⚡️ Создаём свою нейросеть в PyTorch

Хотите быстро разобраться в PyTorch и написать свою нейросеть? Мы подготовили для вас вебинар, где на практике разберём все этапы создания ML-модели — от установки библиотек до обучения и тестирования.

14 мая в 18:30 по МСК вебинар проведет Владислав Агафонов — ML-инженер, ранее работал в Yandex и Huawei.

Что будем делать:
🟠 Установим PyTorch в Google Colab и настроим работу на бесплатном GPU;
🟠 Поймём, что такое тензоры и почему они — фундамент всех нейросетей;
🟠 Скачаем готовый датасет, разберём его структуру и подготовим для обучения;
🟠 Научимся использовать DataLoader для эффективной загрузки данных;
🟠 Пошагово соберём облегчённую версию классической свёрточной нейронной сети (CNN);
🟠 Обучим и протестируем модель.

Кому будет полезно?
🟠 Всем, кто интересуется нейросетями — если хотите понять PyTorch и построение ML-модели на практике, без сложной теории, только понятный код и реальные примеры.

🔗 Регистрируйтесь и сохраняйте дату! Будет много практики, ответы на вопросы и полезные инсайты от эксперта.

➡️ Зарегистрироваться

#вебинар

3 полезных функции для работы с Pandas 🔥

Pandas — огромный фреймворк для анализа данных и в нем много встроенных методов. Это позволяет решать даже специфические задачи, не прибегая при этом к написанию большого количества кода.

Сегодня мы рассмотрим несколько очень удобных, но при этом неочевидных методов Pandas: stack, set_option, insert.

Для начала создадим таблицу, которая содержит название города, среднюю температуру в °C, скорость ветра в м/с

import pandas as pd
multi_col = pd.MultiIndex.from_tuples(
             [('Temperature', '°C'),
              ('Wind', 'm/s')]) 

df = pd.DataFrame(columns=multi_col,
 index=['Тюмень','Москва','Краснодар'],
 data=[[5, 2], [10, 5], [20, 1]])

1️⃣ STACK

Давайте теперь переформатируем эту таблицу так, чтобы строки были разбиты не только по городам, но еще и по типу измерения (Температура/Скорость ветра).

По столбцам будут единицы измерения, а в ячейках таблицы - соответствующие значения.

Для этого воспользуемся методом stack(). Он возвращает измененный фрейм данных или ряд, имеющий многоуровневый индекс, при котором каждая строка разбивается на несколько частей.

В stack есть параметр level - уровни стекинга. Список «уровней», которые мы хотим перекинуть с оси столбцов на ось индекса. Например, если передать только 0 уровень, то в ось индекса попадут Типы измерений.

df.stack(level = 0)

Если же передать список уровней [0, 1], то все уровни с оси столбцов перейдут в индекс.

df.stack(level = [0, 1])

2️⃣ SET_OPTION

Каждый раз при просмотре большого датафрейма приходится писать df.head(5), чтобы вывести только первые строки!

Знакомая ситуация? Думаем, да.

Чтобы сделать работу с Pandas более приятной и избавиться от дубляжей в коде, можно воспользоваться методом set_option. Он позволяет заменить стандартные настройки Pandas на свои кастомные, настроив отдельные аспекты под себя.

Для начала рекомендуем прописать все необходимые конфигурации. Например:

display_settings = {
     # max кол-во столбцов для отображения
    'max_columns': 10,
     # max кол-во строк для отображения
    'max_rows': 1,
     # количество цифр знаков после запятой
    'precision': 0,
     # отображение полного размера датасета
    'show_dimensions': True
}

После этого устанавливаем настройки с помощью set_option:

for op, val in display_settings.items():
    pd.set_option("display.{}".format(op), val)

В таком случае выведется только 1 строка, нет цифр после запятой и присутствует полный размер датасета (внизу).

Все как заказывали 😄

Примечание: Чтобы отменить настройки, используйте reset_option:

pd.reset_option("all", silent = True)

3️⃣ INSERT

Еще одна знакомая до боли задача:

Добавить новый столбец в середину или начало существующего датафрейма.

Зачастую эту задачу решают так:

- Создают новую колонку
- Добавляют в нее данные
- Сортируют вручную столбцы датафрейма в нужном порядке

Этого всего можно избежать, использовав метод insert. Он позволяет добавлять столбец в определенном месте, используя индекс столбца.

Например, добавим новый столбец Скорость ветра в км/ч в самое начало нашего датафрейма:

df.insert(0, ('Wind_km', 'km/h'),
   df[('Wind', 'm/s')]/1000*3600)

Все результаты команд смотрите в карточках под постом!)

➡️ Хотите прокачать свои навыки на реальных бизнес-кейсах? Записывайтесь на наш бесплатный курс по Pandas: регистрация.

Как писать красивый код на Pandas 🔥

Одна из самых классных фишек Pandas, которой многие не пользуются — это method chaining или цепочки методов.

Большая проблема кода на Pandas в том, что его сложно читать — у нас либо слишком длинные строки с последовательным применением методов, либо куча лишних переопределений переменных. Например, вариант 1:

# Здесь у нас длинная строка с кучей методов - все в кашу
df.do().do_more().do_something_else()...

Вариант 2:

# Здесь каждое действие делается в отдельной строке
# так еще и лишнее переопределение df происходит
df = df.do()
df = df.do_more()
df = df.do_something_else()
...

А вот, как пишут код на Pandas люди, которые шарят в Pandas и любят красивый код:

redistributed_orders_amount = (
    area_orders_agg.drop(columns="warehouse_name")
    .rename(columns={"preferred_warehouse": "warehouse_name"})
    .query("~is_local_delivery")
    .groupby(group_fields)["orders_amount"]
    .sum()
    .rename("redistributed_orders_amount")  
)

Этот код писал один из членов нашей команды, Даниил. Чтобы понять его на 100%, надо немного погрузиться в задачу и понимать Pandas, но одно можно сказать точно - это максимально красиво и удобно! Согласны?

Делается method chaining очень просто (в коде выше видно):

1. Вся последовательность команд оборачивается в скобки
2. Каждая новая операция переносится на новую строку

А если еще красиво оформить отступы (как в примере), то вообще будет отлично! В основном, IDE, в которой вы пишите код, делает это за вас.

Как вам такой метод? Ждём 🔥

Ну а если хотите еще лучше разбираться в Pandas — присоединяйтесь к нам в бесплатном курсе!

➡️Регистрация

🚀 Симулятор поиска работы: как подготовиться к собеседованиям и получить оффер мечты?

Вы прокачали навыки аналитики, но понимаете, что на рынке конкуренция бешеная?  

Это правда: для того, чтобы успешно найти работу, нужно не только быть сильным специалистом, но и уметь грамотно презентовать себя.

Мы обновили и перезапустили нашу программу подготовки к собеседованиям, теперь это целый Симулятор поиска работы 🔥
Это не просто тренировка, а полноценная подготовка к трудоустройству, которая ускорит ваш путь к первой работе.  

⚡️ Что вы получите после прохождения?

 
✅ Научитесь «продавать» свои навыки так, чтобы рекрутеры сами писали вам.  
✅ Добьётесь выгодного оффера. Узнаете, как договариваться о зарплате и условиях, чтобы стартовать не с минималки, а с достойного предложения.  
✅ Избавитесь от страха собеседований. Тренировка в безопасной среде → уверенность в реальных переговорах.
✅ Персональное сопровождение. С вами будут работать HR, технический ментор, карьерный консультант до самого оффера.  

⚡️ Что входит в Симулятор?

— Личностное тестирование на созвоне с HR, оценка навыков и грейда на встрече с ментором;
— Тестовое собеседование с HR;
— Разбор трёх тестовых заданий с обратной связью;
— Два тестовых технических собеседования с ментором;
— Обучающие материалы по самопрезентации, прохождению собеседований и поиску работы;
— Поддержка команды в персональном чате;
— Бессрочный доступ ко всем материалам и записям встреч.

🚨 Готовы перестать быть «ещё одним кандидатом» и стать тем, кого хотят нанять? 
Запишитесь на консультацию и уточняйте детали!

➡️ Оставить заявку и сделать шаг к офферу мечты

🔥 Дайджест материалов по Python: бесплатно, но бесценно!

Приветствуем, кодоголики и будущие Python-гуру!

Мы собрали для вас топовые материалы, которые прокачают ваш скилл до уровня Senior (ну, или хотя бы Middle 😉).

Почему стоит учить Python именно сейчас?

🟠 Входит в топ-3 самых востребованных языков на рынке труда
🟠 Универсален: подходит для веб-разработки, автоматизации, анализа данных и машинного обучения
🟠 Прост в освоении благодаря лаконичному синтаксису и огромному сообществ

📌 Что в подборке?

🟠 Пошаговый план изучения Python: 30 шагов + 20 проектов для портфолио (чтобы HR не устоял).
🟠 3 части советов по чистому коду — как перейти от стиля «как студент» к профессиональному подходу.
🟠 Собеседование без стресса: разбираем алгоритмы сортировки.
🟠 API и JSON на практике — потому что теория без практики = код без результата.
🟠 Загружаем данные в Postgres — пет-проект с реальными цифрами.
🟠 Мастер-класс от Андрона: анализируем успеваемость студентов на базовом Python.

💡 Для кого это?

🟠 Новички: начните с плана и не забудьте про проекты.
🟠 Опытные: прокачайте код и возьмите на вооружение лайфхаки.
🟠 Все, кто хочет сменить работу: алгоритмы + собеседование = оффер ближе.

➡️ Получить материал

P.S. Какой пункт для вас самый ценный? Или, может, не хватает чего-то важного? Пишите в комменты — учтем в следующих дайджестах! 👇

#полезность

⚡️ Индивидуальный путь к Data Analyst: ответы на ваши вопросы и кое-что еще!

В последнее время мы видим ваш живой интерес к нашей менторской программе «Аналитик данных». Постараемся рассказать самое важное в этом посте.

⭐️ Что представляет собой менторская программа «Аналитик данных» и какие преимущества она открывает?

Менторская программа «Аналитик данных» — это не просто курс, а полноценная стажировка для начинающих аналитиков. Даже если вы делаете первые шаги в этой области, программа обеспечит вас персональным ментором, HR-сопровождением и возможностью оплатить основную часть обучения только после того, как получите предложение о работе.

🔥 В чем ключевое отличие менторской программы от других предложений Simulative?

Главное преимущество — это индивидуальная работа с опытным наставником на протяжении всего обучения, включая активную помощь в трудоустройстве. Финальный платеж вы совершаете только после успешного получения оффера от работодателя.

Кстати, у нас отличные новости! 💥 До 15 мая включительно у вас есть возможность забронировать особые условия: получите скидку 70% на второй платеж, который вы вносите за карьерное сопровождение и помощь в трудоустройстве после того, как успешно получите оффер. Оставьте заявку прямо сейчас, чтобы зафиксировать за собой место в следующем потоке и воспользоваться этим выгодным предложением.

📚 Чем менторская программа отличается от VIP-тарифа курса «Аналитик данных»?

Менторская программа — это и есть VIP-тариф курса "Аналитик данных". Мы вынесли его в отдельное описание, чтобы чётче подсветить все выгодные моменты 🧡

Почему стоит выбрать именно менторскую программу?

Эта программа предлагает всестороннюю поддержку на каждом этапе вашего пути — от начала обучения до успешного трудоустройства.
Ключевые преимущества:

🟠 Профессиональная карьерная поддержка, включающая помощь в составлении резюме и подготовке к техническим собеседованиям.

🟠 Разработка уникального итогового проекта, который будет отражать ваши личные интересы и выделит вас на рынке труда.

🟠 10 индивидуальных встреч с экспертами индустрии, которые помогут вам наладить полезные связи и глубже понять мир аналитики данных.

⚡️ Хотите узнать, как персональный ментор поможет вам полностью раскрыть свой потенциал в аналитике?

Заполните заявку, чтобы узнать больше о программе и получить консультацию наших специалистов. Они помогут вам понять, насколько программа соответствует вашим целям.

➡️ Получить консультацию

⚡️ Как написать работающую нейросеть на PyTorch?

Уже сегодня в 18:30 по МСК проведем вебинар. Владислав Агафонов — ML-инженер, ранее работал в Yandex и Huawei.

Что будем делать:
🟠 Установим PyTorch в Google Colab и настроим работу на бесплатном GPU;
🟠 Поймём, что такое тензоры и почему они — фундамент всех нейросетей;
🟠 Скачаем готовый датасет, разберём его структуру и подготовим для обучения;
🟠 Пошагово соберём и протестируем облегчённую версию классической свёрточной нейронной сети (CNN).

🔗 Будет много практики, ответы на вопросы и полезные инсайты от эксперта!

➡️ Зарегистрироваться

➡️Владислав будет ждать вас на вебинаре сегодня в 18:30 по МСК

Установим PyTorch в Google Colab, разберём тензоры, подготовим датасет и соберём свёрточную нейросеть (CNN).

➡️ Регистрация

⚡️ Вебинар стартовал!

Сейчас мы познакомились с нашим спикером — Владиславом Агафоновым, ML-инженером, ранее работал в Yandex и Huawei.

Начинаем устанавливать PyTorch в Google Colab, подберем датасет в Kaggle и начнем собирать облегчённую версию классической свёрточной нейронной сети (CNN).

🔗 Будет много практики, ответы на вопросы и полезные инсайты от эксперта – и вы еще успеете присоединиться!

➡️ Регистрация

⚡️ Рекомендательные системы: как ML-инженеры создают персонализированный опыт?

Рекомендательные системы — это инструмент, который помогает сайтам и приложениям показывать релевантный контент для их пользователей.

Например, в интернет-магазинах есть разделы «Вам могут понравиться», а в соцсетях — посты, которые ориентированы под конкретного человека. Задача этих систем — удерживать посетителей сайта и стимулировать бизнес к увеличению продаж.

Что такое рекомендательные системы и как они строятся — подробно разобрали в статье.

➡️ Читать статью

🚀 Хотите научиться строить такие системы?
Уже завтра стартует наш курс-симулятор «Инженер машинного обучения».

👉 Что даст курс:

🟠 Практику на реальных кейсах (от интернет-магазинов до соцсетей);
🟠 Работу с настоящими алгоритмами рекомендательных систем;
🟠 Опыт, который ценится в топовых IT-компаниях;

Мест осталось немного — оставляйте заявку на консультацию или экскурсию по нашему Симулятору!

➡️ Оставить заявку

🔥 Собираем аналитический отчёт и генерим гипотезы роста

20 мая в 18:30 (МСК) — практический вебинар с Андроном Алексаняном (CEO Simulative, автор ТГ-канала ANDRON ALEXANYAN).

В режиме реального времени соберем продуктовый отчет для анализа вебинарной воронки:
🟠 Разберём ключевые метрики: CPReg, CPL, доходимость, CR1, AOV и другие;
🟠 После сборки отчета проведём мозговой штурм: какие гипотезы можно проверить и как их внедрить?
🟠 Разберём кейсы, где подобные инсайты уже дали результат;
🟠 Упакуем наш анализ в удобный и универсальный шаблон, который можно адаптировать под свои задачи (и даже использовать в портфолио).

💡 Почему это важно?
🟠 Не просто собрать данные, а понять их и повлиять на решения;
🟠 Навык для любой воронки — подходы работают не только в образовании, а в любой сфере бизнеса.

Чтобы вебинар был еще более полезным — пишите в комментарии свои вопросы. Разберём на вебинаре! 🚀

➡️ Регистрация

#вебинар

🔥 С чего начать путь в машинном обучении?

Однажды нам написали: «Сделайте бесплатный мини-курс по ML, чтобы понять — моё или нет?»

На счет бесплатного мини-курса мы пока не можем сориентировать (хотя план такой есть), но у нас уже есть полезные материалы, которые помогут заглянуть в мир машинного обучения и решить — ваш это путь или нет.

📌 Что есть прямо сейчас?

🟠 Роадмап для инженера ML — пошаговый план, который сэкономит вам месяцы хаотичного обучения.
🟠 16 алгоритмов с реальными примерами — от прогноза цен на недвижимость до борьбы со спамом (никакой "воды", только код и применение).
🟠 Краткий курс для новичков — как работает ML без сложной математики (и с примерами кода!).

➡️ Получить материалы

🔗 Кроме этого: серия статей в блоге — ищите по тегу «ML» и погружайтесь глубже!

❓ Зачем это?

Машинное обучение — это не только нейросети и Big Data. Это автоматизация, анализ данных, предсказания — и всё это можно пробовать уже сейчас.

➡️ Получить материалы

Какой материал для вас самый полезный? Или, может, хотите что-то добавить в потенциальный мини-курс? Пишите в комментариях — учтем! 🚀

#полезность

🔥 BI-аналитик: профессия будущего

Компании, которые умеют их добывать и превращать в прибыльные решения, оставляют конкурентов далеко позади.

Кто такой BI-аналитик и почему за ним охотятся работодатели?

✔️ Превращает разрозненные данные в четкие бизнес-инсайты
✔️ Находит скрытые возможности для роста прибыли
✔️ Автоматизирует отчетность, экономя сотни рабочих часов

Подготовили статью, где разберем, кто такой BI-аналитик, чем он занимается, какие навыки нужны для старта в профессии и почему это направление считается одним из самых перспективных.

➡️ Читать статью

🔥 Simulative х AHA!25: дарим билеты на конференцию по аналитике!

В этом году мы с гордостью поддерживаем одну из главных технических конференций о product science, продуктовой аналитике и эффективности бизнеса.

29 и 30 мая в Москве, на площадке кластера «Ломоносов», соберутся более 1200 специалистов: продуктовые менеджеры, аналитики, ML-разработчики, CPO и CDO из ведущих компаний Рунета и СНГ.

Ребята подготовили 16 тематических потоков с экспертами из Т-Банка, Яндекса, Авито, OZON, Альфа-Банка, ИТМО, РЭШ.

💡 Ключевые темы:

— Интеграция LLM, AI и ML в продукты
— Современные методы A/B-тестирования
— Оцифровка пользовательского опыта
— Применение машинного обучения в управлении продуктом

Для наших подписчиков по специальной ссылке и специальному промокоду SIMULATIVE15 есть скидка 15% на посещение конференции.

🔗 Подробности и билеты

Нетворкинг и обмен опытом на таких мероприятиях — один из самых эффективных способов расти в профессии, отличный шанс познакомиться с лучшими практиками индустрии, пообщаться с профессиональным сообществом и расширить свой кругозор.

🎁 И мы подготовили для вас специальное предложение:
5 билетов в подарок (2 офлайн + 3 онлайн) для тех, кто запишется на один из наших курсов-симуляторов до 25 мая!

➡️ Выбрать курс