Я сейчас делаю свои первые, неуверенные шаги в изучении Data Science и уже наткнулся на крайне занимательную статью. Для матерых DE и DS, которые есть у меня в канале, она, разумеется, может показаться банальной, но для таких же новичков, как и я – весьма интересной.

Статья про обнаружение выбросов в данных с помощью метода опорных векторов. Как и положено в сфере машинного обучения, алгоритмы представляют не так много интереса, как сами данные. А данные – уф, моё почтение.

В качестве набора данных для анализа в статье использовался файл с информацией о 604 девушках месяца журнала Playboy. Согласитесь, искать выбросы в таких данных куда интереснее, чем в результатах билда gradle (хотя и тут все связано с сексом).

К сожалению, сам файл утерян в анналах истории, но идея — занятная. Сейчас такие статьи уже не пишут, ведь тебя отменят за долю секунды.

P.S В статье есть фотографии моделей тех лет и на совеременный лад они прям очень кринжовые)

Если бы у меня было 3 желания, то самым первым желанием я бы загадал не бессмертие, железное здоровье, нереальное богатство или мир во всем мире, нет…

Я бы первым делом загадал, чтобы у людей, которые ходят в спортзал, когда они просыпаются и идут умываться перед зеркалом весела табличка, примерно с вот таким текстом:

«Если ты видишь скамейку в спортзале, рядом с которой стоит вода и гантели, то ОНА БЛЯТЬ ЗАНЯТА, сучара ты не внимательная!»

В QA есть такой принцип, который называется "Скопление ошибок". Я делал про него пост, если вкратце, то принцип звучит так: "Если вы обнаружили баг в какой-то фиче, то с высокой долей вероятности в этой фиче есть ещё баги."

Мне кажется, этот принцип выходит далеко за границы тестирования ПО. Я бы назвал его принцип "Скопление бед": в периоды жизненной турбулентности плохое событие редко приходит в одиночку – почти всегда рядом будет поджидать ещё одна мразь!

Возвращаясь к теме метода опорных векторов. Я также наткнулся на очень бородатый доклад Бобука (настолько бородатый, что Яндекс еще был в прайме) о том, как, используя этот метод, они значительно увеличили конверсию лендинга. Суть там такая: у них был продукт с продающим лендингом, на который они вели людей из Facebook*.

Они хотели понять, какая версия лендинга продаёт лучше. Оказалось, что разные версии лендинга работают по-разному в зависимости от времени просмотра.

Они пошли дальше и собрали кучу статистики – в каком случае лендинг продаёт лучше, в зависимости от пола, возраста, времени суток, локации и примерного уровня заработка.

На основе этой информации они собрали модель, которая для конкретного человека показывает тот вариант лендинга, который с высокой вероятностью приведёт к продаже.

Самое интересное в этом докладе – последний вопрос, где кто-то спрашивает: «Каким, нахрен, образом вы собрали информацию о посетителе лендинга? Facebook* же просто так не выдаст ни локацию, ни уровень заработка, ни какую-либо другую личную инфу».

Вопрос и правда интересный – и вот тут оцените уровень их смекалки.

Большинство рекламных систем в соцсетях позволяют настроить ну прям невероятно точный таргетинг. Я где-то слышал, что в Instagram* есть таргет на «пару, которая встречается, но в данный момент в разлуке».

Итак, что они сделали: они запустили 61 тысячу (тысячу Карл!) рекламных кампаний, каждая из которых с очень узким таргетом. И каждый раз, когда человек приходил к ним на лендинг, они тупо по идентификатору кампании понимали буквально всё об этом человеке.

Меня приводят в восторг подходы, когда просто отсутствует чека безопастности. Чего ограничиваться парой компаний, давай 50 тыс. фиганем!

Не знаю, пофиксили ли эту дыру в Facebook*, но сам подход меня просто поразил своей гениальностью.

* Кстати, Facebook и Instagram в РФ считаются экстремистскими, так что вы это... не балуйтесь!

За последние 3 года работы, я сегодня впервые услышал звук кулера на маке! Это значит, что сейчас не просто жара, это испепеляющее душу дыхание ада

Кто-нибудь скажет дизайнерам Яндекса, что черный текст на темном фоне это слегка не удобно?