Подписчик просит совета!

Никита @id57489 делает проект по активности пользователей в ВК, он только начинает свой путь с данными и просит совета.

—————

Я недавно начал делать проект. Собираю данные по активности пользователей в ВК и вывожу статистику.

Из инструментов использую vk-api, чтобы получить информацию о пользователях и их активности. Все данные по активности собирает скрипт на питоне, который крутится на сервере и загружает данные в postgresql на том же севере. В данный момент данные я загружаю вручную с postgresql в jupyter notebook. С помощью python это происходит напрямую и данные из postgresql по нажатию сразу появляются в формате dataframe. В ноутбуке я вывожу статистику по пользователям по часам.

Думаю сделать дашборд куда статистика будет отгружаться автоматически.

Мне было бы интересно услышать:

- любые идеи/советы на счет анализа активности пользователей. если есть данные по времени пользователей в сети и некоторые данные о самом пользователе.

- еще мне хотелось бы сделать портрет каждого пользователя. Но я не знаю как это реализовать. Вероятно, нужен человек, который занимается машинным обучением. Мб кто-то сможет предложить интересные гипотезы и статистические тесты.

—————

💡Если у вас возникли идеи/советы или вы просто можете натолкнуть на мысль/задать направление, пишите под этим постом, любые комментарии будут ценны!

10 отличий между экспертами в аналитике данных и "любителями"

Кэсси Козырьков (главный специалист по принятию решений в GOOGLE) поделилась своим мнением.

Она считает, что барьеры для входа в аналитику данных низкие, начать легко и поэтому в профессии много "любителей".

Вы профессионал, если:

№1. Имеете отличные навыки работы как минимум с 2мя из этих языков: Python, SQL, R.

№2. Можете легко обрабатывать большие объемы данных. Размер данных вас не пугает. Для этого у вас есть инженерные навыки.

№3. У вас выработано неуважение к данным (в то время как "любители" произносят данные с большой буквы "Д"). Есть высказывание, что "Без данных вы просто еще один человек со своим мнением". Это правда, однако "С данными вы все еще просто человек со своим мнением".

№4. Вы аналитик по выбору, а не по несчастью. Для вас аналитика - это самостоятельная дисциплина, а не ступенька к какой-то другой профессии (например, к data science).

№5. Вы устойчивы к предвзятости. Предвзятость - заклятый враг при принятии решений на основе данных и причина ошибок.

№6. Вы реалистичны по отношению к данным и ничего от них не ожидаете. Плохие данные - это реальность для аналитиков, часто приходится начинать с плохих данных, чтобы выяснить, как сделать их лучше.

№7. Вы знаете, как повысить ценность. Задача лица, принимающего решения - превращать информацию в более эффективные действия. Ваша задача - помогать ему в этом реактивно (путем поиска данных, которые отвечают на их конкретные вопросы) и проактивно (путем изучения данных, чтобы вдохновить их на рассмотрение новых направлений).

№8. Вы понимаете, что ваша работа - это не гарантированные результаты и поэтому вы ищете босса, который не накажет вас за возвращение с пустыми руками. Вы думаете с точки зрения потенциальной окупаемости ваших действий во времени.

№9. У вас высокая скорость работы и вы постоянно учитесь тому, что сделает вас еще быстрее (новым инструментам, методам, приемам).

№10. Вы отказываетесь быть "торговцем ядовитой ретроспективой". Понимаете, что статистика и аналитика - это две абсолютно разные дисциплины.

Источник - блог Кэсси Козырьков.


Кто вы? Профессионал или "любитель"?
Я вот подумала, что скорее всего аналитика в скором времени останется для меня "ступенькой" к другим целям. И почему-то не вижу в этом ничего плохого. Но Кэсси бы это точно не понравилось 😂 Ну а со всеми остальными пунктами я полностью согласна.

Где искать стажировки аналитиком данных в России?

Изучала эту тематику, когда набирали стажеров в аналитику на одном из мест работы. И делюсь некоторыми возможностями с вами.

——-

Самый популярный способ - это hh, по идее там должны находиться все стажировочные вакансии, но по факту бывает не так и многие хорошие вакансии проходят мимо.

Future today - на нем размещены стажировки и лидерские программы от крупных компаний, а также IT-программы для студентов и молодых специалистов (как от известных Авито, МТС, Яндекс, так и от менее известных).

На сайте Сhangellenge (правда не так много, но все же).

Есть еще сайты Grintern и Профстажировки.рф, ранее оттуда мы получали хороший отклик, но похоже сейчас они уже умерли.

——-

Еще один способ - следить за сайтами компаний, которые нравятся. У многих крупных (да и не только) компаний есть специальные разделы со стажировками, в которых переодически открываются/закрываются наборы.

Например, сейчас открыта вакансия Стажер-аналитик в Яндекс и частенько Яндекс на своем сайте размещает стажировки.

Открыт набор на вакансию Стажер в отдел бизнес-аналитики в Лабораторию Касперского.

Стажировки от Сбербанка размещают тут (правда пока набор закрыт, но периодически его открывают).

——-

Также есть бесплатные программы обучения на аналитика с возможностью дальнейшего трудоустройства.

Программы все разные, подробности на сайте, но везде правда есть отбор.

Школа анализа данных Яндекса (набор начнется в апреле)
Школа 21 от Сбера. Есть несколько направлений, в том числе Машинное обучение и анализ данных (Python), Базы данных, Алгоритмы и структуры данных. (ближайшие наборы Новосибирск 6 февраля, Сургут - 27 февраля, Москва - лето).

Школы, наборы в которых закрылись, но нужно мониторить новые:

Школа аналитиков Авито
Школа аналитиков данных X5
Академия больших данных от ВК
Алгоритмы и структуры данных Тинькофф

Проверить свои знания и получить сертификаты

- для усиления портфолио
- для проверки своих знаний
- если говорим о сертификатах на Linkedin - говорят, что они повышают тебя в выдаче

БЕСПЛАТНО:

На Hakerrank можно сдать тест и получить сертификаты на знание SQL и Python. Причем есть тесты на разные уровни - Basic, Intermediate, Advanced. Учитывайте только, что знания Python будут проверяться общие, а не заточенные под аналитику.

По любому навыку (SQL, Python и другие) можно получить “значок навыка” на Linkedin, пройдя небольшой тест. Но применить вы его сможете только на Linkedin. Говорят, что эти "значки навыка" повышают тебя в выдаче на Linkedin.

Некоторые инструменты аналитики делают собственные бесплатные сертификации, например Google analytics и Яндекс Метрика.

ПЛАТНО:

Общая сертификация для аналитиков данных от DataCamp. Подтверждает, что у вас есть навыки для уверенного анализа данных и вы владеете нужными инструментами. Есть начального уровня, есть для профессионалов. 6,17$ месячная подписка.

На сайтах SQL EX (1500 руб.) и W3schools (95$) можно получить сертификат на знание SQL.

Некоторые инструменты аналитики делают платную сертификацию на знание своих инструментов Tableau (250$), Power BI (165$).

——
Пост навеян частыми вопросами подписчиков про получение тех или иных сертификатов. Я сама получала только бесплатные сертификаты в целях проверки своих знаний. В резюме когда-то указывала, когда-то нет. На собеседованиях и при трудоустройстве меня ни разу не спрашивали физического подтверждения того или иного сертификата (в том числе о прохождении обучения).

Поэтому хотелось бы услышать ваше мнение, получали ли вы подобные сертификаты и насколько они полезны при трудоустройстве?

Нейросеть ChatGPT делает анализ данных в считанные секунды: аналитики будут не нужны?

Интернет взорвала новость, что студент РГТУ успешно написал диплом с помощью нейросети ChatGPT.

Я же решила проверить, насколько нейросеть справляется с задачами аналитики, и вот что получила:

- ChatGPT смогла написать простой код SQL (сложный тоже смогла, но с ошибками)
- Справилась с задачей на визуализацию и получения инсайтов из данных уровня Junior
- Ответила на вопрос с собеседования в американскую компанию Lyft уровня Hard
- Дала ответ по задаче на маркетингового аналитика в компанию Яндекс уровня Middle

Задачи и скрины с ответами тут.

Мой вывод:

Нейросеть может справляться с простыми задачами аналитики. Более сложные задачи тоже делать может, но требуется активное участие человека, чтобы исправить ошибки и направлять ее "размышления" в ходе анализа.

Однако ChatGPT обучается и я уверена, что уже в ближайшее время прогресс будет очевиден.

Правда сама нейросеть уверяет, что аналитиков она не заменит:

"Хотя модели ИИ могут выполнять некоторые задачи, связанные с анализом данных, им не хватает способности понимать контекст, предоставлять информацию и принимать решения так же, как это могут делать аналитики данных.

Модели ИИ могут дополнять работу аналитиков данных, автоматизируя повторяющиеся задачи и предоставляя новые идеи и точки зрения, но они не могут заменить опыт и навыки критического мышления, которые привносят в работу аналитики данных."

И мы ей конечно верим.

ChatGPT для аналитики данных: 6 примеров использования

Пока часть людей находится в страхе потерять работу, используем нейройсеть, чтобы повысить эффективность и выйти на новый уровень.

Видео Analysing Data with ChatGPT (Data Analysis and ML): как анализировать заданный набор данных с помощью ChatGPT

Видео Automate Data Science Tasks with ChatGPT: как автоматизировать задачи на SQL, Python, R и тд

Видео 10X Your Excel Skills with ChatGPT: как улучшить свои навыки работы с Excel с помощью ChatGPT

Видео ChatGPT For Data Analysts: несколько примеров, в том числе создания дашборда в Tableau

How to Use Chat GPT with Power BI: как использовать Chat GPT с Power BI

Шпаргалка: как использовать ChatGPT для написания кода, создания контента.

Совет "использовать нейросеть" не отменяет самостоятельного критического осмысления задач, а наоборот, освобождает для него место. Кроме того, будьте аккуратны с использованием личных данных и данных работодателя (ChatGPT - это кошмар конфиденциальности).

Если можете, используйте ChatGPT на английском языке, с ним она работает быстрее (я пробовала на английском, русском и тайском).

16 февраля. 18:00 по мск. Avito Analytics meetup #9.

Строим репутационную систему, оцениваем падения метрик в деньгах и сокращаем дисперсии.

Реклама. ООО «Авито Тех». LdtCKT5Cg

Где работать аналитиком в Бангкоке? Лучший город для экспатов 2022

На днях была в Бангкоке и это ❤️. Особенно впечатлили небоскребы, которые разбросаны по всему городу (их более 165 штук!).

Согласно InterNations Expat Insider Report 2022 Бангкок входит в 10ку лучших городов для экспатов (оценивались административные барьеры, рынок труда, баланс между работой и личной жизнью, безопасность).

В каких компаниях тут работать:

1) В целом в Таиланде есть офисы российских компаний, которые нанимают IT специалистов. Например, я знаю, что на Пхукете находится IT-офис Aviasales (крутой кстати).

2) Полно своих азиатских компаний, которые по масштабам не уступают европейским и американским. Например, Foodpanda (доставка еды), о которой я писала выше, Agoda (азиатский букинг), Lazada (азиатский Алиэкспресс), Lotus’s (ритейлер), Grab (азиатский Uber) и другие. А также компании меньших масштабов.

3) Расположены офисы европейских и американских компаний - Michelin, Unilever, Visa, IBM и др.

Выставляю на Linkedin Тайланд, пишу data analyst и получаю все вакансии.

Кроме Бангкока из азиатских в 10ку лучших входит также Сингапур (это вообще как силиконовая долина, он маленький, но многое из азиатского основано там, хотя и попасть туда не так просто), а Куала-Лумпур (Малайзия) входила в 10ку в 2021 году.

🇹🇭Рандомный факт:

В Таиланде сейчас 2566 год (так что попадая сюда - вы попадаете в будущее😀).

Каждый будний день делаю рабочие, личные задачи, обучение. И обучение - важная часть, из него черпаю вдохновение, идеи.

Сейчас сфера моих интересов - веб-приложения и искусственный интеллект (кажется, немного разное, но мне так нужно). Иду туда практически с нуля, хотя технический бэкграунд от аналитики конечно имеется и проходила небольшие бесплатные курсы. Скоро начну pet-project и буду обучаться в процессе делания (такую методику, когда начинаешь сразу с практики, нашла в книге “Суперобучение” Скотта Янга, и по мнению автора она эффективнее традиционного обучения).

Иногда времени на обучение реально не хватает, есть только 30 минут и думаешь: "что эти 30 минут дадут?". Но на практике поняла, что 30 минут, но ежедневно, работают лучше, чем 2,5 часа раз в неделю. Концепция baby steps (маленькие шаги на пути к большой цели) - лучшее открытие последних лет.

Короче, если вы только начинаете новую для вас тему - я вас очень понимаю и шлю вам лучи поддержки, как говорится 🫶🏻😀

5 подробных примеров проектов для начинающих аналитиков данных

Изучать теорию в любом деле - это хорошо. Но без практики это может оказаться тупиковым путем (в книге “Суперобучение” Скотт Янг подробно раскрывает эту тему).

Поэтому сделала подборку подробных примеров (с кодом) для начинающих:

1) Проект Исследовательского анализа данных. Даниэла Круз взяла существующий набор данных об американских университетах в 2013 году из Kaggle и использовала его для изучения того, почему студенты предпочитают один университет другому.

2) Проект визуализации данных. Аналитик данных Ханна Ян Хан визуализирует уровень навыков, необходимый для 60 различных видов спорта, чтобы определить, какой из них самый сложный.

3) Проект очистки данных и исследовательского анализа данных. Аналитик данных Раахим Хан очищает набор ежедневно обновляемой статистики популярных видео на YouTube и проводит исследовательский анализ данных.

4) A/B тестирование с использованием Python. Аман Кармал анализирует результаты 2 маркетинговых кампаний, чтобы выбрать лучшую.

5) Когортный анализ с использованием Python. Когортный анализ на примере данных по ритейлу.

Где брать данные для проектов?

На Kaggle, Data.gov, Google data set search, Github. Также это могут быть личные данные или данные компании, в которой вы работаете.

Работа на удаленке. Ожидания/реальность

Ожидания:

Лежишь под пальмой с ноутбуком и кокосом в руке. На чиле и расслабоне делаешь задачи несколько часов. Потом весь день свободен.

Реальность:

Весь день лежишь под кондиционерами в квартире, зашторенной со всех сторон, чтобы солнце не попадало. Ноутбук умирает от перепада температур. Фигачишь 24/7. Знакомые думают, что ты лежишь с ноутбуком на пляже.

- Может сходим на пляж в выходные?
- Да ну его нафиг, может останемся дома? (после пляжа от воздействия солнечных лучей восстанавливаешься несколько дней).

У кого похожая ситуация?😂

Ошибки в работе с данными

Одна из ошибок - приравнивать корреляцию к причинно-следственной связи.

Когда две переменные X и Y коррелируют (при изменении одной переменной происходит изменение другой) есть четыре возможных объяснения:

- X влияет на Y
- Y влияет на X
- Есть 3я переменная, которая влияет на X и Y
- X и Y совершенно не связаны.

Пример - потребление кофе и продолжительность жизни. Некоторые исследования говорят о корреляции между потреблением кофе и продолжительностью жизни: любители кофе, как правило, живут дольше. Однако это не обязательно означает, что кофе заставляет людей жить дольше. Могут быть и другие факторы, такие как более здоровый образ жизни, которые коррелируют с потреблением кофе и увеличением продолжительности жизни.

Авторы блога Spurious Correlations находят бессмысленные связи между различными статистическими данными, чтобы показать, что наличие корреляции нельзя приравнивать к наличию причинно-следственной связи.

Например на графике выше, уровень разводов в штате Мен коррелирует с потреблением маргарина на душу населения. Корреляция - 99.26 процентов. Однако эти 2 переменные не имеют ничего общего друг с другом.

Есть хорошая книга “Как лгать при помощи статистики” (Дарелл Хафф), в которой рассматривается ряд манипуляций со статистикой. Книга к прочтению, чтобы с одной стороны не обмануть себя, допустив ошибку со статистикой, а с другой стороны - не дать обмануть себя другим.

Бесплатные курсы по статистике в этом посте https://news.1rj.ru/str/analyticsgrowthmindset/131.

Как быстро начать программировать на Python аналитику данных?

Я уверена, что даже полный новичок в Python сможет сделать простой анализ уже через 2 недели. Анализ данных на Python - это не миллионы строк кода, многие манипуляции с данными - это всего лишь одна или несколько строчек.

Вот некоторые мысли из моего опыта.

1) ИЗУЧИТЕ ОСНОВЫ PYTHON (СИНТАКСИС).

Однако тут может возникнуть проблема - вы неделями и месяцами изучаете синтаксис, но при этом до сих пор не понимаете, как делать анализ данных с помощью Python.

На старте я изучала бесплатный курс Python в 2х частях (Часть 1 и Часть 2) на Stepik. Хороший курс? Да. Но изучать его довольно долго. Заявлено 40 + 64 часа, но выходит гораздо больше. Некоторые задачи можно решать по несколько часов, а задач только в Части 1 более 150). Ну и если уделять даже 2 часа в день 5 дней в неделю, обучение все равно растянется на несколько месяцев, а то и полгода. А за это время вы так и не поймете, как делать анализ данных с помощью Python.

Синтаксис знать важно, но также важно не утонуть в нем. На мой взгляд, начать лучше с более короткого курса и быстрее перейти к изучению библиотек для анализа данных и практике. А к синтаксису вы так или иначе будете возвращаться и углубляться в него по мере практики.

Например, есть 2 коротких бесплатных курса от Kaggle по синтаксису: Введение в программирование с Python и Python. Но можно брать и другие.

2) ИЗУЧИТЕ БИБЛИОТЕКИ ДЛЯ АНАЛИЗА ДАННЫХ.

Именно изучая библиотеки вы и поймете, как делать анализ данных с Python. Библиотеки - это наборы шаблонов кода для каждой конкретной ситуации. Знакомиться с библиотеками лучше всего выполняя реальный проект по анализу данных.

Начните с Pandas - это основная библиотека для работы с данными. С помощью нее можно очищать и подготавливать данные, делать анализ, визуализировать и др.

Вот краткий бесплатный курс Pandas от Kaggle.

Также у Pandas есть официальный сайт с туториалами по анализу данных.

А если вы уже знаете Excel или SQL, то вам будет еще проще освоить эту библиотеку: Pandas имеет схожие функции и может принимать различные типы данных. На официальном сайте Pandas даже есть туториалы, где функции Pandas приводятся в сравнении с Excel или SQL.

Освоив азы Pandas, вам будет легко понять Numpy, Matplotlib, Seaborn и другие библиотеки для анализа данных.

Например, вот краткий бесплатный курс по визуализации данных в Python от Kaggle (а именно используются библиотеки Seaborn и Matplotlib).

3) НАЧНИТЕ ПРАКТИЧЕСКИЙ ПРОЕКТ ПО АНАЛИЗУ ДАННЫХ С ПЕРВЫХ ДНЕЙ

Обучение на практике - лучший способ научиться программировать. Да, это вызов и выход из зоны комфорта, но так вы научитесь гораздо быстрее. После короткого курса синтаксиса уже можно переходить к реальному проекту, в процессе изучая библиотеки.

Поначалу можете подсмотреть, как выглядят проекты по анализу данных у других (например, на Medium много таких проектов).
Также примеры проектов анализа данных с помощью Python и где взять данные писала тут.

Если в процессе сталкиваетесь с ошибками, то в помощь Google и Stackoverflow.

4) ЧТОБЫ ПИСАТЬ КОД, НУЖНО НАСТРОИТЬ СРЕДУ РАЗРАБОТКИ.

Первый раз мне эта задача не показалась легкой, тк возникали ошибки, которые я достаточно долго исправляла.

Поэтому с первых дней можно начать с облачных сред разработки, в которых можно писать код сразу без настройки. Например, Google Collab или Kaggle Notebook. А в последствии установите среду разработки, например PyCharm, VScode или другую.

Если было полезно, ставьте 🔥.

Команда аналитиков Авито Доставки провела исследование, перевернувшее представление о потенциале всей метрики, которую теперь учитывают при планировании финансового года и будущих инициатив.

Что это за метрика, почему она не сработала и как всё пофиксили — в кейсе от ребят из Авито: clc.to/iwDXSA

Реклама. ООО «Авито Тех».

Как НЕ ЗНАЯ АНГЛИЙСКОГО изучать материалы/курсы на английском?

Многие скажут "никак", но я знаю несколько "лайфхаков"😅.
Если вы сейчас не знаете английский (но, надеюсь, в ближайшее время начнете его учить) - это не повод отказываться от англоязычных ресурсов и материалов.

1) Использовать расширения для браузеров. Я использую Google Переводчик, Vimbox Переводчик. Если настроение отличное, то читаю текст без них или перевожу только незнакомые слова (достаточно выделить и слово переведется). Нет настроения - перевожу весь текст.

2) Использовать Яндекс браузер для перевода видео-контента. С декабря 2022 браузер автоматически переводит курсы на английском языке с платформы Coursera. Сама не пользуюсь, но проверила - перевод хороший, синхронный, вот тут новость. На Coursera много курсов на английском, в том числе от лучших университетов мира.

Также сейчас Яндекс Браузер переводит не только видео-контент с Coursera, но и с любого другого сайта.

3) Учить незнакомую тему сразу на английском. Этот способ услышала от блоггера (видео, к сожалению, не могу найти, могу подробнее рассказать о методе в другом посте). Поначалу было ОЧЕНЬ сложно, но теперь почти все курсы на английском! Учите, например, визуализацию данных - учите сразу на английском.

Буквально на днях нашла несколько помогающих ресурсов (полностью бесплатно, либо можно попробовать бесплатно без карты):

Это уже не совсем к изучению материалов и я пока не все использовала, но все же оставлю тут.

Сервис подготовки к собеседованию от Google - подготавливает к интервью на англ, задает вопросы, отдельно есть подготовка к интервью для аналитика данных

Kickresume - напишет резюме и сопроводительное на английском

Сoverletterai - составит сопроводительное письмо на основе резюме на англ

Resumeworded - проверит ваше резюме на англ или профиль Linkedin, даст вам отзыв, что не так и что нужно исправить

ChatGPT Writer - расширение для хрома, AI помогает ответить на письма на англ (по сути пишет ответ за вас). Кстати, на русском тоже может.

ChatGPT - Краткие выжимки сайтов и видео на YouTube на англ. Но на русском тоже может.

А чем вы пользуетесь? Приложения, ресурсы и тп.

Про мой английский. Я изучила его с 0 до Upper-intermediate примерно за 1,5 года (говорят, это быстро). При этом использовала все способы (онлайн школы, приложения, языковые курсы в Лондоне и на Пхукете, самостоятельное изучение). А с 0, тк в школе был немецкий (так мама захотела).

Один человек попросил меня рассказать подробнее про изучение английского, но я думаю - этого вроде итак много в интернете? Но впринципе могу поделиться.
Если интересно, ставьте 🔥.

От 0 до Upper Intermediate за 1,5 года (рассказываю свой опыт)

В этом посте не будет советов (так как я не эксперт в английском). Просто напишу, что было лично для меня: эффективно💚 и неэффективно❌ и почему.

(Напомню, что в школе меня отдали на немецкий, поэтому с 0).

💚Обучение в языковой школе в Лондоне.

2 недели обучения ежедневно с 9 до 16.30 (кроме выходных) + домашняя работа ежедневно.

- Очень много разговорной практики (игры, в парах и тд). В группах - китайцы, испанцы, арабы, индусы и другие, поэтому привыкаешь к разным акцентам. Кроме того погружаешься в языковую среду - общаешься на переменах, в кампусе, в магазинах, на улицах, после занятий в кафе с "одногруппниками".
- Само обучение только на английском - это гораздо эффективнее, чем когда тебе объясняют грамматику и слова на русском (как в школе). При этом почти все понятно, так как объясняют словами того уровня, на котором ты находишься.

📌Очень важно, что у меня был снят барьер. Даже с моим уровнем на тот момент я начала говорить хоть как-то. Все дело в том, что на занятиях создают располагающую атмосферу (подход не критикующий, а поддерживающий). Не важно, какой у тебя акцент, как хорошо ты говоришь - главное говори. Это очень важный психологический момент, чтобы начать говорить.

Не скажу, что 2 недели - эффективный срок чтобы чему-то научиться кардинально, для меня скорее они послужили мощной мотивацией и сняли барьеры, появились друзья из разных стран, я чуть изучила Лондон и его уклад.

Был вопрос, какой уровень надо, чтобы поехать: Любой, даже с 0. Я поехала с Elementary. Вначале проводят тест и собеседование, чтобы определить уровень и отправить в нужную группу.

💚Обучение в онлайн школе английского (не называю, чтобы пост не был рекламой).

Занятия с преподавателем 3 раза в неделю по 1 часу на специальной платформе (ровно 15 месяцев, посмотрела в ЛК).

Очень много разговорной практики, само обучение также на английском (никакого русского), поддерживающая атмосфера. Я рассказала о своих целях проходить уровни быстрее, мы определили, что я должна для этого делать (спойлер - делать много домашки и интегрировать английский в жизнь).

💚Выполнение домашних заданий.

Около 2 часов ежедневно (включая выходные).
В домашние задания были включены: чтение, говорение, слушание, письмо (плюс в том, что все это было в балансе). Также учила слова и с каждым словом составляла предложения.

💚Интеграция английского в жизнь.

Около 1-2 часа ежедневно, например:

Общалась с иностранцами из Великобритании, Франции, США, Бельгии и др. через приложение для языкового обмена Tandem. Постепенно увеличивала время нахождения в англоязычном интернете (надо о чем-то спросить Google - спрашиваю на английском), смотрела сериалы и фильмы на английском, планы на день писала только на английском.

❌Неэффективно для меня: приложения типа Лингва Лео (отсутствие разговорной практики), группа по изучению языка, где все были русскоговорящими (привыкаешь к русскому акценту, а по факту с ним никогда и не встретишься), самостоятельное обучение по учебнику.

Дошла до Upper Intermediate, но потом без активной практики за 2 года я скатилась до Intermediate (именно в разговорной речи, потому что грамматику быстро вспомнила, да и понимание сложных текстов восстановила). Поэтому вывод - недостаточно выучить, надо еще и поддерживать постоянно (чем сейчас и занимаюсь).

Никакой магии нет, просто обучение с балансом говорить/слушать/писать/читать. Ну и нужно выделять время, что самое сложное наверное и зависит от цели и мотивации. У меня 2 часа на домашки ежедневно и 1-2 часа нативно встроенные в день (а это практически все свободное от работы время).

Было полезно?
Могу раскрыть тему подробнее в еще одном посте.

Linkedin открыл доступ к 100 бесплатным курсам по Искусственному интеллекту, но только до 15 июня.

Посмотрела, что это за курсы.

Очень маленькие курсы, состоящие из нескольких десятков видео в среднем по 3 минуты каждое (в общей сложности каждый курс длится 1-3 часа).

Есть курсы для разных уровней в AI: Beginner, Intermediate, Advansed.

Для Beginner, например:
- Введение в AI,
- Типы AI (Generative AI, Conversational AI),
- Промт инжиниринг,
- No-code AI
- и другие.

Подходят ли эти курсы для полноценного обучения в сфере AI - у меня сомнения. Пока просмотрела парочку Beginner курсов и они точно подходят, чтобы изучить для себя/для работы базовые понятия.

Курсы на английском, но с помощью Яндекс браузера можно перевести субтитры на английском на русский язык.

Ограничения и ошибки в работе ChatGPT (которые я заметила)

Чем больше использую ChatGPT для аналитики, написания кода, личных вопросов, тем больше вижу в нем ограничений.

Это не означает, что инструмент плох. Но ограничения важно понимать, чтобы использовать его эффективно.

№1. Потенциальная систематическая ошибка в обучающих данных

ChatGPT был обучен на большом наборе текстовых данных из различных источников, включая книги, статьи и веб-сайты, но эти данные могут содержать ошибки. Основываясь на некорректных данных, ChatGPT может ответить неверно.

Поэтому я использую ИИ как еще один источник, но не как единственный источник, подвергаю критике его высказывания.

№2. Сам ChatGPT пишет, что у него “Ограниченное знание мира и событий после 2021 года”

Это значит, что если вы попросите что-то после 2021 года, вряд ли ChatGPT это знает. Хотя на некоторые вопросы, связанные с 2022 и 2023 годом он отвечает. Именно поэтому некоторые ссылки, которые он выдает, уже устарели.

№3. Если в одном диалоге вы постоянно переключаетесь с темы на тему, то ChatGPT может с трудом отслеживать контекст и генерировать неточные или нерелевантные ответы

Хорошее правило — поддерживать разговор на одну тему в одном чате. Если вы хотите спросить что-то кардинально отличающееся, используйте другой чат.

№ 4. Галлюцинации — когда модель уверенно сообщает полностью неверную информацию

Это часто происходит, когда вы пытаетесь превзойти пределы знаний или возможностей ChatGPT. Например, когда я пыталась попросить ChatGPT сделать краткое содержание видео, которое вышло недавно, он “сочинил” текст, который никак не относится к запрашиваемому видео.

№5. Также пока не совсем понятно, что с правами собственности и юридическими последствиями

Этот вопрос вызывает обсуждения и споры у юристов.

И еще: на один и тот же запрос выдавал абсолютно разную информацию. При использовании его в качестве инструмента самопроверки говорил, что мои ответы верные, когда они были неверные и наоборот. Лил много воды и ничего по существу.

Мой вывод - полноценно доверять не следует, как и к любой информации из интернета должно быть применено критическое мышление.