С сертификатом и без: бесплатные курсы по машинному обучению

Машинное обучение все больше проникает в нашу жизнь и от аналитиков данных его требуют все чаще, по крайней мере от уровней Middle и Senior.

Ниже несколько источников курсов, практически всеми пользовалась сама при изучении машинного обучения.

Бесплатные курсы, но за сертификат придется заплатить

🤖 Курс от Google: Расширенная профессиональная сертификация по аналитике данных. Курс вышел недавно как продолжение старого курса по аналитике данных для новичков. Одна из глав посвящена основам машинного обучения. Курс построен на видео уроках и тестах, по окончании нужно сделать проект.

🤖 Курсы от основателя Coursera Эндрю Нг: DeepLearning.AI. Удобно, что есть деление на Introductory, Intermediate, Advanced. Тут и курсы по машинному обучению, и математике для машинного обучения, и искусственному интеллекту. У курса для новичков Специализация машинное обучение (совместно с университетом Stanford) один из самых высоких рейтингов на Coursera - 4,9 (более 13000 отзывов). Курс построен на видео уроках и тестах.

Как получить курсы с Coursera без пробного периода и привязки карты, писала тут.

Бесплатные курсы с бесплатным сертификатом

🤖 Курсы от Kaggle: Введение в машинное обучение, Машинное обучение углубленное. Небольшие курсы, построенные таким образом, что дается теория максимум на 1 стр и после практическое упражнение в редакторе кода на Kaggle. Такой подход может показаться немного суховатым, но для расширенного понимания можно сходить в интернет.

🤖 Курс от FreeCodeCamp: Машинное обучение. Курс в видеоуроках, по окончании которого нужно сделать 5 практических проектов машинного обучения.

Бесплатные курсы без сертификата

🤖Курсы от Google: Базовые курсы по машинному обучению и Продвинутые курсы по машинному обучению. Курсы состоят из текста, видео и тестирования знаний. Можно пройти на русском.

Обратите внимание, что разные курсы могут использовать разные библиотеки Python для машинного обучения. Основные библиотеки (Scikit-learn, TensorFlow, Keras, SciPy и др) и их преимущества и недостатки рассмотрены в статье Энрю НГ.

Как я составляю свой план обучения? Часть 1

У меня разные цели для обучения:

- Решение проблемы. Когда возникает проблема, часто нужно приобрести новые знания, чтобы найти решение.
- Достижение цели. Иногда проблем нет, но я ставлю перед собой новые цели в своих проектах, и для их достижения часто также нужны новые знания.
- Интерес. Иногда изучаю только из интереса, не зная, к чему это приведет. Например, сейчас я изучаю тайский язык.

Это важно сказать, так как на этом этапе уже понятно, что включить в план для достижения цели/решения проблемы.

ШАГ 1. 10% времени обучения - исследование и составление плана:

Это помогает избежать проблемы, когда мы выбираем первый попавшийся ресурс или метод, не думая об альтернативах. Вот простой алгоритм исследования:

1) Выбираю метод обучения. Некоторые методы работают для меня лучше, чем другие.

В качестве базы люблю бесплатные курсы от лучших университетов мира (рейтинг). Если нужно углубиться в тему, дополняю просмотром видео на YouTube, чтением документации и статей. Иногда обращаюсь за помощью к наставникам. Но знаю, что есть те, кто обучается только по роликам на ютьюб - такой метод они считают эффективным для себя.

2) Анализирую программы курсов от разных университетов, начинку (подача материала, насколько мне такое обучение интересно). Смотрю рейтинг курсов. Вспомогательные материалы как правило ищу уже по ходу обучения.

Важный момент: я обычно не учу ради сертификата. Действую исходя из интереса или того, насколько материал решает мою проблему/задачу. Поэтому какие-то курсы я могу пройти полностью, какие-то лишь частично.

Кстати, если есть сомнения нужно обучаться или нет - сделайте шаг 1, после этого, как правило, становится яснее.

Это не все, следующими шагами планирую поделиться позже. Поэтому если интересно - ставьте лайк.

LinkedIn массово блокирует аккаунты. Пользователи не могут восстановить их неделями

Это довольно грустная история, особенно если LinkedIn для вас - один из основных источников поиска работы и клиентов.

Мой аккаунт в LinkedIn (хорошо, что не основной) был "ограничен" вчера и я не могу в него войти, при этом к аккаунту привязана карта и есть действующая подписка на LinkedIn Learning.

Судя по сообщениям на reddit, массовая блокировка началась около месяца назад. При этом большинство пользователей спустя недели так и не вернули свои аккаунты. А те, кому это удалось, получили абсолютно измененный аккаунт - с другими данными и даже на других языках.

LinkedIn никак не комментирует проблему и не дает сроков решения проблемы. На reddit пишут, что это похоже на хакерскую атаку.

Пост с тем посылом, что если используете LinkedIn - проверьте, есть ли у вас двухфакторная аутентификация и смените пароль на более сложный. Это поможет защитить аккаунт.

Где найти ментора/наставника?

Ментор - это не панацея, но иногда он здорово может помочь решить проблему/задачу по работе, ускорить прогресс в профессии. Особенно в начале пути.

Самый простой путь - специальные сервисы для поиска ментора в IT - если забьете в Google, то их выдаст как минимум несколько штук. Во всех есть специализированные менторы по аналитике данных, SQL, Python и другим навыкам в IT. Вот те, которые я использовала:

1. Getmentor. 500+ специалистов из Авито, Яндекса, Google и других компаний. Плюс в том, что есть как платные, так и бесплатные менторы. Выбираете ментора и связываетесь с ним сами по доступным контактам.

2. Solvery. 1100+ специалистов. Все менторы платные, но есть 15 бесплатных минут, чтобы познакомиться, обсудить план занятий и договориться об удобном графике. Есть помощь в подборе ментора - третий человек, который помогает договориться.

3. У Анны Булдаковой есть бот @Nfng_bot с менторами, который выдает менторов с контактами по нужному вам навыку. Но актуальность менторов на текущий момент у меня по вопросом, тк Анна занимается аналогичным сайтом meander.so (сам сайт на английском, но менторы на русском).

Другое. На первой работе была программа наставничества. Поэтому в самом начале у меня были наставники, с которыми я могла созвониться и задать вопросы в рабочее время. Но такой вариант не доступен тем, кто еще не работает или у кого в компании нет подобной программы.

Вопрос: Можно ли в моем возрасте 40 лет сменить профессию/возьмут ли меня на работу?

Как правило, компании в сфере IT более свободные от различных стереотипов/предрассудков, однако нельзя сказать, что эйджизм вообще не существует. И кстати, он есть и к молодым людям - ветренные, неопределившиеся, будут "скакать" с места на место.

Но подобный вопрос контрпродуктивен (на мой взгляд) - то есть не приведет к полезному результату. И ставить его во главу угла при выборе профессии в корне неверно. Если большинство работодателей не готовы брать людей определенного возраста, тогда не нужно что-либо делать, так получается?

Но все же что делать, чтобы избежать дискриминации?

Лучше всего всегда исключать возраст из резюме - такое мнение зарубежных специалистов. Включение может поставить вас в невыгодное положение, поскольку оставляет рекрутерам и менеджерам по найму возможность дискриминировать вас по возрасту. Кстати, тот же hh теперь убрал обязательное указание возраста, его можно указывать по желанию.

Все правильно, ведь в основном по возрасту могут отсеять именно на этапе просмотра вашего резюме. На собеседовании вы показываете себя как человека и свои знания и если с этими пунктами все окей - возраст не будет помеха.

При этом в резюме не нужно указывать все ваши предыдущие работы и сертификаты, начиная со школьной скамьи. Укажите лишь последние и релевантные работе, которую ищете.

Что думаете вы? Если согласны, ставьте 🔥

У меня есть ютьюб-канал, на котором я делюсь рабочими и личными моментами

Для начинающих аналитиков подойдут вот эти видео:
- Самый быстрый способ стать аналитиком данных бесплатно и найти работу (мой опыт)
- Обзор бесплатных курсов от Google по аналитике данных. Насколько хороши?

Недавно опубликовала видео о жизни:
- Мой день из жизни аналитика данных на удаленке на острове Пхукет
- Сколько я трачу в месяц на Пхукете: месяц из жизни аналитика данных

Больше видео смотрите на канале Аналитика и growth mind-set.

Если вам нравятся мои видео, буду рада подписке и лайку❤️.

Excel VS Python

Кажется, что сейчас это странный вопрос, однако он имеет место быть, так как некоторые компании до сих пор используют Excel🤦🏼‍♀️.

Excel я не использую. И если мне говорили, что в работе нужно будет использовать excel - такие вакансии не рассматривала по 2 причинам:

- мне не интересно работать с excel, я хочу работать с Python;
- если компания использует только excel - это ее характеризует не с лучшей стороны

Excel можно использовать для простых задач, в то время как Python - более профессиональный инструмент.

Поинты про Python:

- Лучше подходит для более сложного и расширенного анализа данных (с помощью библиотек)
- Python можно использовать для работы с большими наборами данных
- Можно автоматизировать большую часть вашей работы

Единственный плюс в Excel, на мой взгляд, - разобраться в нем легче и быстрее, тем более что многие из нас его итак уже знают.

Облегчают анализ данных: 5 сервисов на базе ИИ

Я переодически мониторю новые ИИ инструменты. В последнее время появилось много для анализа данных (ниже только некоторые). По словам разработчиков, они подходят как для новичков, так и для профессионалов, а также в качестве "аналитики самообслуживания".

Сервисы либо полностью бесплатны, либо основные функции бесплатны, либо есть бесплатный период без привязки карт.

1. AskEdith

Работает по формату "Чат с данными": вы подключаете источник данных и задаете вопросы на естественном языке. AskEdith дает ответы в различных форматах, в том числе в виде визуализации.

Анализирует большие объемы данных. Можно подключиться ко всем БД и CRM (Google Sheets, Airtable, PostgreSQL, MySQL, SQL Server, Snowflake, BigQuery и Redshift и тд).

2. Tomat.AI

Позволяет анализировать большие файлы CSV без необходимости кодирования или написания формул. Фильтрация, сортировка, объединение нескольких файлов, визуализация - в несколько кликов.

3. Coginiti

Также работает по формату "чат с данными", однако заточен только на SQL. Генерирует SQL запросы, объясняет их и по необходимости повышает производительность. Есть доступ ко всем хранилищам данных (Redshift, Microsoft, Snowflake, IBM, bigquery, Yellowbrick и Databricks и. тд). Имеет репозиторий для SQL-запросов.

4. Formula God

ИИ, который встраивается в Google Таблицы и помогает манипулировать данными без знаний формул. Запросы можно писать на естественном языке.

5. Simple ML for Sheets

С помощью расширения каждый может использовать машинное обучение в Google Sheets, не зная программирования и ML. Но и экспертам также подойдет, если они хотят быстро выполнить задачу на небольшом объеме данных. Разработан командой TensorFlow Decision Forests.

—-

Я не изучала их детально, просто потыкала. Возможно в ближайшее время протестирую и расскажу результат. При первом взгляде выглядят неплохо, но дьявол обычно кроется в деталях.

Самые популярные посты в этом телеграм-канале:

Публикую и закрепляю посты, которые получили больше всего лайков и репостов.

Обучение:

💡Более 100 бесплатных курсов и материалов по аналитике
💡2 бесплатных курса от Google по аналитике данных для начинающих и продвинутых
💡Бесплатный курс по аналитике данных с сертификатом
💡Как быстро начать программировать на Python аналитику данных?
💡10 бесплатных материалов по статистике, чтобы разобраться
💡Бесплатные курсы по А/Б тестированию + 2 практических статьи
💡Почему аналитику данных нужно разобраться, что такое Github?

Практика:

💻 5 бесплатных сервисов для практики SQL и Python
💻 Где искать стажировки аналитиком данных в России?
💻 5 подробных примеров проектов для начинающих аналитиков данных
💻 Как практиковать навыки а/б тестирования, если вы не проводите а/б тесты
💻 Примеры реальных проектов для усиления портфолио

Собеседование:

💡Готовимся к собеседованию и улучшаем навыки со Stratascratch и Hakerrank
💡Как на собеседованиях вычисляют аналитиков-сеньоров и как вы близко к тому, чтобы перепрыгнуть на следующий грейд
💡Тестовое задание от азиатской компании Food Panda

Другое:

💻 Где можно проверить свои знания и получить сертификаты
💻 Где найти ментора/наставника?
💻 ChatGPT для аналитики данных: 6 примеров использования
💻 6 блогов по аналитике от компаний-лидеров
💻 Как учиться бесплатно на Coursera без привязки карты и пробных периодов?
💻 Облегчают анализ данных: 5 сервисов на базе ИИ

🚀Привет, друзья! Мы здесь, чтобы делиться знаниями и помогать друг другу расти как аналитикам. 📊

Многие из нас сталкиваются с трудностями в обучении и поиске полезных материалов. Но в то же время у каждого есть ресурсы, которые он может рекомендовать.

Поэтому предлагаю совместно собрать подборку полезных материалов💡

Что вам помолго/помогает "войти в аналитику"?
Что помогает в дальнейшем росте как аналитику?

Добавляйте свои рекомендации в комментариях👇🏻

Не знаю, с чего начать изучение аналитики

Такой вопрос или просьба порекомендовать "идеальный ресурс" - часто можно увидеть в комментариях.

Речь ниже пойдет преимущественно про бесплатные материалы, но по большей части сказанное можно применить и к платным.

Часто начинающие не могут остановиться на конкретном ресурсе, ведь их так много (Что лучше - платные или бесплатные? Книги или курсы? С какого навыка начать изучение?). Наступает ступор и многие ждут, что кто-то извне скажет “Вот этот курс, 100% - лучший курс из всех, который покрывает все темы и после него 100% тебя возьмут на работу!"

Расстрою или обрадую, но такого курса, книги, материала, который бы на 100 процентов подошел именно вам, - нет.

а) У всех разные стартовые показатели (у кого-то математическое образование, у кого-то гуманитарное, кто-то хочет перейти из схожей профессии и имеет часть навыков, кто-то с абсолютного 0).

б) Все учатся по-разному: кто-то хочет, чтобы ему все объяснили и провели за руку (в бесплатных курсах этого нет), кто-то любит и может обучаться самостоятельно. Кому-то нравится смотреть и слушать, кому-то читать книги. А чаще всего решающее значение играет практика.

в) Нельзя пройти один курс - даже самый полноценный и стать специалистом. В процессе возникает множество вопросов, которые требуют дополнительных материалов и практики.

Полагаться только на мнение других людей или изучать первый попавшийся материал кажется мне неправильным. Поэтому любое обучение я начинаю с мини-исследования (писала тут, что именно делаю). Стала делать так после прочтения книги "Суперобучения" Скотта Янга. Это помогает принять обоснованное решение.

После мини исследования я стартую, даже если есть сомнения, потому что:

а) Иногда ответы и решения приходят уже процессе обучения. Например, нравится эта сфера или нет - не начав, это понять невозможно.

б) Сомнения и ошибки - неотъемлемая часть обучения. Совсем не нравится - можно прекратить обучение. Это нормально.

в) Лучше потратить время на обучение, чем на сомнения. Время на любое обучение для меня еще не прошло даром, даже если на прямую я не применяла эти знания, косвенно они участвуют во всех моих действиях и обогащают меня.

А вот история:

Мой знакомый год назад сомневался, стоит ли учить Python. Прошел год, а он все еще сомневается. Хотя за такой срок (год) мог бы уже выучить язык программирования и значительно продвинуться, но сомнения оставили его в той же точке.

ИИ стримеры в Китае вместо людей

Или куда "катится" мир.

Вчера прочитала свежую новость в MIT Technology Review.

Суть в том, что в Китае очень популярны продажи товаров на трансляциях. На них совершается более 25% всех покупок. Но обучение "живых" ведущих, их удержание - это значительные затраты. Поэтому китайцы решили автоматизировать.

Только один китайский стартап Silicon Intelligence создал целых 400,000 виртуальных стримеров. Стоимость от 1000 долларов и выше, в зависимости от функционала.

ИИ стримеры выглядят как настоящие. Более продвинутая версия даже может отвечать на комментарии, поэтому создается впечатление, что стример активно общается с аудиторией. Но в отличии от людей могут работать 24/7.

Что сказать - очень предсказуемо.

Взглянув на ИИ стримера выше, вы сможете угадать - это нейросеть или человек?

Можно ли аналитику данных преобразовать в бизнес? Какие могут быть бизнес идеи, связанные с аналитикой данных?

Вот такие интересные вопросы пришли от подписчика (скриншот выше☝️).

Я решила поделиться, потому что уверена, что многие из вас тоже задумывались над совмещением бизнеса и аналитики.

Как бы вы ответили на эти вопросы? Делитесь своими мыслями и предложениями в комментариях!

Аналитик данных - фрилансер и предприниматель

Основные направления, куда можно расти аналитику данных я изобразила на схеме выше👆🏻

Могу поделиться мыслями про фриланс и предпринимательство, тк. фриланс пробовала ранее, а небольшие предпринимательские проекты реализую регулярно.

Фриланс - предоставление услуг по аналитике

Считаю, что у меня достаточно сильные маркетинговые скиллы, поэтому клиенты стали появляется уже в первый месяц. Секрета нет - убедительное портфолио + размещение на около 30 площадок (РФ + в основном зарубежные).

Но проанализировав, поняла, что фриланс - это не то, чем я хочу заниматься:

Фриланс это: Знания в аналитике + Знание или желание разобраться в продвижении своих услуг + Умение и желание коммуницировать с клиентом. Последнее - не люблю. Клиенты попадаются разные и часто их запросы мягко говоря странные (так как понимание аналитики практически отсутствует). Мне больше по душе идеи, где не нужно плотно общаться с клиентом.

Кроме того основные клиенты - это малые бизнесы, которые не могут и не хотят платить за работу хорошо и чаще всего хотят постоплату.

Предпринимательство

На мой взгляд, аналитические навыки пригодятся при открытии любого дела. Даже открывая кофейню, можно применить в ней знания аналитики и построить "твердый" бизнес, опирающийся на данные, а не на интуицию. Что будет преимуществом, так как малый бизнес редко использует аналитику (максимум подключит Яндекс Метрику, ито не будет использовать ее в полном объеме). Отсутствие аналитики часто приводит к хаосу, потере денег и закрытию бизнеса.

Если хочется сделать что-то, связанное именно с аналитикой, то есть минимум 3 варианта:

1) Разработка аналитических продуктов. Это могут быть платформы для визуализации как Power BI, для сквозной аналитики как Calltouch, для мобильной аналитики как Appsflyer, решения для аналитики социальных сетей и т.д.. Не обязательно делать сразу масштабное решение для всех отраслей и сфер - можно сконцентрироваться на решении проблемы в конкретной отрасли.

2) Разработка продуктов, где аналитика важная часть. Например, трекинговые приложения для сна, питания, физ активности. Или CRM система.

3) Тот же консалтинг и аутсорсинг аналитики, что я описывала во фрилансе, только в отличии от фриланса вы нанимаете сотрудников.

Это только несколько примеров. Я практически ежедневно записываю для себя новую идею, они появляются обычно в процессе изучения нового.

Был ли полезен пост? Если да - ставьте лайк. А то переживаю, что эта тема мало кому интересна:)

Забавная реклама из далекого 1990 года, которая показывает возможности Microsoft Excel (уже тогда существовали формулы и автозаполнение).

Сотрудник фирмы забывает про отчет, который он должен был подготовить к важной сделке и пока едет в лифте буквально за 1 минуту с помощью Excel успевает его сделать.

Чтобы я не думала про Excel, а все-таки - это пример гениального продукта, который кардинально поменял правила игры.

Уверена, что 30 лет назад он был как ChatGPT сейчас. И спустя годы ничего не изменилось: в мире все еще используют программу и она является основным инструментом для многих компаний. Кто-то до сих пор начинает свой путь в аналитике данных с Excel.