🚀 MLinside на конференции «Матемаркетинг 2024» — встречаемся 8 ноября!
Уже совсем скоро, 7 и 8 ноября, в Москве стартует «Матемаркетинг» — масштабная конференция по маркетинговой и продуктовой аналитике с более чем 120 докладами, панельными дискуссиями и экспертными сессиями! 🤯
👥 Кому стоит посетить конференцию?
• Программисты: Если вы хотите расширить свои навыки и использовать ML для более интересных задач на текущем месте работы.
• Аналитики: Если вы стремитесь к карьерному росту и хотите узнать, как ML может улучшить вашу работу.
• Менеджеры: Если вы хотите научиться правильно взаимодействовать с командами ML и управлять проектами более эффективно.
🗓️8 ноября в 15:00 в рамках секции ML в бизнесе от MLinside эксперты поделятся своим опытом и знаниями о том, как машинное обучение меняет работу различных специалистов:
• Виктор Кантор (MLinside) — расскажет о 7 главных способах внедрения ML и их экономическом эффекте.
• Даниил Родионов (МТС) — поделится фреймворком для оценки маркетинговых эффектов с помощью ML.
• Дмитрий Фролов (МТС) — обсудит оптимизацию закупки рекламы и управление ценами bid-а.
• Арина Смирнова (X5 Group) — на примере кейсов покажет, как big data и ML-таргетинг усиливают работу с клиентами.
• Радослав Нейчев (МФТИ) — разберет, как за один день создать прототип RAG и быстро оценить результаты.
📍 Адрес оффлайн-мероприятия: Москва, Раменский бульвар, 1 (Кластер Ломоносов).
✨Откройте для себя последние тренды, обменивайтесь опытом с экспертами и повышайте свою квалификацию.
🎁 А для наших подписчиков — скидка 25% по промокоду MLINSIDE
🔗 https://matemarketing.ru
Уже совсем скоро, 7 и 8 ноября, в Москве стартует «Матемаркетинг» — масштабная конференция по маркетинговой и продуктовой аналитике с более чем 120 докладами, панельными дискуссиями и экспертными сессиями! 🤯
👥 Кому стоит посетить конференцию?
• Программисты: Если вы хотите расширить свои навыки и использовать ML для более интересных задач на текущем месте работы.
• Аналитики: Если вы стремитесь к карьерному росту и хотите узнать, как ML может улучшить вашу работу.
• Менеджеры: Если вы хотите научиться правильно взаимодействовать с командами ML и управлять проектами более эффективно.
🗓️8 ноября в 15:00 в рамках секции ML в бизнесе от MLinside эксперты поделятся своим опытом и знаниями о том, как машинное обучение меняет работу различных специалистов:
• Виктор Кантор (MLinside) — расскажет о 7 главных способах внедрения ML и их экономическом эффекте.
• Даниил Родионов (МТС) — поделится фреймворком для оценки маркетинговых эффектов с помощью ML.
• Дмитрий Фролов (МТС) — обсудит оптимизацию закупки рекламы и управление ценами bid-а.
• Арина Смирнова (X5 Group) — на примере кейсов покажет, как big data и ML-таргетинг усиливают работу с клиентами.
• Радослав Нейчев (МФТИ) — разберет, как за один день создать прототип RAG и быстро оценить результаты.
📍 Адрес оффлайн-мероприятия: Москва, Раменский бульвар, 1 (Кластер Ломоносов).
✨Откройте для себя последние тренды, обменивайтесь опытом с экспертами и повышайте свою квалификацию.
🎁 А для наших подписчиков — скидка 25% по промокоду MLINSIDE
🔗 https://matemarketing.ru
matemarketing.ru
MM’25 — Конференция для аналитиков, performance-маркетологов и product-менеджеров
Крупнейшая конференция по маркетинговой и продуктовой аналитике в России, СНГ и Восточной Европе. Даты: 20–21 ноября 2025, онлайн-день — 11 ноября.
❤6🔥4
📢 Совсем скоро: второй поток курса "База ML" с новыми темами и улучшенными материалами! 🔥
Мы внимательно выслушали каждого из вас, учли пожелания и проделали колоссальную работу, чтобы сделать курс "База ML" еще лучше. Первый поток еще в разгаре, но мы уже готовы представить обновленную версию курса для второго потока, наполненную новыми темами и улучшениями, которые позволят вам максимально эффективно и глубоко погрузиться в мир машинного обучения.
🔍 Что нового?
На основе ваших отзывов мы добавили новые темы и расширили материалы курса, чтобы охватить еще больше аспектов машинного обучения.
Теперь в курсе вас также ждут:
Дополнительные темы по методам ML — чтобы расширить кругозор и знать не только три самых используемых метода, но и "что вообще бывает":
🔹 Простые методы машинного обучения — познакомитесь с методом k ближайших соседей (kNN) и наивным байесовским классификатором.
🔹 Обучение без учителя (Unsupervised Learning) — познакомьтесь с задачами кластеризации, методом K-средних (K-means), иерархической кластеризацией и понижением размерности пространства признаков.
🔹 Дополнительные лекции про метод опорных векторов (SVM), использование ядер в SVM (Kernel trick), и двойственную задача в SVM (почему работает Kernel Trick и что же такое опорные векторы)
Основы нейронных сетей — подготовка перед переходом к изучению Deep Learning и хороший способ понять, что же происходит в DL в общих чертах
🔹 Основы нейронных сетей — лекции с введением в нейронные сети, обучение с помощью стохастического градиентного спуска (SGD), математическое дополнение про граф вычислений и автоматическое дифференцирование, backpropagation, а также обзор основных проблем, с которыми сталкиваются при обучении нейросетей
🔹 Практические семинары по нейросетям — включая видеоматериалы от нашего эксперта Никиты, с разбором кода обучения нейросетей внутри со всей математикой: никаких черных ящиков, все объяснено
Дополнительные видео по математике — с объяснением не только формул, но и откуда они берутся
🔹Почему градиент задает направление наискорейшего роста
🔹Как решать задачи оптимизации с дополнительными условиями
🔹Как множитель Лагранжа и теорема Куна-Таккера следует из простой геометрии, а не кучи формул
💡 Почему это важно?
Каждое изменение в курсе основано на ваших отзывах. Мы учли ваши пожелания, добавили ценные для понимания ML темы и улучшили подачу материала, чтобы сделать обучение еще более полезным и структурированным.
Если вы хотите начать карьеру в Data Science и Machine Learning или укрепить свои знания в этих областях, обновленный курс "База ML" — это идеальная возможность сделать первый шаг.
🔥Уже завтра сделаем анонс старта второго потока курса «База ML»!
Не упустите свой шанс присоединиться к курсу — следите за объявлениями в нашем канале!
Мы внимательно выслушали каждого из вас, учли пожелания и проделали колоссальную работу, чтобы сделать курс "База ML" еще лучше. Первый поток еще в разгаре, но мы уже готовы представить обновленную версию курса для второго потока, наполненную новыми темами и улучшениями, которые позволят вам максимально эффективно и глубоко погрузиться в мир машинного обучения.
🔍 Что нового?
На основе ваших отзывов мы добавили новые темы и расширили материалы курса, чтобы охватить еще больше аспектов машинного обучения.
Теперь в курсе вас также ждут:
Дополнительные темы по методам ML — чтобы расширить кругозор и знать не только три самых используемых метода, но и "что вообще бывает":
🔹 Простые методы машинного обучения — познакомитесь с методом k ближайших соседей (kNN) и наивным байесовским классификатором.
🔹 Обучение без учителя (Unsupervised Learning) — познакомьтесь с задачами кластеризации, методом K-средних (K-means), иерархической кластеризацией и понижением размерности пространства признаков.
🔹 Дополнительные лекции про метод опорных векторов (SVM), использование ядер в SVM (Kernel trick), и двойственную задача в SVM (почему работает Kernel Trick и что же такое опорные векторы)
Основы нейронных сетей — подготовка перед переходом к изучению Deep Learning и хороший способ понять, что же происходит в DL в общих чертах
🔹 Основы нейронных сетей — лекции с введением в нейронные сети, обучение с помощью стохастического градиентного спуска (SGD), математическое дополнение про граф вычислений и автоматическое дифференцирование, backpropagation, а также обзор основных проблем, с которыми сталкиваются при обучении нейросетей
🔹 Практические семинары по нейросетям — включая видеоматериалы от нашего эксперта Никиты, с разбором кода обучения нейросетей внутри со всей математикой: никаких черных ящиков, все объяснено
Дополнительные видео по математике — с объяснением не только формул, но и откуда они берутся
🔹Почему градиент задает направление наискорейшего роста
🔹Как решать задачи оптимизации с дополнительными условиями
🔹Как множитель Лагранжа и теорема Куна-Таккера следует из простой геометрии, а не кучи формул
💡 Почему это важно?
Каждое изменение в курсе основано на ваших отзывах. Мы учли ваши пожелания, добавили ценные для понимания ML темы и улучшили подачу материала, чтобы сделать обучение еще более полезным и структурированным.
Если вы хотите начать карьеру в Data Science и Machine Learning или укрепить свои знания в этих областях, обновленный курс "База ML" — это идеальная возможность сделать первый шаг.
🔥Уже завтра сделаем анонс старта второго потока курса «База ML»!
Не упустите свой шанс присоединиться к курсу — следите за объявлениями в нашем канале!
❤10🔥5👎1
🚀 Старт курса: 2 декабря! Хочешь начать карьеру в ML или усилить свои текущие навыки? Наша программа – твой первый шаг в мир машинного обучения.
Что ждет участников курса?
🔹 Гибкий формат обучения и поддержка менторов: Видеолекции и вебинары с ответами на вопросы. Учись в удобное время и получай разбор тем от наших экспертов!
🔹 Практика по самым важным в работе скиллам: от самых используемых моделей к оценке качества и проведению А/В – сразу к делу!
🔹 Командные соревнования: Испытай свои силы в ML-челленджах и посоревнуйся с другими участниками курса!
🔹 Модуль с пререквизитами: освойте синтаксис Python и разберитесь с тем, как работает математика в ML и зачем она там нужна - прямо в том же курсе!
Для кого подойдет "База ML"?
💼 Для аналитиков, разработчиков и менеджеров, которые хотят сменить профессию или использовать ML в работе.
🎯 Для тех, кто готов учиться и развиваться в одной из самых востребованных сфер!
⏰ До 18 ноября есть возможность купить курс со скидкой до 50 000 рублей (самый популярный тариф)
🔥 Успей забронировать место на курсе по текущей стоимости и начни свой путь в ML!
👉 Узнать больше и записаться на курс
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥6😱3❤1👍1
💡 Учитесь у лучших! Преподаватели MLinside — практики с реальным опытом в крупнейших компаниях, готовые передать свои знания и помочь вам построить карьеру в Machine Learning.
MLinside — это школа, где вы получите не только качественный материал курса, но и поддержку от специалистов, прошедших путь от стажера до лидеров в ведущих технологических компаниях. Наши преподаватели — специалисты всех уровней, которые видят карьерный рост изнутри и понимают, какие навыки нужны для продвижения на каждом этапе.
🎓 Наши эксперты:
• Виктор Кантор — эксперт по Big Data и AI, основатель школы MLinside, ранее вице-президент по Big Data в МТС, Chief Data Scientist Яндекс.Такси и программный директор Академии больших данных MADE by Mail.Ru. Его курсы прошли сотни тысяч студентов по всему миру, и теперь ты тоже можешь учиться у него!
• Илья Ирхин — Chief Data Officer Yandex.Eats, экс-CDS Yandex.Go. Кандидат физико-математических наук, прошел путь от Junior до C-level за 8 лет. Его опыт — это не просто знания, это практика и реальный путь к успеху.
• Никита Зелинский — CDS МТС, экс-CDO Сбербанк. 14 лет коммерческого опыта в Data Science и ML. Это человек, который уже много лет работает с данными на уровне принятия ключевых решений в крупнейших корпорациях.
🔥 Наш подход отличается тем, что на курсах MLinside преподают специалисты на всех уровнях карьерной лестницы:
• Senior-эксперты дают глубокое понимание индустрии и карьеры в ML.
• Middle-специалисты понимают, как вам избежать типичных ошибок начинающих и своевременно выйти на новый уровень.
• Junior-специалисты близки к вам по карьерной позиции и понимают, какие вызовы возникают на старте пути, помогая новичкам быстрее освоить материал.
🗓 Присоединяйся к 2 потоку курса "База ML" от MLinside, который стартует 2 декабря! Не упусти шанс учиться у лучших.
👀 А в ближайшее время начнется набор на первый поток курса "ML в бизнесе"! Ожидайте подробности и объявления в нашем канале!
MLinside — это школа, где вы получите не только качественный материал курса, но и поддержку от специалистов, прошедших путь от стажера до лидеров в ведущих технологических компаниях. Наши преподаватели — специалисты всех уровней, которые видят карьерный рост изнутри и понимают, какие навыки нужны для продвижения на каждом этапе.
🎓 Наши эксперты:
• Виктор Кантор — эксперт по Big Data и AI, основатель школы MLinside, ранее вице-президент по Big Data в МТС, Chief Data Scientist Яндекс.Такси и программный директор Академии больших данных MADE by Mail.Ru. Его курсы прошли сотни тысяч студентов по всему миру, и теперь ты тоже можешь учиться у него!
• Илья Ирхин — Chief Data Officer Yandex.Eats, экс-CDS Yandex.Go. Кандидат физико-математических наук, прошел путь от Junior до C-level за 8 лет. Его опыт — это не просто знания, это практика и реальный путь к успеху.
• Никита Зелинский — CDS МТС, экс-CDO Сбербанк. 14 лет коммерческого опыта в Data Science и ML. Это человек, который уже много лет работает с данными на уровне принятия ключевых решений в крупнейших корпорациях.
🔥 Наш подход отличается тем, что на курсах MLinside преподают специалисты на всех уровнях карьерной лестницы:
• Senior-эксперты дают глубокое понимание индустрии и карьеры в ML.
• Middle-специалисты понимают, как вам избежать типичных ошибок начинающих и своевременно выйти на новый уровень.
• Junior-специалисты близки к вам по карьерной позиции и понимают, какие вызовы возникают на старте пути, помогая новичкам быстрее освоить материал.
🗓 Присоединяйся к 2 потоку курса "База ML" от MLinside, который стартует 2 декабря! Не упусти шанс учиться у лучших.
👀 А в ближайшее время начнется набор на первый поток курса "ML в бизнесе"! Ожидайте подробности и объявления в нашем канале!
❤10👍5
Мы получили образовательную лицензию!🎆
В прошлом посте мы рассказали, что в MLinside работают преподаватели с уникальным опытом: лидеры крупнейших IT-компаний, которые знают все тонкости карьерного роста в сфере Data Science и Machine Learning. Их экспертиза — ваше преимущество на пути к успеху.💫
🔔 А теперь у нас важная новость: наша школа получила официальную лицензию на осуществление образовательной деятельности! Это открывает для вас новые возможности и подтверждает, что наша школа соответствует самым высоким стандартам качества образования!🏅
Преимущества образовательной лицензии для наших учеников👇
🔹 Документы установленного образца:
Теперь мы выдаем:
1. Удостоверения о повышении квалификации.
2. Дипломы о профессиональной переподготовке (вносятся в реестр Минобразования).
3. Сертификаты подтверждающие освоение навыков.
🔹 Налоговый вычет: Обучение в лицензированной школе дает вам право на налоговый вычет, что снижает расходы на образование. Социальный налоговый вычет можно оформлять ежегодно, возвращая до 13% от стоимости оплаченного обучения, но не более 19 500 рублей (в соответствии с ограничением на максимальную сумму вычета — 150 000 рублей в 2024 году).
❗️Теперь, покупая наш курс, вы можете вернуть 19 500 рублей❗️
Регистрационный номер нашей лицензии:👇
№ Л035-01298-77/01457433
🎓 Мы продолжаем работать над улучшением качества наших курсов и обеспечиваем вас необходимыми знаниями, чтобы вы могли достичь своих целей в сфере машинного обучения, Data Science и AI.
⭐️ Присоединяйтесь к MLinside и сделайте шаг к успешному будущему! Старт второго потока нашего курса “База ML” 9 декабря!
В прошлом посте мы рассказали, что в MLinside работают преподаватели с уникальным опытом: лидеры крупнейших IT-компаний, которые знают все тонкости карьерного роста в сфере Data Science и Machine Learning. Их экспертиза — ваше преимущество на пути к успеху.
Преимущества образовательной лицензии для наших учеников
🔹 Документы установленного образца:
Теперь мы выдаем:
1. Удостоверения о повышении квалификации.
2. Дипломы о профессиональной переподготовке (вносятся в реестр Минобразования).
3. Сертификаты подтверждающие освоение навыков.
🔹 Налоговый вычет: Обучение в лицензированной школе дает вам право на налоговый вычет, что снижает расходы на образование. Социальный налоговый вычет можно оформлять ежегодно, возвращая до 13% от стоимости оплаченного обучения, но не более 19 500 рублей (в соответствии с ограничением на максимальную сумму вычета — 150 000 рублей в 2024 году).
❗️Теперь, покупая наш курс, вы можете вернуть 19 500 рублей❗️
Регистрационный номер нашей лицензии:
№ Л035-01298-77/01457433
🎓 Мы продолжаем работать над улучшением качества наших курсов и обеспечиваем вас необходимыми знаниями, чтобы вы могли достичь своих целей в сфере машинного обучения, Data Science и AI.
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥38❤9👍5
8 ноября команда MLinside выступила на одной из крупнейших конференций года — «Матемаркетинг 2024», которая собрала 2000 гостей, 120 докладов и 100 экспертов из ведущих компаний!
Мы были организаторами секции «ML в бизнесе», где эксперты обсудили, как машинное обучение помогает решать реальные задачи и приносить бизнесу пользу.
🔍 Почему это было важно?
«Матемаркетинг» — это не просто конференция, а возможность увидеть, как аналитика и ML меняют бизнес-подходы, помогают находить решения и внедрять инновации.
🙌 Спасибо организаторам, участникам и всем, кто был с нами на секции! А для тех, кто не смог присоединиться, мы делимся атмосферой и фотографиями прямо из зала. 📸
Были на конференции?
Поделитесь в комментариях какой доклад запомнился больше всего!
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥9❤4👍1
🤔Работаете в компании аналитиком? Вы анализируете данные, приносите бизнесу пользу, придумываете эвристики, которые работают…Но вдруг бизнес нанимает Data Scientist’ов с зарплатой втрое больше, чтобы решать те же задачи с помощью ML моделей. Знакомая ситуация?
Битва между «решить задачу аналитическим отделом» и «решить задачу одним Data Scientist» продолжается в бизнесе уже давно. Иногда побеждает один вариант, иногда другой. Но сейчас хайп вокруг AI означает, что DS’ов будут нанимать в любом случае.
Как сделать так, чтобы бизнес продолжал ценить вашу работу?
Простой ответ — нужно не противостоять изменениям, а возглавить их. Если вы начнете успешно применять ML модели в своей аналитической работе и показывать их как часть аналитического процесса, а не как его замену, бизнес поймёт вашу ценность. Вы пока не ломите ценники, как AI-специалист, но уже строите модели. Конечно, проще поддержать вас, чем нанимать новых людей, не знакомых с вашим бизнесом!
Что вас ждёт в зависимости от пути, который вы выберете:
1️⃣ Если вы первыми внедрили ML-модели и успешно презентовали их менеджменту:
Задачи закрепятся за вами, а ваша команда постепенно превращается в DS-отдел. Рабочие отношения уже налажены, и вас признают ценным специалистом. Такой путь монетизируется дольше, но на длинной дистанции у вас почти неограниченный потенциал. А если вам захочется «карьерного роста», то проще будет возглавить такую команду.
2️⃣ Если вы начали показывать свои таланты, когда в компании уже есть признанные эксперты по Data Science:
Вам предложат пройти обучение и стать полноценным DS-специалистом. Этот путь монетизируется быстрее: вы сразу попадаете на зарплатные вилки DS и живете в них.
🎯 Подвох есть?
Да, он есть. Сколько меня ни просили аналитики о переобучении в DS, энтузиазм падал, как только мы начинали разбираться в градиентных спусках. Математика, матрицы, производные — всё это пугало. Поэтому мы в MLinside начинаем курс «База ML» с математического дополнения.
📱 Часть этих материалов сейчас доступна на YouTube. Это позволяет новичкам, только что знакомым с математическим ожиданием, уже решать задачи по анализу функций потерь в ML.
🧮 Высшая математика сегодня — это не то, что было 20 лет назад. Сейчас её можно понять, изучить и освоить быстрее, интереснее и проще.
❤️ Если этот пост наберёт 100 “сердечек”, мы опубликуем продолжение, где расскажем, как освоить основы ML-моделей без курсов, без кредитов и без помощи родственников!
〰️ 〰️ 〰️ 〰️ 〰️ 〰️ 〰️ 〰️ 〰️ 〰️
Автор поста : Основатель и эксперт школы MLinside, Виктор Кантор.
🎓 А кто уже готов из аналитиков перейти в ML — ждём вас на нашем курсе «База ML», старт 9 декабря!
Битва между «решить задачу аналитическим отделом» и «решить задачу одним Data Scientist» продолжается в бизнесе уже давно. Иногда побеждает один вариант, иногда другой. Но сейчас хайп вокруг AI означает, что DS’ов будут нанимать в любом случае.
Как сделать так, чтобы бизнес продолжал ценить вашу работу?
Простой ответ — нужно не противостоять изменениям, а возглавить их. Если вы начнете успешно применять ML модели в своей аналитической работе и показывать их как часть аналитического процесса, а не как его замену, бизнес поймёт вашу ценность. Вы пока не ломите ценники, как AI-специалист, но уже строите модели. Конечно, проще поддержать вас, чем нанимать новых людей, не знакомых с вашим бизнесом!
Что вас ждёт в зависимости от пути, который вы выберете:
1️⃣ Если вы первыми внедрили ML-модели и успешно презентовали их менеджменту:
Задачи закрепятся за вами, а ваша команда постепенно превращается в DS-отдел. Рабочие отношения уже налажены, и вас признают ценным специалистом. Такой путь монетизируется дольше, но на длинной дистанции у вас почти неограниченный потенциал. А если вам захочется «карьерного роста», то проще будет возглавить такую команду.
2️⃣ Если вы начали показывать свои таланты, когда в компании уже есть признанные эксперты по Data Science:
Вам предложат пройти обучение и стать полноценным DS-специалистом. Этот путь монетизируется быстрее: вы сразу попадаете на зарплатные вилки DS и живете в них.
🎯 Подвох есть?
Да, он есть. Сколько меня ни просили аналитики о переобучении в DS, энтузиазм падал, как только мы начинали разбираться в градиентных спусках. Математика, матрицы, производные — всё это пугало. Поэтому мы в MLinside начинаем курс «База ML» с математического дополнения.
🧮 Высшая математика сегодня — это не то, что было 20 лет назад. Сейчас её можно понять, изучить и освоить быстрее, интереснее и проще.
❤️ Если этот пост наберёт 100 “сердечек”, мы опубликуем продолжение, где расскажем, как освоить основы ML-моделей без курсов, без кредитов и без помощи родственников!
Автор поста : Основатель и эксперт школы MLinside, Виктор Кантор.
🎓 А кто уже готов из аналитиков перейти в ML — ждём вас на нашем курсе «База ML», старт 9 декабря!
Please open Telegram to view this post
VIEW IN TELEGRAM
mlinside.ru
Курс "База ML"
Курс по основам машинного обучения для подготовки к ML-секции собеседования
❤103🔥2🤔1🙏1
🗓 Когда: 30 ноября (суббота), 17:00 (МСК)
🎙 Спикер: Виктор Кантор — основатель MLinside, эксперт по ML, AI и большим данным
На вебинаре:
Присоединяйтесь — стартуем в ML вместе!
Please open Telegram to view this post
VIEW IN TELEGRAM
❤10🔥1
Почему аналитику НЕ НУЖНО идти в ML? ❌
Ранее я описал, какие карьерные выгоды дает аналитику освоение машинного обучения, но на любой вопрос могут быть разные точки зрения, поэтому давайте посмотрим и на противоположный взгляд: почему аналитику лучше не знакомиться с ML.
В прошлый раз я рассматривал финансовую мотивацию. Это конечно здорово и классно, но ведь мы на работе проводим большую часть жизни, что насчет интересных задач? С точки зрения интересных задач оставаться аналитиком лучше.
Например, нужно вам сделать модель оттока и удержания клиентов — ну так считаем отточниками тех, кто снизил потребление ваших услуг на X% и даем им скидку Y%. Отсечки подберете вручную по паре графиков. Или еще лучше: даем скидку на большее количество услуг так, чтобы за счет большей базовой цены всех этих услуг вместе еще и больше заработать с клиента (ну т.е. допродать больше, чем дать скидкой). Вообще epic win, а главное сколько у вас свобод — и Х выбираете, как считаете нужным, и Y, и что предлагать. А сколько влияния — делали удержание, а сделали еще и допродажи услуг, и сосед по опенспейсу теперь недоумевает почему в его проекте по допродажам клиенты уже не восприимчивы к предложениям. А вы хитро улыбаетесь🙂
То ли дело с ML: данные собирать, признаки готовить, строить прогноз оттока, нигде не допустить leak таргета в признаки. Потом для выбора методов удержания еще модель строить. А еще нужно чтобы горизонт прогнозирования был не меньше, чем время, нужное на удержание клиента, а то все сломается. А построение самого алгоритма это в целом понятная операция: вы не изобретаете модели, вы берете градиентный бустинг и правильно его обучаете и валидируете.
Понимаете, в чем подвох? Как аналитик вы придумали все сами. Как машинлернер вы взяли все открытое до вас и рутинно применили.
В этом и проблема: когда ты не умеешь решать задачи как образованный человек, тебе каждое твое «кулибинское изобретение» троллейбуса из буханки хлеба кажется достижением уровня Нобелевки. Ты мыслитель, Прометей, повелитель математики и алгоритмов. А когда начинаешь изучать, что человечество уже придумало (САМО, БЕЗ ТВОЕГО УЧАСТИЯ), узнаешь, что ты внезапно не так уж умен. И все, что ты собирал из костылей и велосипедов люди давно придумали, как делать по-человечески.
Осознать это очень больно. Большинство людей это откровение отвергает и возвращается в состояние «я царь, я гений, я Илон Маск» со своими решениями для бизнеса в два прихлопа три притопа, а про DS при этом говорят: «Вот смотрите, я и без DS обхожусь». И, самое главное, живет в счастье.
Те же, кто пустил знания в свою душу, сталкиваются с печальной правдой, что поверх реальных достижений человечества уже ничего крутого-то и не могут придумать. Только собирать из готовых блоков. И дальше каждый по-своему переживает эту травму. Кто-то разочаровывается и меняет сферу деятельности, кто-то, наоборот, принимает инженерный взгляд на задачи и собирает решения из готовых блоков, не тратя времени на попытки переиграть умных людей, уже все придумавших. Кто-то принимает вызов и идет в ML research разрабатывать новые алгоритмы и все же учиться двигать человечество вперед.
Но само по себе знание не является ценностью в абсолюте. У каждого из вас есть свобода выбора. И для многих оптимальный выбор — конструировать велосипеды и наслаждаться своей гениальностью. Если это ваш случай — не изучайте ML.
〰️ 〰️ 〰️ 〰️ 〰️ 〰️ 〰️ 〰️ 〰️ 〰️
Автор поста : Основатель и эксперт школы MLinside, Виктор Кантор.
🎓 А кто уже готов из аналитиков перейти в ML — ждем вас на нашем курсе «База ML», старт 9 декабря!
Ранее я описал, какие карьерные выгоды дает аналитику освоение машинного обучения, но на любой вопрос могут быть разные точки зрения, поэтому давайте посмотрим и на противоположный взгляд: почему аналитику лучше не знакомиться с ML.
В прошлый раз я рассматривал финансовую мотивацию. Это конечно здорово и классно, но ведь мы на работе проводим большую часть жизни, что насчет интересных задач? С точки зрения интересных задач оставаться аналитиком лучше.
Например, нужно вам сделать модель оттока и удержания клиентов — ну так считаем отточниками тех, кто снизил потребление ваших услуг на X% и даем им скидку Y%. Отсечки подберете вручную по паре графиков. Или еще лучше: даем скидку на большее количество услуг так, чтобы за счет большей базовой цены всех этих услуг вместе еще и больше заработать с клиента (ну т.е. допродать больше, чем дать скидкой). Вообще epic win, а главное сколько у вас свобод — и Х выбираете, как считаете нужным, и Y, и что предлагать. А сколько влияния — делали удержание, а сделали еще и допродажи услуг, и сосед по опенспейсу теперь недоумевает почему в его проекте по допродажам клиенты уже не восприимчивы к предложениям. А вы хитро улыбаетесь
То ли дело с ML: данные собирать, признаки готовить, строить прогноз оттока, нигде не допустить leak таргета в признаки. Потом для выбора методов удержания еще модель строить. А еще нужно чтобы горизонт прогнозирования был не меньше, чем время, нужное на удержание клиента, а то все сломается. А построение самого алгоритма это в целом понятная операция: вы не изобретаете модели, вы берете градиентный бустинг и правильно его обучаете и валидируете.
Понимаете, в чем подвох? Как аналитик вы придумали все сами. Как машинлернер вы взяли все открытое до вас и рутинно применили.
В этом и проблема: когда ты не умеешь решать задачи как образованный человек, тебе каждое твое «кулибинское изобретение» троллейбуса из буханки хлеба кажется достижением уровня Нобелевки. Ты мыслитель, Прометей, повелитель математики и алгоритмов. А когда начинаешь изучать, что человечество уже придумало (САМО, БЕЗ ТВОЕГО УЧАСТИЯ), узнаешь, что ты внезапно не так уж умен. И все, что ты собирал из костылей и велосипедов люди давно придумали, как делать по-человечески.
Осознать это очень больно. Большинство людей это откровение отвергает и возвращается в состояние «я царь, я гений, я Илон Маск» со своими решениями для бизнеса в два прихлопа три притопа, а про DS при этом говорят: «Вот смотрите, я и без DS обхожусь». И, самое главное, живет в счастье.
Те же, кто пустил знания в свою душу, сталкиваются с печальной правдой, что поверх реальных достижений человечества уже ничего крутого-то и не могут придумать. Только собирать из готовых блоков. И дальше каждый по-своему переживает эту травму. Кто-то разочаровывается и меняет сферу деятельности, кто-то, наоборот, принимает инженерный взгляд на задачи и собирает решения из готовых блоков, не тратя времени на попытки переиграть умных людей, уже все придумавших. Кто-то принимает вызов и идет в ML research разрабатывать новые алгоритмы и все же учиться двигать человечество вперед.
Но само по себе знание не является ценностью в абсолюте. У каждого из вас есть свобода выбора. И для многих оптимальный выбор — конструировать велосипеды и наслаждаться своей гениальностью. Если это ваш случай — не изучайте ML.
Автор поста : Основатель и эксперт школы MLinside, Виктор Кантор.
🎓 А кто уже готов из аналитиков перейти в ML — ждем вас на нашем курсе «База ML», старт 9 декабря!
Please open Telegram to view this post
VIEW IN TELEGRAM
❤16🔥6😁5👍1😈1
Зачем разработчику знакомиться с ML 👨💻
Вот вы разработчик и разрабатываете, например, популярное приложение — сервис заказа такси. И вот вы знаете, как код писать грамотно, как проектировать высоконагруженные сервисы. Но возникает творческая задачка: показать пользователю подсказки места назначения. То есть, до того как он начал вводить адрес, нужно угадать и сразу предложить несколько вариантов.
Люди, вызывавшие такси ночью зимой с 1% заряда аккумулятора, точно оценят такую фичу🙂
Задача, как я уже заметил, творческая, и вы радостно потираете руки. Первое ваше решение - всегда показывать топ 3 популярных мест пользователя. Но, конечно, оно вас не очень радует: программист вы в конце-концов или нет? Сразу рождается второе решение: а давайте, если в место человек ездил примерно в эти часы за последнюю неделю, будем добавлять варианту +1 балл. Ну и популярность мест тоже как-то пересчитаем в баллы. Хорошо, это мы время учли, а есть же еще день недели. На работу мы ездим в будни, а куда-то еще - в выходные. Отлично, тогда добавляем +2 балла, если мы ездим сюда, например по будням, а сегодня как раз будний день. А еще такие же баллы за регулярные поездки по каждому дню недели. А еще есть места, в которые мы ездим даже издалека (например, опять же, на работу), а есть места, в которые мы ездим, когда они рядом - например, в бар рядом с работой едем с работы, а в бар рядом с домом едем из дома. О, еще одно наблюдение! Важно, ОТКУДА мы едем. Там тоже можно сделать разбалловку. В итоге через пару недель наших творческих фантазий в продакшене уже куча правил, по которым мы считаем баллы каждого места, куда часто ездит пользователь, и места с самыми большими баллами мы выводим в приложении как подсказки.
И вот, прошло 6 месяцев. У вас есть в коде прекрасный алгоритм из 100 правил, учитывающих разные ситуации, и иногда конфликтующих друг с другом. Он ваш, родной, сами все баллы подбирали, но стоит добавить новое правило и уже все ломается, заново надо что-то тюнить. И вот за 6 месяцев вам уже поднадоело этой ерундой заниматься.
У меня для вас хорошие новости - можно не заниматься. Берете какую-нибудь популярную ML библиотеку (например XGBoost, LightGBM или CatBoost), собираете выборку с поездками пользователей (из логов) в разные места, обучаете модель классифицировать пары (пользователь, место) на 2 класса - 0, если не поедет туда, 1 - если поедет. И весь ваш алгоритм заменяете классификатором. Либо добавляете прогноз старого алгоритма как один из признаков, и больше уже не страдаете его модификацией и улучшением.
Плюсы: ML-модель учится на данных, самостоятельно формирует правила (и их может быть тысячи). Вам не нужно лезть внутрь, просто использовать готовое решение.
Минусы: Теперь придется учиться проверять качество модели. Если раньше хватало проверки на нескольких примерах, то для ML потребуется валидационная выборка. Важно хотя бы в теории понимать, как это работает.
Но по сути вопрос свелся к тому, что лучше: практически готовое решение или свой велосипед. Большинство разработчиков знает, что свой велосипед это часто весело и задорно в начале. Но вот через полгода-год (а иногда и через месяц) его поддержка уже не вызывает былого энтузиазма.
А еще говорят, что хороший тон для разработчика писать код так, будто тот, кто потом будет его после вас править и поддерживать, знает, где вы живете :) Вот для того, чтобы сразу решать подобные задачи стандартными моделями и библиотеками, с которыми все умеют работать, и нужно разработчику знакомиться с ML.
Есть конечно и другие причины. Это и более широкий спектр решаемых задач, когда вы знаете ML, и то, что алгоритмы машинного обучения это в целом очень интересно и красиво, и популярность сферы, и множество новых карьерных возможностей.
〰️ 〰️ 〰️ 〰️ 〰️ 〰️ 〰️
Автор поста: Основатель и эксперт школы MLinside, Виктор Кантор
🎓А кто из разработчиков уже готов знакомиться с ML — ждём вас на нашем курсе «База ML», старт 9 декабря!
Вот вы разработчик и разрабатываете, например, популярное приложение — сервис заказа такси. И вот вы знаете, как код писать грамотно, как проектировать высоконагруженные сервисы. Но возникает творческая задачка: показать пользователю подсказки места назначения. То есть, до того как он начал вводить адрес, нужно угадать и сразу предложить несколько вариантов.
Люди, вызывавшие такси ночью зимой с 1% заряда аккумулятора, точно оценят такую фичу
Задача, как я уже заметил, творческая, и вы радостно потираете руки. Первое ваше решение - всегда показывать топ 3 популярных мест пользователя. Но, конечно, оно вас не очень радует: программист вы в конце-концов или нет? Сразу рождается второе решение: а давайте, если в место человек ездил примерно в эти часы за последнюю неделю, будем добавлять варианту +1 балл. Ну и популярность мест тоже как-то пересчитаем в баллы. Хорошо, это мы время учли, а есть же еще день недели. На работу мы ездим в будни, а куда-то еще - в выходные. Отлично, тогда добавляем +2 балла, если мы ездим сюда, например по будням, а сегодня как раз будний день. А еще такие же баллы за регулярные поездки по каждому дню недели. А еще есть места, в которые мы ездим даже издалека (например, опять же, на работу), а есть места, в которые мы ездим, когда они рядом - например, в бар рядом с работой едем с работы, а в бар рядом с домом едем из дома. О, еще одно наблюдение! Важно, ОТКУДА мы едем. Там тоже можно сделать разбалловку. В итоге через пару недель наших творческих фантазий в продакшене уже куча правил, по которым мы считаем баллы каждого места, куда часто ездит пользователь, и места с самыми большими баллами мы выводим в приложении как подсказки.
И вот, прошло 6 месяцев. У вас есть в коде прекрасный алгоритм из 100 правил, учитывающих разные ситуации, и иногда конфликтующих друг с другом. Он ваш, родной, сами все баллы подбирали, но стоит добавить новое правило и уже все ломается, заново надо что-то тюнить. И вот за 6 месяцев вам уже поднадоело этой ерундой заниматься.
У меня для вас хорошие новости - можно не заниматься. Берете какую-нибудь популярную ML библиотеку (например XGBoost, LightGBM или CatBoost), собираете выборку с поездками пользователей (из логов) в разные места, обучаете модель классифицировать пары (пользователь, место) на 2 класса - 0, если не поедет туда, 1 - если поедет. И весь ваш алгоритм заменяете классификатором. Либо добавляете прогноз старого алгоритма как один из признаков, и больше уже не страдаете его модификацией и улучшением.
Плюсы: ML-модель учится на данных, самостоятельно формирует правила (и их может быть тысячи). Вам не нужно лезть внутрь, просто использовать готовое решение.
Минусы: Теперь придется учиться проверять качество модели. Если раньше хватало проверки на нескольких примерах, то для ML потребуется валидационная выборка. Важно хотя бы в теории понимать, как это работает.
Но по сути вопрос свелся к тому, что лучше: практически готовое решение или свой велосипед. Большинство разработчиков знает, что свой велосипед это часто весело и задорно в начале. Но вот через полгода-год (а иногда и через месяц) его поддержка уже не вызывает былого энтузиазма.
А еще говорят, что хороший тон для разработчика писать код так, будто тот, кто потом будет его после вас править и поддерживать, знает, где вы живете :) Вот для того, чтобы сразу решать подобные задачи стандартными моделями и библиотеками, с которыми все умеют работать, и нужно разработчику знакомиться с ML.
Есть конечно и другие причины. Это и более широкий спектр решаемых задач, когда вы знаете ML, и то, что алгоритмы машинного обучения это в целом очень интересно и красиво, и популярность сферы, и множество новых карьерных возможностей.
Автор поста: Основатель и эксперт школы MLinside, Виктор Кантор
🎓А кто из разработчиков уже готов знакомиться с ML — ждём вас на нашем курсе «База ML», старт 9 декабря!
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
❤7💯3🔥2👍1
🗓️ Когда: 30 ноября (суббота) , 17:00 (МСК)
🎙 Спикер: Виктор Кантор — основатель MLinside, эксперт по ML, AI и большим данным
Что вас ждёт
💥 Презентация второго потока курса «База ML»: получите информацию о программе, преподавателях и полезных обновлениях! Старт — 9 декабря!
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥3❤2👍1
⏳Через 15 минут начинаем вебинар «Зачем и как войти в ML» с Виктором Кантором, основателем MLinside, Ex Chief Data Officer МТС, преподавателем ML в МФТИ и ВШЭ
Переходите на вебинар по ссылке
Переходите на вебинар по ссылке
❤5🔥4