«Большое спасибо за интерес к вакансии! К сожалению, сейчас мы не готовы пригласить вас на следующий этап»

Узнали? Согласны? На HH и других платформах тысячи кандидатов получают такие отказы каждый день. Но не все знают, что их резюме даже не дошло до рекрутера, а сработала автоматическая система. И вы наверняка слышали, что в IT индустрии сейчас кризис. Огромная конкуренция среди кандидатов и тысячи откликов на одну вакансию.

Как пробиться через ATS системы и HR отделы, чтобы выйти на техническое собеседование и показать свои реальные навыки?

Разберем 30 сентября в 19:00 по МСК с нашим экспертом Александром Дубейковским (Middle+ ML-engineer в Авито, ex-Yandex). Вы наверняка его уже видели во время мок-собеседований в конце августа.

На этот раз на вебинаре обсудим:
▪️ какие hard-скиллы требуются сейчас от junior ML специалистов;
▪️ какие ошибки в резюме и откликах допускает большинство кандидатов;
▪️ как составить резюме и сопроводительное письмо, чтобы их не «зарубили» автоматические системы и HR;
▪️ как вести себя на интервью, чтобы выделиться среди десятков кандидатов.

Регистрируйтесь на вебинар уже сейчас, будет полезно!

Вот так у нас обычно выглядят съемки видео для YouTube. И да, это спойлер к тому, что на YouTube скоро выйдет много нового контента, подписывайтесь.

А уже 30 сентября в 19:00 МСК пройдёт вебинар с Александром Дубейковским «Кризис в IT: как пробиться через фильтры и выйти на собеседование». Регистрируйтесь заранее, если еще этого не сделали.

Code Detective

Запускаем новую рубрику . Она для тех, кто хочет прокачать навык чтения и анализа чужого кода – крайне полезный навык в работе.

Вот фрагмент кода:

import pandas as pd

data = pd.DataFrame({
    'age': [25, 30, 35, 40],
    'salary': [50000, 60000, 80000, 70000]
})

# Выбрать людей с зарплатой > 60k и возрастом < 35
filtered = data[data['salary'] > 60000 and data['age'] < 35]
print(filtered)

На первый взгляд всё выглядит нормально. Или нет? Тут есть ошибка? Если есть, напишите в комментариях:
1. Какую ошибку нашли;
2. Варианты её исправления.

Ответ мы опубликуем завтра, а посты для этой рубрики будем собирать по хэштегу: #CodeDetective_MLinside

Как и обещали, вот ответ на вчерашний пост. Да, в коде есть ошибка.

Объяснение:

Операторы and/or не работают поэлементно. Нужны & и |, и скобки

Исправление:

filtered = data[(data['salary'] > 60000) & (data['age'] < 35)]
print(filtered)

#CodeDetective_MLinside

Уже сегодня в 19:00 МСК Александр Дубейковский (Middle+ ML-engineer в Авито, ex-Yandex) проведет вебинар «Про кризис в IT и как пробиться на собеседование»

На вебинаре обсудим:
▪️какие hard-скиллы требуются сейчас от junior ML специалистов;
▪️ какие ошибки в резюме и откликах допускает большинство кандидатов;
▪️ как составить резюме и сопроводительное письмо, чтобы их не «зарубили» автоматические системы и HR;
▪️ как вести себя на интервью, чтобы выделиться среди десятков кандидатов.

Регистрируйтесь на вебинар, если еще этого не сделали и до встречи

Как проходит рабочий день ML-инженера

Обсудим 8 октября в 19:00 по МСК на вебинаре с экспертом MLinside Андреем Жоговым (Sber GigaCode team)

О чем поговорим на вебинаре:
▪️ кто такой ML-инженер и чем он реально занимается;
▪️ как проходит первый рабочий день и адаптация;
▪️ как выглядит типичный день в профессии;
▪️ в чём разница между корпорацией и стартапом;
▪️ какие есть карьерные пути и перспективы.

Регистрируйтесь на вебинар и узнайте, как на самом деле устроена работа ML-инженера

Уже через несколько дней у нас пройдёт вебинар с Андреем Жоговым на тему «Один день из жизни ML-инженера»

Поговорим про адаптацию и первые рабочие дни в профессии, обсудим разницу работы в крупных корпорациях и стартапах и конечно же затронем темы перспектив и карьерного пути. Если еще не регистрировались, сделайте это прямо сейчас.

А на видео – то, как проходила съемка ролика для YouTube. Андрей на нашем канале появился совсем недавно, как вам видео с ним?

«Математика для ML»: первый поток и лучшие условия для вас

Скоро стартует наш новый курс и так как это первый поток, на него сейчас самые выгодные условия и осталось всего 10 мест.

Мы знаем, что большая часть нашей аудитории любит математику, но могли забыть какие-то важные темы, так как давно в ней не практиковались. Конечно же, еще есть часть людей, кого математика пугает. Производные, матрицы, вероятность – все эти страшные слова из-за которых изучение ML постоянно откладывается. Поэтому, мы взяли только ту математику, которая реально нужна в ML и Data Science.

Что даст курс:
▪️быстро освежите и систематизируете ключевые разделы – производные, градиент, экстремумы, матрицы и операции с ними,
▪️вероятности, распределения, ЦПТ;
▪️будете уверенно считать и обосновывать решения в задачах на математику;
▪️получите базу для входа в серьезные курсы и программы по ML.

Курс ведёт Сергей Жестков – математик-практик с 10+ годами преподавания, дважды «Преподаватель года» МФТИ? автор курсов для Сбера, Тинькофф, Otus и Skillbox.

Старт 13 октября. На первый поток будет максимальная скидка, потом цена вырастет. Заполняйте короткую форму предзаписи и наш менеджер свяжется с вами и ответит на все вопросы.

Нетворкинг > резюме

Можно откликнуться на 100 вакансий и не получить ни одного внятного ответа. А сходить на профильную конференцию и попасть на собеседование.

Очевидный факт, который все знают, но используют единицы:
HR и ATS-фильтры отсекают джунов ещё до интервью. Но рекомендация внутри компании почти гарантирует, что ваше резюме реально посмотрят и скорей всего, назначат собеседование.

Как это сделать:
1. Сначала вы идёте на конференцию или хакатон и прямо спрашиваете у спикера: «Что мне сделать, чтобы попасть к вам в команду?»
2. Дальше выполняете его условия. Может быть решаете задачи, или делаете pet-проект, или прокачиваете какой-то конкретный навык. Тут важно зафиксировать результат. Это может быть код на GitHub, таблица прогресса или короткий отчёт.
3. И финальный шаг, вернуться к этому человеку со словами: «Я сделал то, о чём вы говорили. Вот результат». Это превращает обычное знакомство в почти стопроцентную рекомендацию.

Если выделить из этого поста одну самую ключевую мысль, то вот она:

Компании ищут не только хард-скиллы, но и мотивацию. Если вы показываете, что умеете доводить задачи до конца, шанс на оффер резко растёт.

А вы пробовали искать работу через нетворкинг? Будем рады, если поделитесь опытом в комментариях.

Как пройти HR-этап ML-специалистам

Обсудим 17 октября в 19:00 по МСК на вебинаре с экспертом MLinside Анастасией Рагозиной (лид-рекрутер с опытом 7 лет в IT компаниях)

На вебинаре Анастасия расскажет:
▪️ что именно работодатели ждут от соискателей;
▪️ на что HR специалисты смотрят в резюме;
▪️ поделится лайфхаками, которые помогут на собеседованиях;
▪️ и ответит на ваши вопросы.

Регистрируйтесь на вебинар и подготовьтесь к будущим собеседованиям

Уже завтра стартует наш новый курс «Математика для ML»

Мы собрали самые частые вопросы о курсе и подготовили ответы на них

Какой будет формат курса?

Занятия будут проходить онлайн, с возможностью напрямую пообщаться со спикером курса – Сергеем Жестковым. Занятия будут проходить раз в неделю по 1,5 часа в ZOOM. По каждой теме будут домашние задания с проверкой.

Когда будут проводиться занятия?

Мы в начале обучения проведем опрос в закрытом телеграм-канале с участниками курса, чтобы выбрать удобный день недели или удобную дату и время предстоящего вебинара. Так каждый участник курса и преподаватель смогут быть в удобное для всех время. Обычно занятия проводятся вечером в будние дни.

Сколько стоит курс?

Курс новый, нам важно собрать обратную связь от учеников, так что на первый поток мы сделали скидку – сейчас этот курс стоит 22 000 рублей. Курс можно оплатить в рассрочку, по частям или от компании. Со следующего потока курс будет стоить 38 000 рублей.

Сколько людей будет в группе?

На этот курс запланировано 20-25 человек. Осталось 5 мест.

Если всё понятно и вы уже ищете ссылку, чтобы записаться на курс, то вот она. Заполняйте короткую форму предзаписи и наш менеджер свяжется с вами в ближайшее время.

4 поток курса «База ML» стартует сегодня

Мы сделали апдейт по отзывам выпускников предыдущих потоков. Вас ждёт еще больше практики, измеримые цели в каждом модуле и понятный маршрут от математики и Python до метрик и задач с собеседований.

Кому подойдёт курс:
▪️ новички и junior – разберетесь в базовых алгоритмах и соберете первые проекты
▪️ аналитики – добавите ML к рабочим задачам и ускорите эксперименты
▪️ разработчики – системно зайдете в ML, сократите время на прототипы
▪️ менеджеры – начнете говорить с командой на одном языке, лучше оценивать сроки/результаты

Формат курса: видеолекции 1–2 ч/неделю + вебинары 1–1,5 ч/неделю. Курс можно пройти за 4-6 месяцев, в зависимости от вашего уровня и количества времени, которое вы готовы уделять обучению.

Модули: математика и Python → классический ML → метрики и валидация → задачи с собеседований
+Домашки в Jupyter и мини-соревнования внутри группы

Уже во время прохождения курса вы соберете работающие модели, поймете, как выбирать алгоритмы и метрики и подготовитесь к ML-секции собеседований. Доступ к материалам курса у вас сохранится бессрочно, вы получите обратную связь по домашним заданиям и сможете присоединиться к комьюнити MLщиков.

Наши эксперты: Виктор Кантор, Никита Зелинский, Илья Ирхин — практики C-level/VP с опытом в Яндекс, МТС и Сбере. А также Дмитрий Лялин, Александр Дубейковский, Андрей Жогов, Алексей Пристайко, Владислав Кузнецов, Андрей Тоток и другие.

Уже сегодня пройдёт стартовый вебинар. Оставьте заявку, а мы поможем с выбором и ответим на все вопросы.

Как получить кэшбек за курс «База ML»?

Поучаствовать в реферальной программе, которую мы запустили. Это история про то, как сделать обучение чуть выгоднее для вас и полезнее для ваших друзей.

Как это работает
Если вы рекомендуете наш курс своему другу, то после его покупки вам возвращается 10% от общей стоимости курса. А ваш друг получает скидку на обучение. Таким образом выигрывают обе стороны: вы можете вернуть часть своих вложений, а ваши друзья смогут учиться дешевле.

Мы решили встроить эту систему, потому что многие из вас после завершения курса делятся впечатлениями с коллегами и друзьями. Теперь у этого есть ещё и приятный бонус.

Все детали и форма для регистрации здесь

На следующей неделе стартует первое занятие в нашем новом курсе «Математика для ML».

Вы ещё успеваете запрыгнуть в последний вагон и попасть на первый поток курса по самым выгодным условиям. Вот ссылка для заполнения формы.

Ещё год назад достаточно было просто выложить резюме на HH

Сейчас все изменилось. Говорят, что теперь рынок соискателей превратился в рынок работодателей.

Найм сотрудников стал ещё медленнее, требования выше, и компании экономят бюджет и осторожничают.

Сегодня на вебинаре поговорим, как адаптировать поиск работы к новым реалиям:
▪️Где искать вакансии в 2025 году;
▪️ Как читать рынок и понимать, кто реально нанимает;
▪️ Как оформить резюме и профиль, чтобы попасть в shortlist кандидатов.

Уже сегодня в 19:00 МСК. Присоединяйтесь и пройдите с HR-специалистом все этапы подготовки к поиску работы.

Мы начинаем вебинар на тему HR-части отбора кандидатов, подключаетесь: https://mlinside.getcourse.ru/pl/webinar/show?id=3204376

Давненько у нас не было этой рубрики, а мы знаем, что многим из вас она нравится. Итак, принесли вам новый разбор задач с собеседований по ML-теории, математической статистике и python

Если вы готовитесь к собеседованию Junior-позицию, вам точно будет полезно. Все посты из этой рубрики сможете найти по хэштегу и собрать свою мини-базу знаний для подготовки к собесам в будущем.

Итак, вопросы и задачи в студию:
1️⃣ Как можно интерпретировать влияние регуляризации на ландшафт функции потерь?
2️⃣ Что такое bootstrap?
3️⃣ В какой ML-модели используется bootstrap и для чего?

Ждём ваши ответы в комментариях!

#собеседования_MLinside

А вот и ответы на вопросы из вчерашнего поста

1️⃣ Как можно интерпретировать влияние регуляризации на ландшафт функции потерь?

1. L2-регуляризация (Ridge) добавляет квадратичный штраф, сглаживает ландшафт, делая экстремумы менее острыми и смещая их ближе к нулю. Это способствует устойчивости оптимизации и уменьшает чувствительность к шуму в данных.
2. L1-регуляризация (Lasso) делает ландшафт негладким — возникают "углы" вдоль осей, стимулируя зануление весов. Это создает разреженные решения, особенно полезные для отбора признаков.

В целом, регуляризация деформирует функцию потерь, направляя оптимизацию к более простым и обобщающим моделям.

2️⃣ Что такое bootstrap?

Bootstrap — это метод статистического ресемплинга с возвращением из исходной выборки для оценки устойчивости и разброса метрик модели без привлечения новых данных. На практике его используют для построения доверительных интервалов, оценки ошибки модели и проверки стабильности результатов на ограниченных данных. Благодаря bootstrap можно получить более надёжные оценки качества и избежать переоценки модели на тренировочных данных.

3️⃣ В какой ML-модели используется bootstrap и для чего?

Bootstrap активно используется в Random Forest для построения каждого дерева на случайной подвыборке с возвращением из обучающего датасета. Это обеспечивает разнообразие деревьев и снижает корреляцию между ними, что улучшает обобщающую способность ансамбля, снижая дисперсию модели.