😱 Мифы джунов о том, каково это быть сеньером

Полная свобода креативу
🔠  Ожидание: сеньором избавишься от скучных задач.
🔠 Реальность: совещания, код-ревью, легаси-системы — ожидают вас.

🤩Совещания, документация и код-ревью могут раздражать, но сеньоры находят в них и ценность. Вы начинаете ценить их, так как они обеспечивают согласованность и улучшают команду.

Принятие разнообразных задач
🔠 Ожидание: сделаешь революцию в компании!
🔠 Реальность: изменения требуют одобрения и бюджета.

🤩Джуны могут видеть бесконечные возможности для улучшений, но сеньорам приходится учитывать реальные ограничения.

Отдых
🔠 Ожидание: больше свободного времени как сеньор, ухуууу🐶
🔠 Реальность: балансировка между дедлайнами и личной жизнью.

🤩Ожидание большего отдыха после повышения основано на недопонимании сеньорских обязанностей. Хотя есть больше свободы в выборе, это сопряжено с ответственностью за управление и организацию.

Самостоятельный выбор задач
🔠 Ожидание: руководство крупными проектами.
🔠 Реальность: сеньоры также активно участвуют в ручной работе.

🤩С властью приходит ответственность и стресс. Руководство проектами приносит не только удовлетворение от успехов, но и страх неудач. Вы переходите от "реализовать quicksort вместо mergesort" к "интегрировать ИИ в отдел HR". В итоге, можете даже начать тосковать по временам, когда вам говорили, что делать.


@ITsheikh

какой жизненный пост...


Начинающий канал сеньора аналитика с Яндекса😎

Рассказывает как войти в айтишку правильно и активно расти. Подписываемся!

📌 Новый подход к обнаружению объектов, рассматривающий это как задачу прямого предсказания множества.

🤩Метод устраняет необходимость в ручных компонентах, таких как подавление немаксимальных значений, используя глобальную функцию потерь и архитектуру трансформатора.

🔥 Темы покрытые авторами: глобальные функции потерь, трансформаторы и прямые задачи предсказания множества.

https://arxiv.org/pdf/2005.12872.pdf

➡️ Исследованиe гауссовых процессов предоставляет подробное описание основных концепций, таких как многомерные гауссовы распределения, маргинализация, условные вероятности, ядра и их применение в задачах регрессии. Автор ясно объясняет, как эти методы могут быть использованы для моделирования и предсказания случайных функций.

https://distill.pub/2019/visual-exploration-gaussian-processes/

тимлиды иногда такие тимлиды...😐

как бы ты ответил?

👀 4 типа кандидатов: реалии рынка труда

⭕️Тип №1 – "Ничего не умею, ничего не зарабатываю":
Здесь, как в песне: "Сижу в болоте, ему корягу". Нет особых достижений, но и амбиций тоже нет. Просто есть свой уютный мир, где все просто.👀

⭕️Тип №2 – "Ничего не умею, но зарабатываю":
Этих товарищей вы, вероятно, встречали на работе. Они мастера продаж себя, их ремесло – убеждать, а зарплата порой кажется абсурдно высокой. Они знают, как играть в корпоративные игры, даже если не всегда понимают, что происходит. 😼

⭕️Тип №3 – "Умею дофига, но не умею себя продавать":
Привет, друг! Если вам знакомо ощущение, что ваше мастерство не оценивают, возможно, это из-за неуклюжести в продвижении себя. Иногда даже приходится запугивать бабайкой, чтобы люди рассказали о своих навыках и ожиданиях по зарплате.

⭕️Тип №4 – "Умею дофига и мастер продаж себя":
Эти красавцы – настоящие маги продаж. Они не только владеют профессиональными навыками, но и отличаются умением себя продать. 😎

И помните, продавать себя можно научиться. Даже если вы интроверт, даже если не любите людей, даже если вы картошка.

Ваш @dataminingteam💙

🟢 Глубокое исследование сходимости Adam в условиях невыпуклой стохастической оптимизации с гладкостью.

🔆 Авторы предоставляют анализ, демонстрирующий, что Adam может сходиться к стационарной точке при наличии "аффинного" шума по координатам, не требуя ограниченности градиентов или предварительных знаний о задаче для настройки гиперпараметров.

Друзья, нужны ваши голоса, поддержите наш канал 👀

Мы хотим делать для вас визуально приятный контент💙

https://news.1rj.ru/str/dataminingteam?boost

🥹 Любопытная статья, как Яндекс предоставляет мониторинг вулканических извержений в режиме реального времени

🔎Сервис, использующий лагранжеву дисперсионную модель, геоаналитику и нейронные сети в DataSphere, позволяет визуализировать данные, предсказывать пеплопады и имеет потенциал для расширения в другие регионы.

https://habr.com/ru/companies/yandex/articles/794883/

Как выжить в офисной джунглях?

Названия компаний звучат так красиво, но кто подумает о том, что там внутри, как в шоколадной коробке :)

1️⃣Главное – умение договариваться. Опыт важен, но если не сможете уговорить коллег согласиться с вами, то и опыт не поможет. Приготовьтесь, что на задачу, которую вы могли бы решить сами, создадут целый отряд из 10 человек.

2️⃣Чем раньше вы разберетесь, кто и как оценивает вашу работу, тем легче. Понятный план и договоренности до фидбэка – как страховка от ненужных переживаний.👍

3️⃣Игнорируйте офисные интриги (даже если вам сильно хочется поучаствовать), ведь в них побеждает только хозяин офиса.

4️⃣Рост – это хорошо, но чтобы его достичь, нужно быть проактивным и уметь похвалить себя как классного профессионала. Поддерживать статус "Трудяги года" и ждать, когда это заметят, – наивное мечтание.😐

5️⃣Чем крупнее компания, тем больше бюрократии. Задача, решаемая за неделю, может растянуться на месяц. Просто привыкайте.

Понравился пост?
Кидай огонёк 🔥

@dataminingteam

🤩Новый подход к предварительному обучению нейронных сетей, акцентируя внимание на локальной устойчивости в случаях сложных архитектур, для которых аналитическая инициализация оказывается недостаточной.

➡️ Авторы расширяют существующие теории стабильности на глубокие рекуррентные сети, представляя теорию Локального Условия Стабильности (LSC), требующую минимальных предположений о данных и распределении параметров.

https://arxiv.org/pdf/2308.12075.pdf

👀 Шпаргалка по моделям на основе состояний с оптимизацией поиска и процессам принятия решений Маркова — подробный обзор методов оптимизации поиска, таких как обратный поиск, поиск в ширину, поиск в глубину, итеративное углубление, графовый поиск, динамическое программирование.

➡️ Также рассматриваются ключевые аспекты Марковских процессов принятия решений, включая оценку политики, итерацию значений, переходы и вознаграждения.