Гайд: практическое применение алгоритмов ML

Вы знаете, как компьютеры могут учиться на данных и делать точные прогнозы? Благодаря алгоритмам машинного обучения — набору методов, которые позволяют компьютерам учиться на данных и делать прогнозы без явного программирования.

Подготовили для вас материал с обзором и примерами применения таких алгоритмов.

Что вы получите от нашего материала?

➖ 16 алгоритмов с реальными примерами кода, такими как прогнозирование стоимости недвижимости, классификация электронных писем как спам или не-спам и многое другое;

➖ Разберётесь в принципах работы алгоритмов и их практическом применении. Вы узнаете, как использовать их для автоматизации рутинных задач и улучшения процессов принятия решений;

➖ Узнаете, как использовать эти алгоритмы для решения реальных задач в бизнесе, науке и других областях. Это может существенно повысить эффективность ваших проектов и дать вам конкурентное преимущество.

✅ Получить материал

📊 Simulative

Изучаем A/B-тесты

В новой карточке нашего адвент-календаря — полезное видео от ведущего продуктового аналитика Дениса Иванова. Он рассказал про дизайн A/B-теста — какие могут возникнуть подводные камни, а также делится своим опытом и лайфхаками.

➡️ Перейти в адвент-календарь

📊 Simulative

Последние вебинары Simulative в этом году ☃️

Присоединяйтесь к нашим мероприятиям — обсудим с экспертами, чего ожидать аналитикам в 2026 году, и попробуем собрать финплан с помощью инструментов аналитики.

🧡 24 декабря, 19:00 МСК — «Кого возьмут в аналитику в 2026 году? Взгляд экспертов из Альфа-Банка, Авито и eLama»

Вместе с аналитиками из Альфа-Банка, Авито и eLama подведём итоги 2025‑го и посмотрим на рынок их глазами. Спикеры расскажут, как менялись задачи и требования к аналитикам в разных компаниях, какие направления росли быстрее всего и какие навыки стали базой «по умолчанию» для джунов.​

➡️ Зарегистрироваться на вебинар

🧡 25 декабря, 19:00 МСК — «Анализ личных финансов: как на примере банковской выгрузки проанализировать траты и расходы за год»

Вугар Дамиров, Data Analyst Team Lead с 7‑летним опытом, разберёт реальную банковскую выписку: разложим траты по категориям, увидим, куда уходит лишнее, и соберём простой план расходов и накоплений на следующий год. Вы поймёте, как проделать то же самое со своей выгрузкой, даже если никогда не занимались финансами или аналитикой.​

➡️ Зарегистрироваться на вебинар

Регистрируйтесь и добавляйте события к себе в календарь, чтобы не забыть!

📊 Simulative

Справляемся со страхами

В предпоследний день нашего адвента дарим вам напутствие — вы со всем справитесь!

Часто мы сталкиваемся с внутренними страхами и сомнениями, которые мешают сделать первый шаг к новым знаниям. Из новой статьи адвента вы узнаете, как преодолеть их и не сдаваться, даже если изучение аналитики кажется сложным.

➡️ Перейти в адвент-календарь

📊 Simulative

Карьера в аналитике в 2026 году: на что надеяться?

Говорят, рынок аналитики переполнен джунами, нейросети скоро заменят начинающих и вход в аналитику будет закрыт. А что говорят те, кто нанимает и строит команды в 2026 году?

Мы собрали трёх экспертов из Альфа-Банка, Авито и Яндекс eLama, чтобы они дали честный и трезвый прогноз:

❓ Кого на самом деле будут искать в 2026-м?
❓ Какие навыки из «хотелок» стали обязательным минимумом?
❓ Есть ли пространство для роста у новичков, и где оно?

На вебинаре 24 декабря вы получите советы от аналитиков-практиков:

❄️ Алёна Артемьева, руководитель направления аналитики продаж в Альфа-Банке, развеет мифы и даст «вредные советы» по поиску работы, которые на самом деле работают;
❄️ Анна Першина, аналитик-разработчик в Авито, объяснит, почему джуны всё ещё нужны бигтеху, и что сильная база по Python/SQL — это уже не преимущество;
❄️ Павел Беляев, тимлид аналитиков в Яндекс eLama, покажет 5 ключевых навыков и типичные ошибки джунов, которые решают, возьмут вас или нет.

Встречаемся 24 декабря в 19:00 МСК. Успейте зарегистрироваться и задать свой вопрос спикерам!

👉 Зарегистрироваться на вебинар

📊 Simulative

Как ускорить apply(). Часть 1

Привет! На связи Кристина Желтова, ментор курса «ML-инженер» 👋🏻

Представьте себе ситуацию: вы обрабатываете датасет с 1 млн строк. Пишете простой код:

df['new_col'] = df.apply(lambda x: x['col1'] + x['col2'], axis=1)

Запускаете. Проходит минута, вторая, пятая... Наконец после 15 минут вычисления завершились.

Потом приходит коллега, делает:

df['new_col'] = df['col1'].values + df['col2'].values

Запускает и получает результат за 0.15 секунды.

Что произошло? 🤯

Именно так выглядит разница между apply() и векторизацией, и это одно из самых узких мест в обработке данных.

Почему apply() такой медленный?

apply() работает примерно так:

Для каждой строки датасета (1 млн штук!):
➖ Взять одну строку;
➖ Передать в функцию lambda;
➖ Вызвать функцию (потратив время и «силы» на вызов — overhead);
➖ Получить результат;
➖ Вернуть в датасет.

Результат: 1 млн * overhead = ОЧЕНЬ медленно.

Векторизация же работает так:

➖ Взять весь столбец col1;
➖ Взять весь столбец col2;
➖ Сложить их поэлементно (в оптимизированном коде на C);
➖ Результат: одна операция, очень быстро.

Итого, в apply() 1 млн функций вызовов, а в векторизации 1 операция!

Проведём небольшой реальный тест:

import pandas as pd
import numpy as np
import time

# Создаём датасет
df = pd.DataFrame({
    'col1': np.random.rand(1_000_000),
    'col2': np.random.rand(1_000_000)
})

# Медленный apply()
start = time.time()
df['result_slow'] = df.apply(lambda x: x['col1'] + x['col2'], axis=1)
slow_time = time.time() - start
print(f"apply(): {slow_time:.2f} секунд")

# Быстрая векторизация
start = time.time()
df['result_fast'] = df['col1'].values + df['col2'].values
fast_time = time.time() - start
print(f"Векторизация: {fast_time:.4f} секунд")

# Разница
print(f"Ускорение: {slow_time / fast_time:.0f}x")

Как результат — ускорение в сотни раз и даже больше!

📊 Simulative

Как ускорить apply(). Часть 2

В примере выше использовалась простая арифметическая функция, но можно ли ускорить apply с произвольной сложной функцией? Ответ — да, можно! Но с помощью чуть более сложной техники — numba.

Numba — это JIT (Just-In-Time) компилятор для Python, который работает по следующей схеме: в первый раз видит функцию, анализирует типы и компилирует в машинный код. А потом просто запускает скомпилированный машинный код, и скорость выполнения близка близка к C/C++.

import pandas as pd
import numpy as np
import time
from numba import jit

# Создаём датасет
np.random.seed(42)
df = pd.DataFrame({
    'col1': np.random.rand(1_000_000),
    'col2': np.random.rand(1_000_000),
    'col3': np.random.rand(1_000_000),
})

def complex_logic(row):
    result = 0
    # Имитируем "сложную логику" с несколькими условиями
    if row['col1'] > 0.5:
        result += row['col2'] * row['col3'] * 2
    else:
        result += row['col2'] * row['col3'] * 0.5
    
    if row['col2'] > row['col3']:
        result += row['col1'] * 10
    else:
        result += row['col1'] * 5
    return result

# Медленный apply()
start = time.time()
df['result_slow'] = df.apply(complex_logic, axis=1)
slow_time = time.time() - start

print(f"Время выполнения: {slow_time:.2f} секунд")

# Быстрый способ через numba
@jit(nopython=True) # numba пытается скомпилировать в машинный код
def complex_logic_fast(col1, col2, col3): # Переписываем функцию из pandas на numpy
    result = np.empty(len(col1))
    
    for i in range(len(col1)):
        res = 0
        if col1[i] > 0.5:
            res += col2[i] * col3[i] * 2
        else:
            res += col2[i] * col3[i] * 0.5

        if col2[i] > col3[i]:
            res += col1[i] * 10
        else:
            res += col1[i] * 5
        result[i] = res
    return result

# Первый вызов: компиляция
df['result_fast'] = complex_logic_fast(df['col1'].values, df['col2'].values, df['col3'].values)

# Второй вызов: уже скомпилировано (очень быстро)
start = time.time()
result_fast_2 = complex_logic_fast(df['col1'].values, df['col2'].values, df['col3'].values)
fast_time = time.time() - start
print(f"Время выполнения (уже скомпилировано): {fast_time:.4f} секунд")

Итого, numba = Python + компиляция в машинный код = скорость C с синтаксисом Python.

Ставьте ❤️, если было полезно!

📊 Simulative

Приходите на вебинар по трендам в аналитике — 2026

В последний день нашего адвента мы соберём аналитиков из Альфа-Банка, Авито и eLama, чтобы подвести итоги 2025‑го и посмотреть на рынок их глазами.

Вы узнаете, какой опыт в портфолио повысит шансы на собеседование, и какие «харды» и «софты» прокачивать в 2026 году, чтобы повысить шансы на трудоустройство.​

➡️ Перейти в адвент-календарь

📊 Simulative

Как люди на самом деле читают дашборды: 3 главных паттерна

Привет! На связи Анастасия Кузнецова, автор тренинга «Осмысленные дашборды» и канала настенька и графики 👋🏻

Пользователь никогда не читает ваш дашборд построчно, как книгу. Его взгляд сканирует экран по готовым шаблонам, которые мы можем предугадать и использовать.

Процесс чтения всегда зависит от задачи (что нужно найти на дэше), опыта (как он привык это делать) и макета (куда мы его направляем).

В связи с этим существует 3 ключевых паттерна сканирования дэшей:

📍 F-паттерн — взгляд цепляется за верхний левый угол, затем спускается по левому краю. Это классический вариант для тех, кто читает слева направо, поэтому обычно реклама в поисковой выдаче слева сверху сильно дороже, чем сбоку справа.

📍 Пятнистый паттерн (Spotted) — глаз выхватывает яркие, контрастные элементы: иконки, крупные цифры, цветные графики.

📍 Слоёный пирог (Layer-Cake) — внимание переключается между заголовками и подзаголовками.

Примеры визуализации паттернов собрала в моём канале.

📉 По итогу расположение ключевых метрик и инсайтов должно совпадать с естественным движением взгляда. Самую важную информацию, которую пользователь должен увидеть, в первую очередь располагаем в левом верхнем углу. Снижаем контрастность ярких элементов, если они не так важны — например, берём пастельные оттенки для областных графиков — и просто держим в уме, что они будут притягивать на себя внимание и если они этого делать не должны, то тип графика лучше пересмотреть. Чётко выделяем заголовки и дашборда, и графиков, чтобы пользователю было проще ориентироваться в информации на дашборде.

➡️ Как намеренно проектировать дашборды под эти паттерны? Разбираем на тренинге «Осмысленные дашборды»: от расстановки акцентов до вёрстки, которая приведёт к решению. Присоединяйтесь к потоку — ранние цены держатся до конца декабря!

📊 Simulative

Где мои деньги? Разбираем траты за 1 вечер

Знакомо чувство, когда в конце месяца смотрите на счёт и думаете: «На что я всё потратил(а)?»

Что, если взять под контроль свои финансы не через боль и строгие ограничения, а с помощью простого анализа?

Приглашаем на практический вебинар, где разберём ваши траты как аналитик — по шагам и на реальных данных. Возьмём обычную банковскую выписку и прямо на ваших глазах:

✅ Разложим все траты по понятным категориям;
✅ Найдём «чёрные дыры», куда утекают деньги почти незаметно;
✅ Соберём простой и реалистичный план расходов и накоплений на следующий год.

Это идеально для вас, если:
💪 Вы хотите навести порядок в финансах, но не знаете, с чего начать;
💪 Хотите увидеть, как работа с данными решает реальные жизненные задачи.

Вести разбор будет Вугар Дамиров, Data Analyst Team Lead с 7‑летним опытом. Вы увидите, как думает практикующий аналитик.

Встречаемся 25 декабря в 19:00 МСК. Узнайте, куда на самом деле уходят ваши деньги, и спланируйте новый год по-новому!

📌 Зарегистрироваться на вебинар

📊 Simulative