ЧТО НАС ЖДЁТ ДАЛЬШЕ?

Отмечу сразу, несмотря на некоторое шоковое состояние всего рынка/ компаний, востребованность Data Science по-прежнему высокая, с некоторыми корректировками.

❓Чтобы понять о чем я, подумайте, что обычно происходит в кризис?
⁃ компании включают режим выживания: все силы концентрируются на основополагающих процессах, а проекты типа «развитие» замораживаются/закрываются.

Если трактовать с точки зрения влияния на DS, то проекты связанные с ключевыми процессами бизнеса никуда не денутся, а будут только набирать обороты, т.е аналитика и классический ML по прежнему будут сильным конкурентным преимуществом.

А вот проекты по внедрению передовых нейросетевых технологий CV/NLP/RL могут притормозить, если это непосредственно не влияет на бизнес или это не основные проекты.

❓Второй влияющий аспект:
⁃ перестройка инфраструктуры - по возможности переход на наше ПО и облака, например, Яндекс, благо есть open source, который нам ещё оставили.

Отсюда вывод: ценны фундаментальные знания (математика/ статистика/ алгоритмы) и навыки (программирование, работа с данными), а не знание конкретных инструментов.

В любом случае, это только начало и никто не может знать о всех изменениях, которые нас ждут, но я точно знаю, что в информационный век, только Data Science сможет нам помочь со всем этим справиться.

⁉️А какие процессы происходят в ваших компаниях???

❗️По поводу найма в DS, напишу в следующем посте.

❤️Ну а чтобы меня не потерять, мой вк https://vk.com/vicdscience

ЧТО С НАЙМОМ В АЙТИ?

Многие компании, даже крупные и стабильные, вчера нанимавшие сотни сотрудников, остановили найм.

Да, звучит это так себе, но не стоит сильно переживать - это вынужденная временная мера, чтобы разобраться с происходящим, скорректировать стратегию и ключевые бизнес процессы.
❗️Я думаю на это потребуется от двух- шести месяцев и далее найм постепенно возобновят.

Также важно отметить, что помимо заморозки найма происходят сокращения и закрытия целых проектов/компаний т.е. освободились специалисты разных направлений с опытом и они активно ищут работу.

❗️Рынок труда изменился: предложение выросло, следовательно требования к кандидатам тоже вырастут - на работу возьмут сильнейших, хорошие специалисты везде нужны.

Ну а для начинающих это время усиливать свои скилы, пополнять портфолио, обучаться новым навыкам, желательно фундаментальным, а так же мониторить рынок и требования, так как сейчас многое меняется.

⁉️Также в поддержку начинающих я хочу поделиться ссылкой на дополнительную скидку 5% на все курсы школы SkillFactory: https://go.avnxt.site/b125ae747ad5ac01

Вы знаете, что я уже около двух лет менторю там ребят, но вот только сейчас подумала, чем же могу быть ещё вам полезна в это нелегкое время и вспомнила про такую возможность, вдруг кому нужно- ❗️не реклама❗️

24 марта в 18:00 мы в МТС проводим онлайн-митап для дата саентистов, дата инженеров и других дата гайз

Коллеги из МТС и ivi.ru расскажут про PU Learning и разберут принципы сортировки блоков с фильмами на главной странице IVI. После этого мы с Валерой Бабушкиным и Пашей Мягких устроим панельную дискуссию про использование Data Science в разных сферах бизнеса.

Участие, бесплатное, регистрируйтесь по ссылке:
https://mts-digital.timepad.ru/event/1962458/

Интервью с Дмитрием Браженко.

Работа за границей: Яндекс ➡️ Microsoft

Ссылка: https://telemost.yandex.ru/j/81595513320297

О чем будем говорить:
1. Расскажи о себе: где учился, где работал( кратко карьерный путь в России, сколько лет опыта наработал).
2. Почему решил уехать работать за границу?
3. Карьерный путь за границей.
4. Что необходимо для устройства?
5. Особенности собеседований?
6. Как и где готовился к собеседованиям?
7. Уровень зп относительно уровня жизни там?
8. Какие планы дальше?
9. Если какие-то грабли/ тонкости, о которых хотел бы рассказать/ предупредить?
10. Можешь порекомендовать с чего начать этот путь релокации?

Краткое саммари и полезные ссылочки:

Дмитрий прошёл путь: МГУ(экономический факультет) -> ШАД -> Яндекс (аналитик)-> небольшая компания по разработке игр на Кипре(аналитик) - Microsoft Прага (software engineer)

Важное замечание: в Яндексе на позицию аналитика/ аналитика- разработчика требуют больше hard skills, чем в Microsoft, по их меркам это полноценный разработчик.

Дмитрий владел английским на старте примерно B2-С1, но никакие специализированные тесты не сдавал, т.к требований таких нет.

В Microsoft готовился около 6 месяцем в своем темпе.
Начал с тренировок решения задач на: https://leetcode.comLeetCode
Затем на канале https://news.1rj.ru/str/FaangInterview
готовился к собеседованию, там же находил людей, с которыми устраивали друг другу тестовые собеседования, тренировался так раз 8-10.
Так же для собеседования рекомендует пройти курс https://www.educative.io/courses/grokking-the-system-design-interview

О зарплатных вилках в разрезе гео/позиции/компании смотреть тут levels.fyi, соответсвует действительности.

Об остальных подробностях:

Как нашёл вакансию?
Почему устройство заняло 6 месяцев, хотя оффер получил быстро?
Какие ещё вопросы спрашивают на собеседовании?

Смотрите, слушайте запись⏬

❗️Вывод: все возможно/ реально , если определить план и двигаться к цели 🎯 , хотя это и может занять не мало времени и усилий.

КАК УЗНАТЬ КАКИЕ ВОПРОСЫ ЗАДАДУТ НА СОБЕСЕДОВАНИИ???

Классическое собеседование можно разделитесь на три части:
1. Звонок от HR, расскажут о вакансии, узнают релевантно ли вам и ваш опыт, передадут резюме команде, если ок, назначат встречу;
2. Первый этап собеседования — рассказываете о себе и своём опыте подробно: какие задачи решали, какие подходы использовали, на какую метрику ориентировались и почему. 🙉Тут важно хорошо вспомнить, что вы делали, или прям просмотреть проекты, для этого хорошо бы иметь портфолио на git, к которому можно быстро обратиться. ☝🏻Это очень важно, так как чаще всего вопросы задают именно по вашим проектам, что, как и почему, разбираются на сколько хорошо вы понимаете то, что делали. ❗️После этого теоретического этапа могут дать тестовое задание - новичкам обязательно соглашаться и делать, потом можно будет так же добавить проект в портфолио. Если прошли первый этап, по итогам созвона или тестового задания идете дальше.
3. Второй этап собеседования проходит обычно с тимлидом/ техлидом и представляет собой техническое собеседование, где проверяют навыки программирования, знания алгоритмов и структур данных и тд.. ⁉️Вопросов может быть великое множество, но подготовиться вполне реально и полезно, выучив один раз будите счастливы многие годы. Если было тестовое, то могут задать вопросы по нему.

Сегодня, 02.06 в 19:00 будет стрим, поговорим о собесах 🤯 c DS @nikolay_frolov

Подключайтесь, задавайте свои вопросы 😅

Запись стрима о собеседованиях в DS.
Ссылка на упомянутое соревнование:

https://www.kaggle.com/competitions/image-matching-challenge-2022

+ полезности по Python

ЧТО ОБЯЗАТЕЛЬНО НУЖНО ЗНАТЬ В DATA SCIENCE?

1. Машинное обучение

Машинное обучение - это основа науки о данных. Специалисты по обработке данных должны хорошо разбираться в ML.

2. Моделирование

Математические модели позволяют выполнять быстрые вычисления и делать прогнозы на основе данных. Моделирование является частью машинного обучения и включает в себя определение того, какой алгоритм является наиболее подходящим для решения конкретной задачи.

3. Статистика

Статистика лежит в основе науки о данных. Уверенное владение статистикой может помочь извлечь больше информации и получить более значимые результаты.

4. Программирование

Для успешного выполнения проекта по DS требуется определенный уровень программирования. Наиболее распространенными языком программирования является Python. Он особенно популярен, потому что прост в освоении и поддерживает множество библиотек для data science и ML.

5. Базы данных

Специалист по обработке данных должен понимать, как работают базы данных, как ими управлять и как извлекать из них данные.

⁉️Продолжите список?

КАК УПРАВЛЯТЬ DATA SCIENCE ПРОЕКТОМ?

В классической разработке программисты взаимодействуют с несколькими версиями кода - любая доработка это изменение исходной версии кода.
Чтобы предотвратить путаницу и ошибки, разработчики используют системы управления версиями, например, Git.
В системе управления версиями есть центральный репозиторий кода, представляющий текущее состояние проекта. Далем его копию, вносим нужные правки, тестируем и, если все хорошо, добавляем к исходной версии👌

😑В проектах связанных с машинным обучением все немного сложнее, помимо кода, есть ещё данные, модели и куча экспериментов, версии которых тоже необходимо отслеживать.

Так вот для контроля версий моделей можно использовать библиотеки с открытием исходным кодом ClearML/MlFlow.
А масштабные эксперименты удобно проводить в AirFlow, так как удобно использовать асинхронный граф между задачами.

А вы следите за своими экспериментами?

Стажировки лучший способ притронуться к реальным задачам и получить первый опыт, а если повезёт то первый offer.

Поэтому я собрала несколько актуальных стажировок в крупных компаниях:

https://vk.tinkoff.ru/start_osen2022

https://job.mts.ru/youth#section-steps

https://job.megafon.ru/internship

https://job.ozon.ru/internships/

https://yandex.ru/yaintern/?ysclid=l5ebax4k61718876020


Рекомендую попытаться, подготовить резюме и порешать тестовые, пройти собесы🔥

Удачи 🍀