свое мероприятие) бесплатная, есть домашние задания, в конце будет еще конкурс, победителя которого выберут, согласно правилам, по критериям: креативность подхода к заданию и оформление (то есть как захотят).

🔬 Сегодня будет разбор резюме. К сожалению, свое уже не отправить, но первую домашку еще сделать можно. Не переживайте, сделаем с Дианой свой разбор Ваших резюме!

🧐 После просмотра решил поискать программы стажировки с Хабра.Карьеры для аналитиков данных. Всего 21 позиция, да и то не все актуальные. Так что реальность как всегда немного суровее.

⛈ Из минусов для меня - это огромное количество приседаний вокруг VK, аккаунт в котором у меня украли лет 5 назад.

✒️ Будете участвовать? Приглашаю в комментарии.

#поискработы

😀 Привет!

📚 Астрологи объявили годы курсов по аналитике данных, поэтому если Вы только планируете записаться на один из них или уже учитесь, то Вам это будет как минимум - любопытно, а как максимум - полезно. Возможно, позволит Вам избежать ошибок или узнать на что сделать упор.

📊 Немного фактуры, чтобы понять, почему мое мнение вообще стоит рассматривать (или нет).

📈 С 01.07.2022 я провел более 300 занятий по анализу данных: Python, SQL, менторство, подготовка к собеседованиям.

🈴 За это время, наверное, набрал максимальный рейтинг на Профи.ру: 5 ⭐️ за 53 отзыва. У кого больше - скидывайте, даже интересно 🧐

🧑‍🎓 Студенты были с Яндекс.Практикум, Sky.Pro, SkillFactory, Karpov.Courses, GeekBrains, SkillBox и Нетология, ВШЭ и РАНХиГС и других.

🎯 Разберем общие закономерности, которые я выявил во время занятий, вне зависимости от курсов.

📖Тему разобьем на несколько частей, в каждой из которых разберем определенную проблематику.

🏋️‍♀️ Тренажеры

🤦‍♀️ Тренажеры - это некий слой абстракции между учеником и данными, который подобно приставным колесам велосипеда, должен быть надежной опорой аналитика в начале пути.

🤹‍♀️ Ученики работают в вымышленном мире, который ни своим интерфейсом, ни своим функционалом даже отдаленно не напоминает привычный всем DBeaver или DataGrip, программы с которыми аналитик взаимодействует каждый день.

🔬Постоянные сбои, ошибки в приеме заданий и прочие радости работы тестировщика будут верными спутниками студента на протяжении всего обучения.

🤖 Роботизированные, однотипные задания, которые обязательно надо 100 раз отправить, чтобы тренажер удовлетворился полученным ответом, а какой-то обратной связи от системы ждать не приходится.

📨 С точки зрения курсов идея понятна: тренажер позволяет выстроить неплохой конвейер, но к сожалению, вместо деталей, на нем лежат настоящие люди, требующие если уж не индивидуального подхода, то хотя бы человеческого отношения.

🚧 Как самостоятельно подключиться к БД или создать свою? Как связать Python и БД? Как загрузить данные в таблицу? Как оптимизировать SQL запрос? Как читать ER-диаграммы? Ответы на эти и другие важнейшие вопросы перекидываются на неокрепшие плечи будущих соискателей.

⚒ Решение: у учеников должен быть доступ к базе данных курса через DMT, чтобы привыкать не только к интерфейсу и функционалу, но и возникающим ошибкам. Необходимо сразу начинать работать в реальном мире, иначе рискуете остаться в мире грез 🧚‍♀️ тренажера навсегда.

🔝 В следующей теме разберем домашние задания и выпускные проекты.

☄️ Если вы сталкивались с подобным или наоборот у вас противоположный опыт, то приглашаю в комментарии.

📹 Планировал записать ролик, но решил сначала переложить опыт и мысли на текст, услышать обратную связь, а потом уже сделать полноценное видео.

#курсы #часть1

😀 Всем привет!

🐼 Я уверен, что вы все использовали методы Pandas .iloc и .loc,которые позволяют нарезать 🔪 данные. Но задумывались ли вы когда-нибудь, какой из них быстрее? Давайте выясним! 🕵️‍♂️

🦄 Сначала давайте создадим два DataFrame для сравнения методов:

# импортируем необходимые библиотеки

import pandas as pd
import numpy as np

# Создаем данные со значениями от 0 до 100 и размеренностью 100_000 на 5

data = np.random.randint(0, 100, size=(100000, 5))

# Создаем DataFrame и даем название столбцами

df = pd.DataFrame(data, columns=list('ABCDE'))

⚖️ За меру возьмем срез от 0 до 500 индекса:

rows = range(0, 500)

🪄 С помощью magic word timeit сравним скорость выполнения методов:

%timeit df.iloc[rows]

67.9 µs ± 219 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)

%timeit df.loc[rows]

169 µs ± 1.52 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

🏎️ .iloc оказался в в 2.5 раза быстрее, чем .loc. в данном случае. Это потому что .iloc использует индексацию на основе целых чисел, тогда как .loc использует индексацию на основе меток.

🔢 Поскольку наш индекс является диапазоном целых чисел, то .iloc может воспользоваться этим преимуществом и показать хорошие результаты.

📍Однако, если вы работаете с DataFrame, который в качестве индексов использует метки, то .loc может оказаться быть быстрее.

📚Задание: попробуйте сравнить данные методы в других условиях и поделитесь результатами.

🧸 В комментариях буду теперь прикладывать код в формате .ipynb, чтобы Вам было удобнее.

#pandas

Всем привет! 😀

👨‍👩‍👦‍👦 Совместно с Яндекс.Практикум подготовил список бесплатных курсов, которые помогут Вам приобрести необходимые знания для прохождения собеседования и непосредственно работы, а также добавить немного информации в резюме.

ℹ️ Курсы идут в порядке, который я считаю самым верным. Все курсы опробованы мной. Подходят для изучения с 0. Примерное время прохождения указываю ⏰, но особо на него не ориентируйтесь. Занимает, обычно, дольше.

1️⃣ Основы математики для цифровых профессий. ⏰ 140 часов. Обратите внимание на спецкурс для аналитиков. Отлично изложен материал, есть вводный тест, плотность информации, это все нужно знать для комфортной работы.

2️⃣ Основы анализа данных и Python. ⏰ 12 часов. В Яндексе всегда отличные и завлекающие вводные курсы, после них обучение трансформируется в более академическую форму. Станете junior аналитиком: изучите немного Python, поработаете с визуализациями, метриками и гипотезами, даже МЛ будет.

3️⃣ Основы работы с DataLens. ⏰ 5 часов. Предсказываю, что DataLens станет или уже стал BI-инструментом #1 в СНГ. Так что его изучить будет очень дальновидным поступком. Принцип работы с BI-инструментами практически не меняется в зависимости от вендора, так что после DataLens пересесть на что-то другое будет проще, чем вообще без опыта работы с BI.

4️⃣ Бесплатный курс по созданию презентаций. ⏰ 4 часа. Дэшборды - это конечно хорошо, но старую добрую презентацию никто не отменял, а правил ее составления на самом деле много, чтобы она не превратилась в «текст на слайдах». Курс далеко не исчерпывающий, но некоторое представление даст.

5️⃣ Подготовка к алгоритмическому собеседованию. ⏰ 10 часов. В последнее время от аналитиков требуют не просто решить задачку на Python, но и выполнить условия по сложности алгоритма, поэтому основы знать надо, в работе пригодится.

6️⃣ Инженер облачных профессий. ⏰ 22 часа. Скорее всего облачное решение Вашей компании будет от Яндекса, поэтому понимать как все устроено (в том числе DataLens, ClickHouse) будет большим плюсом во время трудоустройства и поможет во время работы. В целом, можно остановиться на модуле «Хранение и анализ данных», тогда получится 9 часов вместо 22.

7️⃣ Основы Python-разработки. ⏰20 часов. Бесплатная часть курса, но для закрепления и расширения кругозора подойдет. Лично у меня были задачи связанные именно с разработкой на Python, поэтому советую.

8️⃣ Excel для работы. ⏰ 11 часов. Последний по всем параметрам, но все же может пригодиться, если есть пробелы в знаниях по Excel. Но многое, что использую я, там не изложено.

🧐 Как Вам такой контент? Если интересно, то расскажу про курсы, которые закончил на coursera.

🤝 Если понравилось и считаете полезным, то поделитесь с товарищами.

#курсы #подборка

📽️Вышло новое видео, посвященное ментальной подготовке к собеседованию.
🆘Уверен, что многие узнают себя и найдут эту информацию полезной. ✍️Если остались вопросы, то приглашаю в комментарии.
☎️Жду Вашей обратной связи!
#видео

👋🏻Всем привет!

Было бы странно в канале про аналитику не поделиться «аналитикой» видео 📹, которое вышло неделю назад. Так что самое время подвести первые итоги. Сегодня займемся storytelling, где я основываясь на метриках буду рассказывать зачем 🤷 они нужны и какие выводы🗿 я сделал. Думаю будет интересно.

На youtube разделы аналитики контента стандартные: охват 🌍, взаимодействие 👩‍❤️‍👨и аудитория 🔉.

🌍 Охват отвечает за такие метрики как показы, CTR (просмотры/клики), просмотры и уникальные зрители. Также по каким поисковым запросам ищут видео и основные источники трафика (сайты, мессенджеры).

🤷 Это помогает лучше понять насколько широко видео распространилось и какие источники были самыми лучшими, а также привлекательность заголовка и актуальность для зрителя.

🗿В моем случае CTR в 7,8 % довольно неплохой показатель: каждый 10 показ генерирует клик в просмотр 👀.

🧾 Выводы: превью и название неплохие, но не очень оптимизация для поиска в youtube.

👩‍❤️‍👨 В взаимодействии можно посмотреть общее время просмотров, среднюю продолжительность просмотра , процент досмотра видео и количество лайков/комментариев.

🤷 Показыает на сколько контент интересен пользователем, какие эмоции вызывает и на сколько удобен для «потребления».

🗿Общее время просмотра составило 28 часов, в среднее время просмотра 7 минут! Интересно, что почти 36% досматривают до 30 секунды, потом спад снижается и почти 10% досматривают до конца.

💯 Оценка пользователей оказалась очень высокой: 100 процентов лайков!

🧾 Выводы: первые секунды видео очень важны! Надо стараться «зацепить» зрителя сразу же и тогда шанс, что он досмотрит видео - увеличится. Также полтора часа слишком долго: надо сокращать или разбивать на несколько частей. Возможно, надо попробовать shorts.

🔉Аудитория показывает демографию зрителей: пол, возраст страна, а также их количество.

🤷Позволяет лучше понять Вашего зрителя, чтобы скорректировать контент.

🧾Выводы: 93% уникальных пользователей смотря без подписки, так что если Вы один из них, то подписываетесь ✍️

📽Скоро выйдет выпуск на тему психологии собеседования, получилось очень интересно! Как раз увидите, получилось ли у меня на основе данных принять правильные решения и улучшить контент 😅

Как Вам такой формат? Какие бы Вы выводы сделали на основе этой аналитике? Как вам само видео?

🖋Скриншоты с аналитикой в комментариях.

#видео #аналитика #собеседования #интервью

📢 Аналитики, привет! Кто-то сталкивался с проблемой, что нужно посчитать количество повторений элемента в списке? Или узнать какие элементы повторяются больше всего раз? Для решения данной задачи можно написать свою собственную функцию или можно воспользоваться встроенным модулем Collections и объектом Counter.

🧮 Объект Counter позволяет нам подсчитывать количество каждого элемента и возвращает словарь с результатами:

# импортируем библиотеку
from collections import Counter

# создаем список со значениями
lst = ['apple', 'banana', 'orange', 'apple', 'apple', 'orange']

# создаем объект
cnt = Counter(lst)

print(cnt)

Output: Counter({'apple': 3, 'orange': 2, 'banana': 1})

# для вывода только 2 самых распространенных элементов
print(cnt.most_common(2))

Output: [('apple', 3), ('orange', 2)]

👩‍🏭Но как насчет производительности? Давайте сравним метод Counter с решением на Python, используя timeit:

d = {}
for elem in lst:
d[elem] = d.get(elem, 0) + 1
print(d)

Output: {'apple': 3, 'banana': 1, 'orange': 2}

🔎 Результат мы получим одинаковый, но в плане скорости выполнения Counter работает в разы быстрее, чем даже самое эффективное решение на чистом Python.

⚖️ Подробное сравнение на 60 000 элементах в комментариях!
#python

👋 Всем привет! Сегодня разберем циклы в Python: while и for! 🐍

⏰ Цикл повторяет определенную задачу снова и снова, пока он не получит команду остановиться.

🤔 Но как мы сообщаем циклу, когда нужно остановиться?

🤖 Цикл while будет работать до тех пор, пока выполняется определенное условие.

👦🏼 Например, вы хотите сосчитать от 1 до 10:

count = 1
while count <= 10:
print(count)
сount = count + 1

Этот цикл будет выполняться до тех пор, пока count будет меньше или равно 10. Он будет выводить значение count каждый раз в цикле, а затем добавлять 1 к count. Когда количество достигает 11, условие count <= 10 больше не выполняется, и цикл останавливается.

🚶Теперь давайте поговорим о циклах for. Цикл for используется для перебора последовательности элементов, например таких как список или строка.

🍎 Например, предположим, у вас есть список фруктов, и вы хотите вывести каждый фрукт в списке:

fruits = ['яблоко', 'банан', 'вишня']
for fruit in fruits:
print(fruit)

Этот цикл пройдется по каждому элементу в списке фруктов и напечатает его. Переменная fruit используется для представления каждого элемента по очереди.

🤔 Итак, подведем итог: циклы while продолжают выполняться до тех пор, пока условие истинно, а циклы for повторяют последовательность элементов.

👋 Вот домашнее задание для закрепления материала:

🧐 Задача: Напишите код на Python, который выводит первые 10 четных чисел.

Выберете какой цикл использовать и объясните почему!

В следующих постах подробно разберем примеры использования того или иного цикла и сравним их с точи зрения скорости выполнения.

#python #циклы

— Я ни разу не проводил А/Б - тест.
— Ладно, не заливай... Ни разу не проводил?
— Не довелось. Не было.
— Пойми, в аналитике ☁️ только и говорят, что об А/Б - тестах 🌊…

Именно так бы звучала фраза из фильма 🎬, если бы его снимали в 2023 году. Что такое А/Б - тесты и статистическая значимость я расскажу кратко и перейду к сути поста.

A/B-тестирование 🔬 — это метод, используемый для сравнения двух равнозначных версий, которые отличаются только одной переменной, чтобы определить, какая версия работает лучше, на основе статистического анализа данных.

Статистическая значимость 📈 — это мера того, является ли разница между двумя версиями в тесте A/Б случайной. Другими словами, будут ли результаты, которые вы видите, воспроизводимыми или нет.

Если кто-то читает это в первый раз и что-то понял, то добро пожаловать в Аналитики 👨‍💻👩‍💻!

Обычно, с определениями, сложностей не возникает, так как их можно выучить 🧑‍🏫, а вот когда требуется визуализировать два случая: со статистической значимостью и без, то есть варианты.

Уверен, что это ответ сильно поможет в понимании вопроса🕵️‍♀️: Строим гистограмму, показывающую распределение данных для каждого варианта (у кого с этим есть вопросы, пишите в комментариях 📝 и обсудим в следующем посту). Если результаты статистически значимы, то будет четкое разделение 🔪 между двумя распределениями, а если разница не является статистически значимой, то распределения будут перекрываться 🙅‍♂️.

Для наглядности картинки будут в комментариях, угадаете где какая?
#абтесты

Когда речь заходит об обучении, то чаще мы задаемся вопросом 🤔: «Что изучать?». Сделать упор на Python ил SQL? А может повторить АБ тесты и статистику? Как там называется метод pandas: .count_values() или .values_count()? Все это не важно, если к процессу изучения подходить пресловутым зазубриванием 📚или повторением 🙇‍♂️.

А следовало бы сконцентрироваться на другом фундаментальном вопросе 🙋‍♀️: «Как изучать?». Методологий тут предостаточно, но мне откликнулась книга «Думай как математик» 🧮 Барбары Оакли.

Перед прочтением думал, что книгу 📕закрою на словах, что у разных людей по-разному развиты половины мозга или о том, что есть визуалы 🙈, аудиалы 🙉 и прочие инопланетяне 👽.

Книга - краткое руководство о том, как отойти от фаталистической догмы, что есть «технари» 👷‍♀️и «гуманитарии»👩‍🎨, и просто начать эффективно усваивать любой материал, применять его на практике или решать любые другие мыслительные задачи.

Если ужать книгу в один два абзац, то есть два типа мышления: сфокусированный 🧘 и рассеянный 😶‍🌫️. Как применяем: до 25 минут фокусируемся 🎯 над задачей, после переходим в рассеянный 🌈 режим с помощью прогулок 🚶‍♀️, спорта 🎾 или сна 😴, чтобы думать о задаче в фоне и посмотреть на нее под другим углом. Необязательно возвращаться к той же задаче 😮.

Чем-то напоминает метод Помидоро 🍅, но с дополнительными приседаниями.

Что касается памяти 🧠, то их две: рабочая и долгосрочная. В рабочей держится до 4 порций информации, а в долгосрочной ♾. Для перехода знаний из одной в другую применяем интервальное повторение: лучше повторить 20 раз за неделю, чем 20 раз за вечер.

Тренировки мозга схожи с занятиями в спортзале 🏋️‍♀️, где важна периодичность и умеренные нагрзуки. И если вы приходите в спортзал в первый раз и не может от груди выжать «сотку», то это совсем не означет, что Вы потеряны для спорта.

Вот Вам задача 🕵️, которую приводят в книге: «В этам предлажении три ошибки». Решением будет перечисление трех ошибок.
#книги #учеба

Всем привет! 👋🏻

После видео с @dianakoloda 👩‍💻 и подробного разбора всех аспектов собеседования, стоит еще обсудить и другую важную часть - ментальную. 😬

Из-за переживаний или неуверенности во время собеседования можно не ответить на свой максимум. ♾

Как Вы уже поняли, следующим гостем будет врач-психотерапевт @yuri_chet 👨‍⚕️, вместе с которым разберем психологическую подготовку к собеседованию. 🙌

В комментариях жду Ваших вопросов на тему 💸
#видео