🔠 Как обезопасить себя от казусов, идя по пути 'удобства' на работе

Представьте, вы пытаетесь расслабиться после тяжелого дня, устроившись уютно в постели перед фильмом, когда ваш телефон внезапно оживляется от уведомлений. Ваш менеджер, работающий до 11 вечера, передает вам несколько задач.😎

Вы чувствуете смешанные эмоции: с одной стороны, стремление быть ответственным сотрудником, выполнить все задания руководства; с другой стороны, гнев и разочарование из-за ночной работы и недостатка возможности находиться в "режиме отдыха".

😐 На вопрос о повышении менеджер отвечает: "Ну, минимум через год, сначала нужно пройти столько...". И опять вы начинаете искать новую работу, надеясь найти компанию, которая соответствует вашим потребностям.

Однако существует риск, что на новом месте ситуация повторится. Проблема не в конкретном руководителе или корпоративной культуре, а в умении устанавливать и защищать свои личные границы – ключевой черте лидера.

Часто люди стараются угодить команде и руководству, боятся быть "неудобными", но в итоге оказываются в проигрыше. Не тот, кто старается угодить всем, получает повышение, а тот, кто честно выражает свои потребности, создавая более положительное восприятие и помогая руководству лучше ориентироваться в рабочем процессе.

❔Как можно выражать свои личные границы, не звуча при этом агрессивно? Метод ненасильственного общения (ННО) может помочь, предполагая выражение своих потребностей по структуре:
1️⃣ факт
2️⃣ свои ощущения
3️⃣ потребность
4️⃣ просьба

Пример: "Дима, когда ты назначаешь задачи в 23:00, у меня возникает ощущение, что мне приходится работать и ночью. Для меня важен баланс между работой и личной жизнью, это позволяет мне отдохнуть и видеть вещи в новом свете. Иначе я работаю неэффективно. Можешь, пожалуйста, ставить задачи с отложенной отправкой, чтобы они приходили в рабочее время?". Видите? Сразу другое дело.

Понравился пост? Кидай «🔥»👇

Ваш @dataminingteam🤗

📈 Книга по Stochastic Calculus включающая основы мартингалов в дискретном времени, стохастического интегрирования, дополнительные аспекты стохастического исчисления, изменение меры и теорема Гирсанова, процессы скачков, дробное броуновское движение и гармонические функции.

💬 Авторы предоставляют подробное изложение ключевых концепций и результатов в стохастическом анализе, включая основные теоремы и практические вычислительные аспекты.

кого-то мне это напоминает 😉

👀 Шпаргалка по статистике включает оценку параметров, оценку среднего и дисперсии, доверительные интервалы для среднего и парных выборок, медианный и трендовый анализ, проверка гипотез по среднему, парным выборкам, медиане и тренду.

📊 Также рассматривается анализ регрессии, корреляционный анализ с введением преобразования Фишера для коэффициентов корреляции.

😐 Про эти ваши ретроспективы, осознанности...

Каждый раз когда слышишь как серьезные мужики в костюмах пихают такое, сразу лезет с голову подобная картина:

И вот вам идеальная организация, где все топ-менеджеры регулярно собираются в своих кабинетах, взявшись за свои кружки с горячим кофе, чтобы провести ежедневную ретроспективу. Кто-то, возможно, даже приносит свечи и феншуй-кристаллы для создания атмосферы глубокого погружения в свои мысли. 🥳

"Доброе утро, коллеги! Сегодня мы будем рефлексировать о вчерашнем дне. Итак, какие успехи мы достигли? Я, например, осознал, что мои решения лучше принимаются после второй чашки кофе, а не перед первой!"

Может быть, вместо корпоративных тренингов по рефлексии, в офисе появятся медитационные комнаты с вывеской "Ретроспективный отдых. Вход только для тех, кто осознанно думает"🤪

А если кто-то случайно забудет провести ретроспективу, то его офисное растение начнет тихонько шептать ему в ухо: "Не забывай о саморазвитии, Саша!"

Такая организация, вероятно, выиграет в конкурентной борьбе, ведь ее сотрудники будут настолько осознанными, что якобы смогут предсказать будущее. А конкуренты будут только разглядывать свои прошлогодние отчеты и думать: "Почему у них всегда такие креативные выводы? Может быть, у нас тоже не хватает свечей?" 😐

Ваш @dataminingteam🤗

доброе утро, коллеги😉

1️⃣Детальная шпаргалка по статистике. Все, что вам надо в 1 материале.  https://news.1rj.ru/str/dataminingteam/1623

2️⃣Практическое руководство по поддержке ML моделей в продакшене.
https://vk.com/wall-94208167_7513

3️⃣Практический туториал по BERT от препроцессинга до тренировки.  https://news.1rj.ru/str/dataminingteam/1575

4️⃣Разбор кластеризации временных рядов — популярные методы, разъяснение pros/cons, шумы и точность.
https://vk.com/wall-94208167_7519

5️⃣Реализация выбора признаков на Python для уменьшения размерности данных.
https://vk.com/wall-94208167_7500

Ваш @dataminingteam🤗

1️⃣В каких ситуациях возникает исключение NotImplementedError?

2️⃣ Какие функции из collections и itertools вы используете?

3️⃣Что делает флаг PYTHONOPTIMIZE?

4️⃣Как ускорить существующий код python? 

5️⃣Как упаковать бинарные зависимости?

Ставь «🔥» и пиши свои ответы комментах👇

Ваш @dataminingteam🤗

🔠Статья рассматривает ключевые аспекты выбора хранилища данных подчеркивая важность масштабируемости, гибкости и надежности.

🔠 Статья акцентирует внимание на воспроизводимости через версионирование данных и стратегии по долгосрочной перспективе в выборе поставщика хранилища данных.

➡️ "Regression-Enhanced Random Forests" (RERFs) - как способ устранения ограничений случайных лесов, интегрируя силу штрафованной параметрической регрессии.

🤩 Методология включает запуск Lasso перед построением случайного леса на остатках, что приводит к лучшей предсказательной производительности, особенно в случаях, где важны известные отношения между предикторами и ответами или при прогнозировании вне обучающего диапазона данных. Исследование заключает, что RERFs превосходят случайные леса как в интерполяции, так и в экстраполяции.

тык на ссылку

🔥 Behavior interview — вид собеседования, фокус которого направлен на оценку прошлого опыта кандидата.

Пару вопросов, которые вам скорее всего зададут на behavior interview:
1⃣ Расскажите о случае, когда ваши рабочие обязанности чувствовались немного подавляющими. Что вы предприняли в этой ситуации?

2⃣ Опишите проект, с которым у вас возникли наибольшие трудности. Что бы вы сделали по-другому?

3⃣ Расскажите о случае, когда у вас были запросы от разных сотрудников в одно время. Как вы с этим справились?

4⃣ Какой совет вы бы дали молодому человеку, который пытается пробиться в этой сфере?

5⃣ Назовите наиболее интересные проекты, над которыми вы работали, и как они могут быть актуальны для среды данной компании?

6⃣ Расскажите о случае, когда у вас возникло разногласие с вашим руководителем.

7⃣ Расскажите о проекте, к которому у вас была особая страсть, или о том, где вы продемонстрировали свой лучший редультат.

Было полезно? Ставь «🔥»👇

Ваш @dataminibgteam🤗

🔆 Разбор базовых AHC (Агломеративная иерархическая кластеризация) и K-Means.

🔵 Исследование сфокусировано на влиянии выбросов на качество кластеризации, сравнивая результаты до и после удаления выбросов с использованием алгоритмов выявления выбросов, таких как LOF (Локальный фактор выбросов) и COF (Фактор выбросов на основе связности), и анализируя улучшение качества кластеризации на трех реальных наборах данных с различным количеством экземпляров.

https://www.ncbi.nlm.nih.gov/pmc/articles/PMC9324173/pdf/entropy-24-00917.pdf

🇸🇦 Модель, которую вы обучили, имеет низкий уровень смещения и высокую дисперсию. Что бы вы делали с этим?

🇸🇦 Какую технику кросс-валидации вы бы предложили для временного ряда и почему?

🇸🇦 Каковы шаги в типичном алгоритме обучения с подкреплением?

🇸🇦 Какие существуют методы уменьшения размерности?

🇸🇦 Как находить пороги для классификатора?

Ставь «🔥» и пиши свои ответы комментах👇

Ваш @dataminingteam🤗

🔥 Полный обзор на многоруких бандитов. Сохраняй себе!

Авторы рассматривают:
🟣Введение в модели принятия решений и компромисс между исследованием и использованием.
🟣Стратегия Epsilon-Greedy: Реализация на Python, вызовы и динамическая природа параметра исследования.
🟣Введение в алгоритм Softmax как улучшение по сравнению с стратегиями Epsilon-Greedy.
🟣Метод имитации отжига (Simulated Annealing): Постепенное уменьшение коэффициента исследования со временем.
🟣Введение в алгоритм Upper Confidence Bound (UCB) и его выбор на основе верхних границ уверенности.
🟣Байесовские бандиты: Введение в алгоритм Выборка Томпсона и байесовскую статистику.
🟣Объяснение теоремы Байеса и ее применение в принятии решений.
🟣Использование сопряженных априорных распределений и байесовской статистики в контексте бернуллиевских наград с бета-распределением.
🟣Ссылки для дополнительного изучения байесовской статистики.

Статья включает фрагменты кода на Python для реализации алгоритмов.

Ваш @dataminingteam🤗

1️⃣Как перевернуть генератор?

2️⃣ Что такое pycache AND файлы .pyc?

3️⃣Как передать необязательные или ключевые параметры из одной функции в другую?

4️⃣Чем отличаются iter и next?

5️⃣Как работать с транзитивными зависимостями?

Ставь «🔥» и пиши свои ответы комментах👇

Ваш @dataminingteam🤗

🔆 Статья вдается в суть проблемы исчезающего градиента в нейронных сетях, подчеркивая ее важность в контексте глубокого обучения. Предлагаются методы ее решения и подробно рассматривая расчеты градиентов, причины и признаки этой проблемы.

📌 Обзор на Layer-wise Relevance Propagation (LRP) предоставляет понимание того, как обеспечить объяснимость прогнозов сложных нейронных сетей, выражая предсказания в терминах входных признаков.

🤩 Метод LRP обладает привлекательными свойствами, такими как эффективная и модульная реализация propagation rules в большинстве программных средств нейронных сетей, встроенных в фреймворк Deep Taylor Decomposition.