Симулейтив

Кому это подходит? Тем, кто хочет быстрого роста, любит разнообразие, готов брать на себя ответственность и видеть прямой результат своей работы. Главное — иметь правильную базу и системный подход, чтобы минусы превращались в интересные задачи, а не в путь к выгоранию.

Как ты начала карьеру?

Какие мастер-данные наиболее ценны для рекомендаций?

В данных всё идёт по принципу оптимального действия δA ≡ O?

Проблема всегда не в навыках. Чаще всего дело в фокусе.

Если вы в начале пути, не спешите выбирать роль. Сначала научитесь считать корректно и объяснять выводы словами. Дальше направление роста станет очевидным.

df["gender_code"] = df["gender"].map({"male": 0, "female": 1})
df["name_len"] = df["name"].map(len)

df["full_name"] = df.apply(
    lambda row: f"{row['first']} {row['last']}",
    axis=1
)

df.query("age > 25 and city == 'Moscow'")

df[(df["age"] > 25) & (df["city"] == "Moscow")]

df[df["category"].isin(["books", "electronics"])]

df[~df["user_id"].isin(blacklist)]

df["total"] = df["price"] * df["quantity"]
df = df[df["total"] > 1000]

df = (
    df
    .assign(total=lambda x: x["price"] * x["quantity"])
    .query("total > 1000")
)

def clean_text(df):
    df["text"] = df["text"].str.lower()
    return df

def add_features(df, some_param):
    df["length"] = df["text"].str.len() * some_param
    return df

df = (
    df
    .pipe(clean_text)
    .pipe(add_features, some_param=10)
)

df.sort_values("revenue", ascending=False).head(5)

df.nlargest(5, "revenue")

df.nsmallest(3, "error_rate")

Каждый из этих методов по отдельности выглядит как «альтернативный синтаксис». Но вместе они превращают Pandas-код из скрипта для себя в читабельный, поддерживаемый и быстрый пайплайн ⚡️

😶 3 февраля, 19:00 МСК — Как компьютерное зрение используется в досках объявлений? Пишем модель для определения объектов на изображениях

В маркетплейсах и сервисах для публикации объявления CV помогает определить товары на фото, подсказать категорию и выявлять нарушения при публикации. На вебинаре Евгения Анкудинова, Data Scientist в Avito, возьмёт прикладной кейс и обучит простую модель для определения объектов на изображении.

➡️ Зарегистрироваться на вебинар

😶 4 февраля, 19:00 МСК — Строим check-up дашборд руководителя: от метрик до визуализации за 2 часа

На вебинаре разберём бизнес‑кейс и пройдём весь путь создания дашборда для руководителя: определим ключевые метрики и их разрезы, напишем SQL‑запросы для расчёта показателей и соберём визуализацию в Superset. Вы увидите, как аналитик думает о бизнес‑задаче — от вопроса «что важно отслеживать?» до готового решения, которое помогает принимать решения.

➡️ Зарегистрироваться на вебинар

Бонус: зарегистрированные студенты платных и бесплатных курсов могут пользоваться нашей реферальной программой и другими плюшками 😉

3 февраля

❄️ Менторская программа «Аналитик данных»

6 февраля

❄️ Fullstack-аналитик

❄️ BI-аналитик

10 февраля

❄️ Инженер данных
Ментор потока: Георгий Семёнов, руководитель команды Analytics Engineer в Яндекс Финтехе

13 февраля

❄️ Аналитик данных
Ментор потока: Евгений Буторин, руководитель отдела CRM-аналитики развития клиентской базы в Альфа Банке

20 февраля

❄️ ML-инженер
Ментор потока: Мария Жарова, ML-инженер в команде рекомендаций в Wildberries

❄️ Fullstack-аналитик

27 февраля

❄️ Аналитик данных
Ментор потока: Евгений Буторин, руководитель отдела CRM-аналитики развития клиентской базы в Альфа Банке

💬 Всем зарегистрировавшимся дарим полезный материал — большой гайд по типам компьютерного зрения!