Симулейтив

💻💻💻💻💻 Data Science, ML и глубокое обучение: в чём разница и когда что применять?

Сегодня вместе с Марией Жаровой, ML-инженером команды рекомендаций в Wildberries, разберёмся, чем Data Science отличается от Machine и Deep Learning — через сравнение на реальной задаче.

Возьмём датасет и обучим две модели: сначала классическим алгоритмом, затем простой нейросетью. Сравним качество, разберём принцип работы и посмотрим, что окажется лучше и при каких условиях.

На вебинаре вы:
➡️ Разберётесь, что стоит за аббревиатурами AI, ML, DL и DS и как эти роли соотносятся на практике;
➡️ Узнаете, в каких задачах хватает классического ML, а где без нейросетей не обойтись;
➡️ Увидите, как обучают модель и как оценивают её качество — на конкретном примере с кодом;
➡️ Получите представление о стеке инструментов DS, ML и DL-инженера: что нужно знать и откуда начинать.

📆 18 мая, 19:00 МСК, онлайн
❗️ Ссылку на трансляцию пришлём за час до начала.

📈 Симулейтив | 📱 ВК | 📱 YouTube | 📱 Канал о DS

❗️ Делимся записью эфира: строим ETL-пайплайн за 15 минут

Вчера мы в прямом эфире собирали за 15 минут рабочий пайплайн от сырого CSV до готовой аналитической витрины. Если пропустили, ловите запись:

➡️ YouTube
➡️ VK Видео

Если после эфира вы подумали: «Хочу так же уверенно разбираться в данных» или «Как бы потренироваться на реальных задачах?» — у нас как раз стартовал курс, где вы сможете прокачать навыки в безопасной среде и на реальных бизнес-кейсах.

⭐️ Учитесь строить надёжные пайплайны и витрины на курсе «Инженер данных»: simulative.ru/data-engineer

📈 Симулейтив | 📱 ВК | 📱 YouTube | 📱 Канал о DS

Друзья, стрим с Валерией уже идёт!

Вы ещё успеваете — заходите, смотрите, как собирается ETL-пайплайн в прямом эфире, и задавайте вопросы.

➡️ Подключиться к трансляции ⬅️

⚡️⚡️⚡️ Друзья, стрим начинаем уже через час!

Подключайтесь, чтобы вживую увидеть, как дата-инженер Альфа-Банка собирает рабочий ETL-пайплайн — от сырого CSV до аналитической витрины — прямо в Jupyter-ноутбуке за 15 минут.

➡️ Подключиться к трансляции

📈 Симулейтив | 📱 ВК | 📱 YouTube | 📱 Канал о DS

💻 Стрим: строим ETL-пайплайн за 15 минут

Возвращаем контентные стримы без регистрации и смс! Надеемся, вы этого ждали 🔥

Сегодня, 15 мая в 18:00 по МСК к вам придёт Валерия Елпатьевская — инженер данных в Альфа-Банке.

💡 О чём поговорим?

Посмотрим, как на практике выглядят ETL-пайплайны дата-инженеров. Валерия проведёт лайв-демо: за 15 минут соберёт рабочий пайплайн от сырого CSV до готовой аналитической витрины.

Никаких кластеров, Airflow и облачных хранилищ. Весь код будет в Jupyter-ноутбуке — вы сможете повторить его у себя.

Что сделаем:
1️⃣ Загрузим CSV из открытых источников;
2️⃣ Разобьём плоскую таблицу на 3 сущности и сохраним в Parquet;
3️⃣ Соберём витрину, посчитаем метрики и построим график.

💬 Будет живая демонстрация, разбор подводных камней и ответы на ваши вопросы.

❗️ Не пропустите! Ссылку на трансляцию пришлём за час до начала.

📈 Симулейтив | 📱 ВК | 📱 YouTube | 📱 Канал о DS

🛎️ Через 2 часа — вебинар про аналитику данных в 2026 году

Вместе с Алексеем Евченко из Альфа-Банка разберём, почему знать SQL и Python сегодня недостаточно и что реально отделяет аналитика, которого нанимают и растят, от того, кто годами сидит на одной позиции.

Будет полезно, если вы:
➖ Только выбираете профессию и хотите понять, с чего начать и куда идти;
➖ Уже работаете джуном или миддлом, но чувствуете, что инструменты освоены, а роста нет.

➡️ Зарегистрироваться

📈 Симулейтив | 📱 ВК | 📱 YouTube | 📱 Канал о DS

Резюме инженера данных: как оформить опыт, если коммерческого ещё не было

Привет! На связи Валерия Елпатьевская, ментор курса «Инженер данных» 👋🏻

Половина успеха в поисках первой работы — правильно оформленное резюме. Особенно если вы только входите в дата-инжиниринг. Хорошая новость: в нашей сфере ценят не строчки в дипломе и формальные регалии, а то, как вы мыслите и что уже собрали руками. На старте важно показать, что вы готовы к реальным проектам.

Ниже 5 советов, как правильно оформить резюме для поиска первой работы:

1️⃣ Проекты важнее обучения

Не стоит прятать учебные работы в блок курсов. Лучше вынести их в отдельный раздел «Проекты». Описывайте каждый по схеме:

➖ Что сделали: настроил ETL-пайплайн загрузки данных из PostgreSQL в S3
➖ Зачем: это позволило избавиться от ручных выгрузок и автоматизировать построение отчётов.
➖ Стек: Airflow, SQL, Python, Docker
➖ Ссылка: GitHub

2️⃣ Пишите через глаголы действия

Забудьте про «мои задачи включали», «участвовал в». Смело пишите «спроектировал», «реализовал», «оптимизировал», «вывел в прод». Это сразу показывает ownership и инженерный подход.

3️⃣ Скиллы — только актуальные

Лучшее стратегическое решение перед откликами — анализ рынка. Откройте 5-10 вакансий, куда хотите податься. Выпишите повторяющиеся требования к навыкам (Kafka, Spark, RabbitMQ, CI/CD, Graphana). В резюме оставьте только то, с чем реально работали руками. Идеально, если каждый навык из этого блока будет виден и в описании ваших проектов.

4️⃣ GitHub — ваш лучший рекламный агент

Если вы сомневаетесь, стоит ли прикладывать ссылку на GitHub, то не сомневайтесь, обязательно включите его в шапку в резюме. Но заранее оформите его. Репозиторий должен быть чистым, а код запускаемым. Добавьте README.md: что это за проект, как развернуть локально, примеры входных/выходных данных.

5️⃣ Тестовое — это новый опыт для резюме

Каждое тестовое задание оформляйте как отдельный проект на GitHub. Как правило, тестовые строятся на реальных бизнес-кейсах. Используйте это! Опишите бизнес-задачу в README.md, приложите код и конфиги, покажите результаты (логи, тесты или скрины). И включайте его в проекты. Так вы быстро получите дополнительный опыт уже на этапе поиска работы.

Правильно составленное резюме — ваш путь к техническому собеседованию, и его главная цель — продать вашу способность решать инженерные задачи.

⭐️ Записывайтесь на курс «Инженер данных» — поможем и с составлением резюме, и с наполнением портфолио: simulative.ru/data-engineer

📈 Симулейтив | 📱 ВК | 📱 YouTube | 📱 Канал о DS

Запускаем тренажёр для аналитика 💪🏻

Знать SQL, Python и Excel необходимо, но недостаточно. На собеседованиях и в реальной работе аналитика оценивают по другому: умеешь ли ты разобраться в бизнес-задаче, выбрать нужный инструмент и дать ответ, который будет полезен заказчику. Именно этот навык сложнее всего прокачать по учебникам и статьям — и именно его мы вынесли в основу курса.

5 июня стартует тренажёр аналитика данных от Михаила Строганова — продуктового аналитика в Magnit OMNI с более чем пятилетним опытом в аналитике данных, автора более 40 A/B-тестов и преподавателя курсов на SkyPro и Hexlet. Михаил знает, как выглядят реальные задачи бизнеса изнутри — и собрал их в одном курсе.

За 2-3 месяца вы:

🔶 Решите 15 объёмных кейсов из eCommerce, FinTech, маркетинга, RideTech и стриминга — задачи уровней от джуна до сеньора и основаны на реальных бизнес-запросах;
🔶 Научитесь понимать запрос заказчика и выбирать подходящий инструмент под конкретную задачу — SQL, Python или Excel;
🔶 Получите разбор ваших решений от преподавателя с развёрнутой обратной связью;
🔶 Соберёте портфолио из кейсов разного уровня сложности — от джуна до сеньора.

После курса у вас будет не просто набор инструментов, а понимание, как их применять. Это то, что отличает кандидата, которому дают оффер, от кандидата, которому отказывают.

🎁 Специальное предложение: до 25 мая действует скидка 20% на курс!

➡️ Подробности и запись: simulative.ru/da-practice

📈 Симулейтив | 📱 ВК | 📱 YouTube | 📱 Канал о DS

Секрет сложной сезонности

Всем привет, на связи Павел Беляев, ведущий канала Тимлидское об аналитике и автор курса «Временные ряды» 👋🏻

Предсказание будущего — штука крайне желанная для бизнеса, но коварная и полная неочевидных нюансов (как и сама жизнь). Расскажу об одной ловушке, в которую попадают даже опытные аналитики.

Задача: спрогнозировать продажи зонтов на 3 месяца вперёд.

Данные чистые, история длинная — 4 года. Аналитик строит классическую модель с сезонностью, всё красиво. Июль традиционно слабый, август чуть лучше, октябрь — пик. Модель обучена, метрики хорошие. Прогноз готов.

А потом октябрь оказался сухим, без дождей!

Ошибка прогноза — 40%. Склад затоварен, деньги заморожены, все недовольны.

Что пошло не так? Модель всё делала правильно — она честно выучила исторический паттерн. Проблема в другом: сезонность продаж зонтов — это не календарная сезонность, это сезонность осадков.

А осадки и календарь связаны лишь статистически, но не причинно. Когда погода ведёт себя «по учебнику» — модель работает. Когда нет — рассыпается.

Как это чинится?

Добавляем внешний регрессор — прогноз осадков на горизонт планирования. В Prophet это параметр add_regressor(), в SARIMA — экзогенные переменные (SARIMAX), в градиентном бустинге — просто ещё один признак.

Но здесь начинается самое интересное. Нельзя просто взять данные об осадках и скормить их модели. Нужно ответить на три вопроса:

➡️ С каким лагом осадки влияют на продажи? Люди покупают зонт не в ливень, а накануне;
➡️ Как агрегировать — суммарные осадки за неделю или количество дождливых дней?
➡️ Что делать на горизонте прогноза, где у нас уже не факт, а прогноз погоды — то есть переменная с собственной ошибкой?

Последний пункт особенно коварен. Вы строите прогноз на основе прогноза. Ошибки перемножаются. Это нужно явно учитывать в доверительных интервалах — иначе вы будете уверены в числе, которое на самом деле очень нечёткое.

Таких внешних факторов в реальных задачах — десятки. Курс валют, праздники со смещёнными датами, школьные каникулы, спортивные события, промоакции конкурентов. Каждый из них потенциально ломает вашу красивую сезонную модель.

Хороший аналитик временных рядов — это тот, кто умеет думать о природе данных и понимает, какие силы на самом деле двигают ряд. Но начать надо всё же с алгоритма, научиться его применять, тогда и опыт подтянется!

⭐️ Курс «Временные ряды» стартует уже в пятницу, 15 мая, присоединяйтесь: simulative.ru/time-series

📈 Симулейтив | 📱 ВК | 📱 YouTube | 📱 Канал о DS

⚡️ Вебинар сегодня: разбираем тестовое задание в Магнит Tech

Сегодня в 19:00 МСК ждём вас на вебинаре — Павел Беляев разберет тестовое задание от крупнейшей ритейл-сети «Магнит». Мы познакомимся с тренажёром и приступим к решению, а потом ещё бонусом разберём тестовое по SQL от eLama.

➡️ Зарегистрироваться

📈 Симулейтив | 📱 ВК | 📱 YouTube | 📱 Канал о DS

Вебинары этой недели

Разбираем очередное тестовое задание на аналитика и рассказываем, почему SQL и Python недостаточно для успешной карьеры ❤️

🛎️ 11 мая, 19:00 МСК — «Разбираем тестовое на аналитика данных в Магнит Tech»

С помощью SQL потренируемся искать нужное в товарном ассортименте, а Python поможет определять слова-палиндромы. А ещё увидим тестовое задание по SQL eLama, безотказно работающее 6 лет. В нём есть заковырка, на которой многие сыпались!

➡️ Зарегистрироваться

🛎️ 14 мая, 19:00 МСК — «Как устроена аналитика данных в 2026 году — и почему знать SQL и Python недостаточно»

Вместе с преподавателем магистратуры Симулейтив поговорим про рынок аналитики, типовые ошибки новичков и барьеры роста для тех, кто уже работает джуном или миддлом.

➡️ Зарегистрироваться

Регистрируйтесь и добавляйте события к себе в календарь, чтобы не забыть!

📈 Симулейтив | 📱 ВК | 📱 YouTube | 📱 Канал о DS

Замените слово в фильме и сериале на аналитика. Мы начнём: «Аналитик носит Prada» 😎

⚡️ Уже сегодня: решаем задачи по прогнозированию

Присоединяйтесь в 19:00 МСК к вебинару с Павлом Беляевым — он разберёт несколько подходов к прогнозированию данных и расскажет, как объяснить ценность прогнозирования заказчику.

➡️ Зарегистрироваться

📈 Симулейтив | 📱 ВК | 📱 YouTube | 📱 Канал о DS

Логирование для инженера данных: что использовать вместо print()

Привет! На связи Валерия Елпатьевская, ментор курса «Инженер данных» 👋🏻

Сегодня расскажу о важном инструменте, о котором многие почему-то забывают. О логировании.

Согласитесь, хочется понимать, что происходит после запуска кода? Представьте, вы запустили пайплайн, но данные не загрузились. Где ошибка? Что пошло не так? Хорошо, если вы хотя бы расставили print() по ходу, когда проверяли работу пайплайна. Но есть опция надёжнее.

Зачем логировать?
➖ Видеть этапы «загрузка → очистка → сохранение»;
➖ Ловить ошибки с контекстом: не просто «сбой», а «ошибка парсинга в строке 142 файла X»;
➖ Иметь историю: логи хранят время и порядок, консоль — нет.

Почему print() не подходит для продакшна?
➖ Нет времени, уровня важности и структуры;
➖ Нельзя отфильтровать или подключить к мониторингу.

Решение — модуль loguru. Улучшенный и упрощённый логер, в котором легко разобраться. Держите мини-гайд, как начать использовать его уже сейчас.

1️⃣ Установить можно через pip или conda:

pip install loguru

2️⃣ Импортировать logger и либо использовать его из коробки, либо настроить под себя:

from loguru import logger
import sys

# Настраиваем формат и теги
logger.remove()    # удалить дефолтные настройки

logger_format = (
  "{time:HH:mm:ss} | "                      # настраиваем формат даты
  "{level: <8} | "                                 # для красоты, чтобы уровни были ровно
  "{name}:{function}:{line} | "         # что хотим видеть (файл:функция:строка)
  "{extra[task_id]} - {message}"       # если хотим добавить свою информацию
)
logger.add(
    sys.stderr,                                                 # вывод в stderr
    format=logger_format,                            # добавляем формат, который выше определили
    level="INFO"                                          # с какого уровня начинаем логировать       
)

3️⃣ Использовать настроенный логер в коде:

def run_etl(file: str, task_id: str = "my_daily_task"):
    # bind() добавляет кастомный тег к этому сообщению
    logger.bind(task_id=task_id).info(f"Старт: {file}")
    try:
        # наш код...
        logger.success(f"Готово: {file}")
    except Exception as e:
        logger.error(f"Ошибка: {e}")
        raise

run_etl("orders.csv", task_id="sales_v2")

Что мы увидим в консоли:

14:22:10 | INFO          | __main__:run_etl:12 | sales_v2 - Старт: orders.csv
14:22:13 | SUCCESS  | __main__:run_etl:14 | sales_v2 - Готово: orders.csv
14:22:15 | ERROR      | __main__:run_etl:16 | sales_v2 - Ошибка: [текст ошибки]

Формат задаёт внешний вид, а extra[] и bind() — контекст. В реальных проектах теги task_id, env, user позволяют отфильтровать логи одного пайплайна среди тысяч других.

С чего начать уже сегодня:
1. Замените print() на logger.info/error/warning/debug;
2. Добавьте {time} и 1-2 тега в format;
3. Оборачивайте основные шаги, в которых возможны ошибки, в try/except с logger.error().

Логирование — это контроль и ваша страховка от стресса. Сохраняйте пост и ставьте 🔥, если было полезно!

📈 Симулейтив | 📱 ВК | 📱 YouTube | 📱 Канал о DS