Академия Аналитиков Авито - это программа обучения от самой крупной платформы объявлений в России.

Заявка -> Тестирование -> Тестирование -> Собес -> Начало обучения в сентябре.

Прекрасный Pipeline.

Есть два трека:
Аналитик Данных - начинают с классического Python, а заканчивают Analytics Deep Dive.

ᐅ ПРИКЛАДНАЯ СТАТИСТИКА
ᐅ PYTHON
ᐅ SQL
ᐅ ЭКОНОМЕТРИКА
ᐅ ЭКСПЕРИМЕНТЫ
ᐅ ВИЗУАЛИЗАЦИЯ ДАННЫХ
ᐅ МЕТРИКИ
ᐅ MACHINE LEARNING
ᐅ ANALYTICS DEEP DIVE

DS-engineer - начинают с классического ML, а заканчивают ML System Design и Pet-project.

ᐅ MACHINE LEARNING
ᐅ АЛГОРИТМЫ
ᐅ PYTHON
ᐅ ДАТАСЕТЫ
ᐅ ИНФРАСТРУКТУРА ML
ᐅ ML SYSTEM DESIGN
ᐅ ML КУРСОВЫЕ ПРОЕКТЫ

Та академия, про которую сейчас говорят меньше всего(имхо, незаслуженно). Отбор в ШАД закончился, теперь черед ААА. Нужно знать хорошо матешу и уметь писать на питончике. Отбор жестковат говорят, но эт мы проверим.

Задают достаточно хороший уровень нагрузки(3 вечерних лекции в неделю), а не как в Тинькофф 0 дз за 3 месяца и 2 лекции в месяц.
Есть менторы, преподы и курсач - что не может не радовать, ведь существует постоянная коммуникация, а не как в Тинькофф вопросы в чате висят месяц и ты попадаешь в тотальный игнор

Прекрасно подойдет тем, кто хочет вкатываться в DS-сферу.
DeadLine подачи заявки - 13.06.23. Подавать тут

#Education

Check comments…

Примерно так я получал свой мерч от Тинькофф (окончил курс Classic ML ещё в январе, мерч доставили только сейчас, зато какой…)

UPD: Доставили кредитку как мерч

Я закрыл все самые сложные предметы своей сессии. Новый этап - 1 июня.
Думаю, что лето, благодаря этому продукту, пройдет максимально продуктивно..

Подробности позже..

Тинькофф читает мои мысли 😉
или посты..

Кстати это первый курс, который я купил дороже 2,000₽

Самый дорогой - курс по Решению Параметров ЕГЭ. За 1800₽.

Это я.

достаточно лаконичный и плавный ввод, на самом деле.

Редко где я такое встречал, хотя курсов я прошел достаточно.

Самое главное - веб как не выгорать!

Первый день симулятора (1/90)

Про выгорание и пр. - классно. Думаю, так и стоит начинать различные курсы. Типа смотрите, как надо, а теперь делайте. Мне понравилось.

За сегодня выполнил 4 задачки уровня Intern.

- Сходил в БД, сделал запросы, вспомнил базу SQL.

- Узнал для себя новые метрики, посчитал их с помощью numpy. Я и не знал, что стандартное деление ‘/‘ - медленное, а есть np.divide(), где можно, например, сразу проверить на ненулевой знаменатель)

- Все нужно было разобраться с регулярными выражениями, время пришло. Надо было оптимизировать код в 2 раза… И тут тоже не знал, что нужно компилить регулярную строку, ибо так быстрее, а если мы этого не сделаем, то компилиться она будет каждый раз с нуля…Удивительные вещи.

- Была задача на Pandas. Суть такова, что нужно заполнить NaN пропусками по группам. Самая распространенная задача - тупо заполнить средними, а тут целый .groupby() добавить!!
Посмотрел для себя .transform() удобная вещь, все руки не доходили ее потрогать на практике.
Ну и меганеочевидное условие…Должны заполнить целыми числами NaN’ы, кто ж знал, что нужно использовать .round(), а не .astype(int).

- Вообще, много чего нового узнал. И про pytest, и про pylint, и про MLflow(раньше работал ток с ClearML) и про сведение стандартных задач к аномалиям.

Продуктивность зашкаливает, мне понравилось, на самом деле.

Ну, а еще наконец допилил офигенный DashBoard с авторизацией, красивыми Histogramms, Polar Bars, поиском по датафреймам, выгрузке красивой(!!) в эксель. ETL(Extract-Transfrom-Load) пайплайном(строил полностью с нуля) полностью налажен.
Осталось к DashBoard прикрутить ML модельки, чтобы предсказывалось численное значение в этих данных..Могу запилить отдельный пост с демо и огромной статьей о том, как это было

Второй день симулятора (2/90)

⁃ Задача STOCKS. Нужно было посчитать метрику GMV, разумеется, производительно. Здесь начались пляски с .div() у Pandas, сравнения построчно, inplace и прочие. Можно было и сдать задачу на 0.9 и без этих плясок. Но я хочу 1. Я ее сделал. А еще я узнал, для чего нужны скидки... В общем, лет 5 назад отец вслух рассуждал: "Вот зачем они скидки настоящие делают, они же прибыль себе рубят. Дим, вот ты знаешь?". Сейчас решаю эту задачу и понимаю, зачем нужны скидки и какую метрику они апают. На самом деле апают метрику вовлеченност(Retention), число покупателей в день(DAU) и пр.
- Задача Average Check. Сходил в ClickHouse, узнал про точные квантили, а еще никогда не работал с ClickHouse. Нашел нужную табличку, сделал запросик и все прекрасно.
- Задача DOCSTRING. КТО-НИБУДЬ ЗНАЛ ЧТО ЕЩЕ И К ДОКАМ ЕСТЬ НЕСКОЛЬКО СТАНДАРТОВ?
И что это реально проблема, один пишет по одному доку, другой по другому. Пользовался инструментом pyment, а также почти вручную написал доку к функции в формате NumpyDoc.

Занимался Скрапингом с помощью Selenium сегодня. Никогда не работал, либо пользовался дырами бекендеров и кидал прямые запросы в их БД, либо BS4.
А в этот раз я зашел на сайтик, сам авторизировался и спарсил оттуда все данные для своего анализа(аж датафреймами. Можно было колхозно поячеечно, чего в Гугле навалом. А я сразу таблицу и всё). Буду пополнять свой DashBoard данными.

Решено 7/57 задач в симуляторе пока что.

Третий день симулятора (3/90)

⁃ Задачи в ASYMMETRIC METRICS. А всегда ли мы должны наказывать за перепрогноз и недопрогноз одинаково? Я почти не задумывался об этом, а зря. Действительно прекрасна аналогия с такси. Если мы предсказали время ожидания такси побольше, а такси на самом деле приехало раньше - так для клиента это круто, а если мы предсказали поменьше, а клиент ждал больше - наоборот, скудно. А решается это все с помощью штрафов и их интепретации. Прочитал прекрасную статью по метрикам, на которую ссылались в курсе. Понимаю теперь их прикладной смысл, когда и в какой совокупности их использовать. Придумал две свои собственные функции потерь - одна для перепрогноза, другая для недопрогноза. Идеально. Одна линейная, вторая на экспонентах.

На самом деле с прохождением симулятора я стал понимать суть бизнеса. Что мл ради мл никому не нужен, что нужно думать о конечном потребителе, о деньгах. А модельки построить - каждый может. А понять потребность бизнеса, переформулировать задачу и сделать так, чтобы решение приносило деньги - не каждый. Я уж не говорю о том, чтобы правильно вообще спроектировать ML System. Я до сих пор не жалею потраченные средства на этот курс.

Немного лайф хистори. Прихожу на работу, говорят, смотри, есть график, нам его в статью, но он нам не нравится пушо некрасиво и не интерпретируемо, надо исправить. Сходил на GitLab, достал данные, ноутбук. Разобрался, отрефакторил, построил новые графики за 3 часа. Просто прекрасно.

Написал на Streamlit и задеплоил небольшое приложение, которое просто ChatGPT иллюстрирует. Без впн, быстро, удобно, с интерфейсом. Супер!

Решено 8/57 модулей в симуляторе. Оказывается, 1 модуль != 1 задача.

Четвертый день симулятора (4/90)

Сегодня нет симулятора. Пол дня я убил в больницу, в которую меня в итоге не пустили.

Пол дня я убил на лабы для автомата.

А оставшиеся часы я занимался кластеризацией студентов по командам. Достаточно эффективно.

Всем сладких снов ✨