https://ods.ai/tracks/open-ml-course

Напомню про новый поток одного из лучших курсов для новичков в DS.

Стартует 1 февраля!

Частенько пишут мне под видео, с планом обучения мол это все фигня, вранье и вообще не правда. Хочу сказать, что это мой путь и мои советы. В этом посте хотел бы рассказать как нужно принимать эти самые советы наиболее эффективным способом.

Совет о том как принимать советы:

Многие из тех кто дают советы, будь это ваши знакомые или блогеры на ютубе часто говорят примерно так:
"Ты все делаешь неправильно, ты запутался. ДЕЛАЙ КАК Я ГОВОРЮ и тогда придешь к успеху" - после эти слов можно почувствовать себя неуютно и иногда вообще потерять мотивацию. А когда вы пытаетесь подстроиться под эти советы, ваша жизнь усложняется, будто вы начинаете проталкивать кубик в круглое отверстие. А ведь хороший совет должен делать жизнь легче, а не наборот.

Итак, как же правильно принимать советы:
1. Прочитайте\выслушайте совет. Мой, своего знакомого или любого другого человека. Не важно. Большая часть пользы хороших советов заключается в том, чтобы их просто послушать.
2. Продолжайте делать то что для вас комфортно и уже работает для вашего случая. Ведь у каждого уникальная жизнь и каждому подходят разные методы обучения и тд. Сам факт того что вы прочитали этот совет, уже может повлиять на ваши дальнейшие решения. Лучшее что можно сделать, это подумать, как это совет может улучшить ваш текущий подход. Если никак, или это потребует сильных кардинальных изменений, то мб и нафиг такой совет? Это же не приказ и не указания начальства) Вы сами должны решать, послушать этот совет, отказаться от него или просто подстроить его под себя.
Другими словами: Совет должен подстроиться под вас, а не вы под этот совет.
3. Перестаньте паниковать и пытаться следовать всем советам из интернета, волшебной таблетки не существует. Это будет только мешать и отвлекать от учебы.

Например, нашли вы очередной роадмап или план обучения, не нужно бросать свой текущий и начинать новый. Просто поглядите на него, может какой нить любопытный курс найдете, который просто добавите в свой текущий план)


Желаю успехов во всех начинаниях

#dsguy_motivation

Тем временем на ютубе перешагнули через четверть сотни тысяч подписчиков))

#промо

4 тематических канала для программистов:

— про разработку на Java: @a_cup_of_java
— про нейронные сети и ML: @neuro_channel
— про мобильную разработку: @mobi_dev
— про веб-разработку: @tproger_web

Ловите еще полезный курсик, в этот раз по ML OPS
https://skaftenicki.github.io/dtu_mlops/
Думаю сам его тоже по прохожу на досуге.

#промо

Хотите начать карьеру в «билайн»? Тогда регистрируйтесь на бесплатную образовательную программу от экспертов компании в онлайн-формате. На программу приглашаются граждане РФ старше 18 лет с начальными знаниями SQL и навыками работы с данными в табличной форме.

На программе вас ждут:
— Оплата на этапе обучения. При успешном обучении вы будете получать стипендию.
— Предложение о работе. Лучшие интерны получат шанс попасть в команду «билайн».
— Удобный формат. Школа Инженерии Данных — это бесплатная образовательная программа в онлайн-формате из восьми модулей с теоретической и практической частью от лучших экспертов — похожие программы стоят сотни тысяч.
— Реальные проекты компании. Вместе с экспертами и наставниками вы погрузитесь в задачи инженера данных и закрепите полученные знания на практике.

Регистрируйтесь до 15 февраля включительно: https://clc.to/VXVBLQ

Неплохой повод сделать какой нибудь пет проект для своего портфолио)

Pet Project Hackathon 🦜🐈

Формат хакатона:
2-х недельный с checkpoint-ом посередине

Старт в субботу 5-го февраля
Завершение в воскресенье 20-го февраля
Checkpoint в субботу 12-го февраля

Подробное описание и регистрация проектов и участников: https://ods.ai/competitions/pet_projects_wh2022

Пятничный мем

Уже рассказывал про полезный ресурс по ML от Школы анализа данных Яндекса. Но пора про него напомнить, так как авторы выпустили новые главы.

В учебнике по машинному обучению появились разделы про базовые архитектуры нейросетей и их обучение. Приятный бонус — отдельные темы с объяснением математики ML: матричное дифференцирование и bias-variance decomposition. В общем, мощный старт для тех, кто хочет познакомиться с deep learning.

Создатели продолжают обновлять материалы, поэтому начинайте изучать пособие сейчас, чтобы успевать за выходом свежих частей. Следующие на очереди — главы про вероятностный подход к ML и решение сложных задач Data Science.

Мотайте на ус, кто хочет ворваться в машинное обучение: https://clck.ru/bftFY

#промо

На курсе «Инженер данных» мы учим проектировать хранилища и пайплайны данных, а ещё — помогаем сменить профессию.

→ Приходите учиться, если вы хотите развить свои компетенции или перейти на должность Data Engineer. Курс подойдет разработчикам, аналитикам и специалистам по Data Science, начинающим инженерам данных.
Выпускники смогут работать с полным циклом данных и использовать нужные инструменты, создавая пайплайны.
В Практикуме мы обучаем в уникальной образовательной среде, которая объединяет технологии и людей. Вот, что будет на учёбе:
⬛️Теория в интерактивном тренажёре, который доступен 24/7.
⬛️Упражнения на написание кода с быстрой обратной связью.
⬛️ Обучение на реальных рабочих задачах из исследования JMF и на командных проектах.
⬛️ Код-ревью и персональные советы от действующих инженеров данных.
⬛️ Чат с преподавателями в слаке, где можно задать вопрос по сложной теме.
⬛️ Вебинары и продакшн-опыт от экспертов в инженерии данных.
⬛️ Кураторы, команда поддержки и дедлайны, которые не дадут прокрастинировать.

Мы помогаем выпускникам сменить работу, если они этого хотят. 71,1% наших выпускников начинают карьеру в новой сфере.
После курса в вашем арсенале будут: резюме, сопроводительное письмо, портфолио, пробное интервью, практика по нетворкингу с работодателями.

→ Старт потока — 21 марта. Учёба длится шесть с половиной месяцев.
→ Спроектируйте свой первый процесс обработки данных с помощью Python — это бесплатно.

В честь дня защитника отечества, предлагаю вам почитать статьи про безопасность алгоритмов машинного обучения и как защититься от так называемых "адверсариал атак"

Виды: https://habr.com/ru/company/dsec/blog/437092/
Защита: https://habr.com/ru/company/dsec/blog/438644/

В последнее время я довольно часто хожу на собеседования.

Каждая первая, плюс-минус крупная компания (MAANG, Сбер, Т-банк, Яндекс и тд), имеет хотя бы один этап, содержащий алгоритмические задачи (в простонародье - литкод или алгосы). Этот этап по праву считается самым нелюбимым у кандидатов, но в то же время он, на мой взгляд, самый простой и понятный по процессу подготовки к нему. Как писал Yorko на своем канале, сейчас чаще спрашивают только easy задачи и редко middle. Регулярно решая задачи, постепенно начинаешь понимать закономерности, и становится легче. Количество решенных задач фиксируется в статистике сайта, и появляется ясное понимание прогресса подготовки. В отличие от той же теории МЛ, где читаешь и пытаешься вспомнить все подряд, от чего в голове может начаться каша.

Хочу поделиться с вами, как готовиться к этим алгоритмам.

Как в целом подходить к этим задачам:

1. Сначала внимательно прочитайте условие, попытайтесь понять, что от вас хотят и в каком виде.
2. Затем попытайтесь решить задачу самостоятельно. Всегда стоит начать с самого простого метода — перебора, пусть даже это будут 4 вложенных цикла.
3. Затем попытайтесь сделать что-то более оптимальное. Подумайте, какие структуры данных или алгоритмы можно применить к этой задаче.
4. На этом этапе уже можно найти и посмотреть видео с разбором решения. Как только там объяснили алгоритм на словах/картинках, попытайтесь снова зайти в редактор и реализовать то, что вам объяснили словами. Если совсем не получается, досмотрите видео и по памяти реализуйте только что увиденный код.

Ресурсы:

1. Как ни странно — LeetCode. Заходите в планы обучения — Study Plan, выбирайте тот, который нравится, и вперёд.
2. Также очень хорош NeetCode и его roadmap.
3. Мне нравятся стримы, где люди решают задачи в режиме онлайн. Можно наблюдать, как они думают и какие ошибки делают. Вот хороший пример такого видео: https://www.youtube.com/watch?v=Pp84Sv041xA (Глеб привет!)

upd: Еще хороший пост про с материалам про алгосы от @asisakov - https://news.1rj.ru/str/asisakov_channel/141

Понимаю, что это далеко неисчерпывающий список, а если вы еще и не торопитесь и у вас есть несколько месяцев на подготовку, можно найти какой нибудь курс по алгоритмам (например лекции Хирьянова Т. на ютубе или купить на том же литкоде) чтобы более систематично и последовательно все это изучить, а не прыгать в омут с головой.
И помните, не везде просят алгосы на собеседованиях, но если вы не хотите отбрасывать все компании, где их все же просят, то придется заморочиться…

Наткнулся на интересную статейку:
https://www.researchgate.net/publication/381047082_Off-camera_gaze_decreases_evaluation_scores_in_a_simulated_online_job_interview

В ней исследовали вопрос важности направления взгляда в онлайн собедованиях. Последнее время очень много собеседований проходит именно в формате видео звонка, но из-за несовпадения расположения камеры и экрана на устройствах, таких как смартфоны и ноутбуки, люди в основном смотрят на экран (на своего собеседника). А чтобы была имитация прямого взгляда глаза в глаза, нужно смотреть прям в камеру, при но этом вы не можете видеть своего собеседника.

В исследовании 12 студентов проходили онлайн-собеседование, состоящее из двух записей: в одной они смотрели прямо в камеру, а в другой - на экран. На основе этих записей сымитировали три типа поведения: с прямым взглядом на камеру, со взглядом, отклоненным вниз, и только с голосом без видео. Затем 38 экспертов оценивали эти записи.

Результаты показали, что записи с взглядом не в камеру получали менее благоприятные оценки по сравнению с записями с прямым взглядом и записями только с голосом. Также обнаружился возможный гендерный уклон: женщины-оценщики были строже в своих оценках отклоненного взгляда, чем мужчины, и разница в оценках между записями была больше для женщин-участниц, чем для мужчин.

⭐️ В общем ТЛДР: Когда собеседуетесь онлайн, особенно на этапах скрининга и поведенческих (behavioral), выгоднее смотреть прямо в камеру (ну или на лампочку на вебкамере). Если есть возможность еще больше расположить к себе нанимающих, почему бы не воспользоваться?

Так же не стоит забывать про эффект ореола.
Это когнитивное искажение, когда общее впечатление о человеке может строиться на восприятии его частных особенностей. Например впечатление, что у людей с привлекательной внешностью большие умственные способности. Так что перед собесом стоит причесаться хотя бы 😀

Прикольная библиотечка для оживления портретов. Последний раз тестил что то подобное несколько лет назад, и было скорее кринжово, а щас прям даже неплохо)

Повторяет чисто мимику, но если достаточно хорошо артикулировать а потом подставить аудио с исходного видоса, то можно даже делать видео с говорящей головой)
Сам аватар тоже сгенеренный по моей фотке через диффузионку.

Попробовать либу по оживлению можно тут: https://huggingface.co/spaces/KwaiVGI/LivePortrait

Ого, это что, литкод для MLщиков?

https://www.deep-ml.com/