После перерыва в полтора месяца, предсказуемым образом совпавшего с началом занятий на Data Mining in Action, канал продолжает свою работу. Сейчас я в поиске новых, более полезных для аудитории форматов канала, чем «пишу что приходит в голову», поэтому хочу понимать, что интересно тем, кто уже присоединился к каналу в качестве подписчика. Поэтому первая новая рубрика - Q&A. В гугл форме по ссылке можно задать мне вопрос или предложить тему поста для канала: https://goo.gl/forms/Rr8I42qr40gV7ZSi1

#edu
Моя мечта - чтобы компьютерные игры, довольно успешно конкурирующие за время людей с образованием и другими полезными активностями, делали ощутимый вклад в развитие у человека каких-то навыков, и сами могли использоваться в образовательных целях. Причем речь не про то что мы привыкли понимать под геймификацией в образовании - приделать к курсу сбоку систему уровней, ачивок и мини-игр, а про погружение в полноценную игру с некоторыми позитивными последствиями для знаний. Год назад, например, была новость о том, что RPG игра Kindom Come: Deliverance из-за своей историчности и точности воспроизведения показанной в ней эпохи, будет использоваться для обучения студентов истории в университете в Брно (интересно, осталось ли это только лишь новостью). С историей действительно есть такой эффект: играешь в игры с историческим контекстом - хоть что-то узнаешь, только вот с исторической достоверностью у игр часто все довольно плохо.

Я видел много примеров, когда люди, которые что-то хорошо умеют, очень легко и результативно играют в игры по своей тематике, причем зачастую прямо с первой игры. Например, те, кто хорошо умеют обращаться с деньгами, сразу справляются с какими-нибудь экономическими симуляторами или стратегиями с упором на экономику. Вроде логично: жизнь сложнее урезанной и ограниченной игровой симуляции, поэтому можешь в жизни - разберешься и в игре. Но все не так просто. Бывают и обратные примеры, когда в игре человеку наоборот сложнее, т.к. нет всего многообразия возможных действий, которое в жизни помогает выкрутиться из сложных ситуаций.

Примеры, о которых я очень хочу узнать, изучить их под микроскопом и понять, как это работает - это случаи, когда опыт, полученный в компьютерной игре, получилось успешно перенести в реальную жизнь. Если вы можете рассказать что-нибудь такое - напишите пожалуйста напрямую мне в телеграм ( @vkantor ). Если вы скажете, что компьютерные игры вряд ли могут научить чему-то про реальный мир, а скорее приучают разбираться с существующими механиками и применять их, это тоже подойдет, при наличии конкретных примеров, с чем получилось лучше разобраться, потренировавшись на играх. У меня есть несколько примеров, но они (на мой взгляд) очень сильно притянуты за уши и даже близко не стоят и 10% времени, потраченного на игру, если конечно не брать в расчет развлекательную составляющую.

Кстати, ссылка на ту самую новость из 2018 года про Kindom Come: Deliverance - https://kanobu.ru/news/kingdom-come-budut-ispolzovat-dlya-prepodavaniya-studentam-istorii-v-cheshskom-universitete-402886/

Сегодня у меня две новости.

Во-первых у Data Mining in Action появился сайт: https://dmia.space На нем есть описание направлений и программы, так что теперь можно скидывать ссылку на него в качестве какого-то базового объяснения, чем мы занимаемся. Также в самом низу лендинга есть запись на новости про запуск онлайн-версии DMIA. Она, в отличие от оффлайна, будет платной, т.к. производство онлайн-курсов и запись в студии не самое дешевое удовольствие. Однако по моим ощущениям это будет лучший русскоязычный онлайн-курс для быстрого погружения в ML. Почему я так думаю, а также какие вообще еще курсы есть - буду писать здесь до выхода онлайна DMIA.

Во-вторых наконец-то близко еще одно событие, которого я давно ждал. Меня очень много раз звали в самые разные места прочитать вводную лекцию про ML - топам компаний, менеджерам, разработчикам, студентам, школьникам, в клубы по интересам, в лекторий level one, и так далее и так далее. В зависимости от аудитории она была то более хардкорной, то более бизнесовой, то более развлекательной. Наконец-то я собрал лучшие фрагменты вместе, записал их в студии и запускаю онлайн-курс «Машинное обучение для всех» с введением в самые основы для тех, кто просто хочет разобраться, что такое ML.

Сразу предупрежу, что если у вас или ваших знакомых, которым этот курс будет интересен, есть время на просмотр кучи релевантных и не очень лекций на youtube по теме - этот мини-курс вряд ли очень подойдет. Основная его задача - как раз сэкономить время на поиск и просмотр большого количества материалов и собирание из них сути по крупицам. Цель курса - понятно рассказать о самом основном, не скатываясь в лекцию по математике или программированию и не начиная рассказывать маркетинговые сказки про всемогучий AI - причем всего за 75 минут минут видео-лекций по 3-15 минут каждая. Для того, чтобы слушатель мог самостоятельно проверить понимание рассказанного, видео сопровождаются семью несложными тестами и, надеюсь, будут сопровождаться обсуждениями на форуме между слушателями.

Также предупрежу, что если вы работаете Data Scientist’ом - этот курс тоже не для вас, вам могут быть полезны только более объемные и технические, а максимальная польза для вас от этого курса - посмотреть, как можно объяснять какие-то вещи просто (если мне это, конечно удалось 🙂).

Зато все остальные люди, которые не хотят кучи формул, не хотят проходить долгий и тяжелый курс, но хотят получить хорошее представление о машинном обучении - те, для кого этот курс создан. Курс уже прошел успешный бета-тест с десятком слушателей-добровольцев, а на грядущей неделе я надеюсь запустить еще один тест курса, теперь уже предложив тестерам купить курс за 50% цены (750 рублей). И если даже заплатившие за курс люди будут отзываться о нем позитивно, курс будет запущен для всех 🙂 Записываться в добровольцы здесь: https://forms.gle/ZqNX9C3whj9FnZxKA

Наконец-то разобрался с техническими трудностями запуска общеобразовательного экспресс-курса по ML. Комментировать не буду, просто прикреплю описание впечатлений диаграммой Эйлера (54-фз - это закон об использовании кассовой техники в том числе при продажах онлайн). Записавшимся начинаю волнами рассылать ссылку на курс, пока письмо получили все записавшиеся до 18:20 24 мая, проверьте пожалуйста спам на всякий случай. Протестируем функционал с первой группой и продолжим запуск курса волнами. А онлайн DMIA пока продолжаем готовить.

Ранее у меня было в голове более-менее чёткое разделение дата саентистов по уровням компетентности и иерархии в компании (об этом были посты в группе курса dmia.space в VK: https://vk.com/wall-78553823_1754 - часть 1, https://vk.com/wall-78553823_1771 - часть 2). Но, к сожалению, как и многие другие вещи, с опытом эта картина выглядит все менее стройно.

Например, не всем DS’ам даже на уровне senior/lead надо ставить задачи машинного обучения на основе потребностей бизнеса. Если в бизнесе одна большая задача, где все уже сформулировано, что прогнозировать понятно, а метрики качества выбраны сто лет назад, и никто их переосмыслять не согласится, работа может сводиться к улучшению качества в 3-4 знаке после запятой. Вы возможно скажете: «Какое бесполезное занятие!», но если это даёт экономию в несколько миллионов в месяц и делается одним человеком всего за квартал - бизнес с вами может не согласиться :) Чем же тогда отличается более квалифицированный специалист от менее квалифицированного? Да просто стоимостью своей работы для компании - ошибаешься реже, код пишешь хорошо, помощь коллег нужна меньше - вот и повод считать тебя более опытным, заплатить чуть больше денег и получать тот же результат от тебя условно не за квартал, а за месяц. Отсюда, в частности, возникают запросы к кандидатам на те умения, которые они не всегда связывают с Data Science. Например, быть ещё и хорошим разработчиком на C++/Java или чем-то ещё, на чем пишут в этой компании, или знать какую-нибудь древнюю как останки динозавра библиотеку, которую по-прежнему используют в продуктах.

Главный вывод здесь - если вы нанимаете сотрудников или если устраиваетесь на работу, не всегда несоответствие представлений бизнеса и кандидата о необходимых навыках связано с тем, что кандидаты слабые/собеседующие неадекватные и как там ещё любят жаловаться люди (и первые и вторые). В рамках одного только Data Science нужный набор компетенций уже сильно плавает от задач, которые человек должен решать. Раньше я с удивлением смотрел на топовые российские компании, которые при уходе человека в Гугл на ту же позицию любили внутри комментировать «а нам он и не подходит, нам такие не нужны», намекая на нехватку каких-то скиллов. «Ребята, ну где вы, а где Гугл? Вернитесь с небес на землю!» - думал я. Но, смешно сказать, теперь понимаю, что это отчасти было верным тезисом. У каждой компании свои процессы и свои задачи и, совершенно серьёзно, человек, очень ценный для более крупной и успешной компании, может быть бесполезен в компании поменьше - просто потому что не вписывается в ее процессы и ее задачи.

Как же быть и как понять какая компания и какой сотрудник «круче»? А никто не круче, просто кто-то больше других подходит именно вам.

Как возможно многие знают, у меня очень много работы для преподавателей - как в вузах и на Data Mining in Action, так и в корпоративных курсах. Сейчас я ищу людей, знающих Data Science, имевших любой удачный опыт преподавания (а еще, кстати, людей знающих и преподающих С++ и Алгоритмы и структуры данных), и желающих в течение года начать зарабатывать преподаванием деньги, сравнимые с рыночными зп специалистов. Если вы или ваши знакомые из таких - пишите мне в личку ( @vkantor )

Спойлер: придётся работать, т.к. готовить материалы и проводить занятия в сегменте с нормальными ценами нужно очень качественно и никаких «не успел подготовиться получше» или «не смог нормально ответить аудитории на вопросы» там быть не может. Но я готов со всем этим помогать тем, кто правда хочет быть крут в преподавании и видит в этом интересное и приятное занятие :)

7 августа выступаю на митапе Data Talk в офисе Mail.ru ( https://habr.com/ru/company/odnoklassniki/blog/459458/ ). Там будет ряд совершенно прекрасных спикеров по теме встречи - образованию в Data Science. Возможно, уже смогу рассказать, что делаю сейчас с Мейлом, и уж точно успею затронуть вопрос образования для тех, кто уже преодолел знакомство с анализом данных на базовом уровне. Приходите, должно быть очень неплохо.

В октябре пройдет первый хакатон на Полярном круге, и когда меня позвали побыть экспертом в жюри, я не мог отказаться :) Я вообще не часто соглашаюсь сидеть где-то в жюри - только если история достаточно интересная и в чем-то необычная. Это как раз тот случай.

Для участников, кроме собственно Хакатона, это будет неплохое путешествие - возможность узнать о культуре и быте народов Севера, попробовать аутентичную еду и в целом ощутить на себе местный колорит. Для жителей Ямала хакатон, внезапно, тоже может оказаться полезен – основные кейсы хакатона (насколько мне известно сейчас) посвящены благотворительности и сохранению культуры народов севера. Участникам предстоит работать над заданиями по трём направлениям: социальному, технологическому и культурному.

На регистрацию можно ещё успеть - она до 1 августа: https://hackathon.yanao.ru

Наконец, после повторного тестирования вводного мини-курса по ML без питона и математики (в желающие поучаствовать записалось 90 человек, в итоге курс проходило 28) мне не страшно запостить сюда ссылку на страницу курса: https://aiducation.ru

Рекомендую всем, кто хочет простое, понятное и содержательное объяснение, что такое машинное обучение. Материал обкатан на какой только можно аудитории (см. лендинг) и хорошо воспринимается. Делитесь с друзьями, которые еще не в Data Science, но которым уже интересно, чем вы занимаетесь. На подходе Deep Learning (там прям очень интересно, уже доделываем) и кейсы применения ML в бизнесе.

Как выбирать алгоритм ML - руководство для начинающих (для продолжающих будет посложнее). Кислотные цвета в угоду моде, но в более подробной схеме будет поспокойнее :)

#новости_и_анонсы_канала

1) Судя по динамике количества подписчиков, идея рисовать для канала картинки (не рискну это называть инфографикой) про data science понравилась аудитории. Поэтому буду продолжать. Если вдруг кому-то интересно помогать с отрисовкой - пишите, это может сильно ускорить выход новых постов.

2) Уже собралось достаточно нового фидбека на курс aiducation.ru, и в августе будет обновление материалов: новые версии видео, дополнительные разделы (в частности, о том, что можно изучать дальше, в зависимости от ваших целей), некоторое обновление тестов. Всем, кто купил курс ранее, обновлённая версия тоже будет доступна. Большое спасибо всем слушателям за обратную связь и просто за прохождение курса!

3) Сегодня вечером участвую в дискуссии про образование в Data Science на Data Толк в московском офисе одноклассников (об этом уже писал), в завтрашнем посте в канале поделюсь впечатлениями от мероприятия и ключевыми на мой взгляд тезисами.

4) После поста про поиск преподавателей я получил очень, очень много ответов, и это очень приятно - здорово, что столь многим людям интересна эта тема. При этом я оказался не готов быстро обработать все ответы. Если я вам ещё не успел ответить - постараюсь это исправить в течение ближайшей недели.

Оказалось, что у Data Толк есть трансляция: https://ok.ru/live/2298825809515

Очень честный и качественный пост выпускницы ФИВТа про первые месяцы работы разработчиком в Яндексе :) Про адаптацию sad but true, хотя возможно многие в российских компаниях и не хотели бы чтобы их как-то тревожил HR в целях адаптации. Кстати, у себя в канале Саша также пишет про стажировки и работу в других компаниях. Периодически читаю ее посты и очень рекомендую тем, кому тоже интересно, как все устроено в разных местах.

Выстраданный пост про Яндекс (не могла себе разрешить писать про что-то другое, пока не допишу это).
Дисклеймер, поскольку много моих читателей там работают: это моё личное мнение, я не хочу им никого обидеть.

Давайте сначала о том, зачем я вообще пошла туда на 4 месяца (меня много кто спрашивал). Впервые я попала в офис Яндекса ещё школьницей и офис поразил меня, я не могла поверить, что в этом классном месте кто-то работает. Конечно, с того момента я побывала в других офисах, и, вроде бы, уже выучила, что плюшечки в офисе делают работу более приятной, но не являются самой важной частью. Но не в случае Яндекса. Так что, в основном, я пошла заполнять это детское желание поработать в таком классном месте. Ну и fear of missing out у меня был, конечно же.
И, действительно, офис просто супер (хотя мне потребовалась пара недель, чтобы научиться в нём ориентироваться), компенсации супер (еда с бейджика - это просто огненная идея).
Однако, у меня создалось впечатление, что не все процессы в Яндексе (в поиске Яндекса, если точнее) отлажены так же хорошо, как, например, в Гугле.
Например, система ревью устроена так, что ревьюеры определяются автоматически (обычно это вся команда), в итоге в день тебе приходит порядка 40 писем с просьбой посмотреть ревью, из которых реально нужны тебе порядка 2-3. Или, например, тесты перед коммитом работают по получасу-часу. Или то, что почти совсем нет документации (вот это просто аааа, я страдала очень). Или то, что, кажется, не принято ставить 1-1 встречи с начальником (а мне кажется, что особенно в начале работы это очень важно).
С 1-1 у меня вообще вышла странная история. Через месяц после начала работы мне написала девушка из службы адаптации и спросила, всё ли хорошо. Я сказала, что всё ок, но вот 1-1 встреч нет, и из-за этого не хватает обратной связи. "Хорошо", - пишет девушка, "ты можешь попросить сама об обратной связи и 1-1! Хорошего дня)". И, м, мне кажется это странным, потому что непонятна тогда роль службы адаптации во всей этой системе.
Ещё (тоже удивительная история) мне на входе выдали не тот ноутбук, который я просила (Dell, а не Lenovo, я не любитель маков), объясняя это тем, что именно такие ноуты они дают разработчикам. И в итоге у меня всё тупило и было супер-мучительно - сначала ноут не уходил в сон, у него тупил тачскрин (хотя зачем нужен тачскрин?), потом я пошла к хелпам, они переставили систему, всё стало получше, но всё равно очень тормознуто, ноут был адово тяжёлый, в общем, аааа.
При этом есть куча классных штук - прописанные тикеты, своя map-reduce система, свой внутренний форум, etc. Но мелочи, описанные в прошлых абзацах, происходили практически каждый день и ОЧЕНЬ БЕСИЛИ.
Здесь ещё стоит сказать, что я сразу знала, что приду на короткий срок и в итоге у меня тоже не было мотивации пускать корни, лечить маленькие проблемы, etc., это тоже не улучшило ситуацию.

Уроки, которые я для себя вынесла:
- Ходить на фулл-тайм на короткое время куда-то - плохо, лучше этого не делать.
- Ориентироваться на детские мечты может вас подвести :)
- Кажется (впервые это поняла), мне всё-таки важно, в какую команду я иду. Сейчас у меня были классные коллеги, но цели меня вообще не зажигали.
- Надо очень чётко понимать, что в разных команиях по разномы отлажены процессы, и то, что ты ожидаешь, что будет сделано хорошо, может причинять боль и наоборот. Как-то я об этом забыла и неприятно на это напоролась.

При этом мой детский гештальт закрыт, так что я скорее довольна, чем нет.

P.S. Попутно - спасибо большое всем, кто со мной пересёкся в последние недели работы! Мне очень понравилось, надеюсь, и вам тоже.

#QA

В рубрике QA я отвечаю на вопросы, заданные ранее подписчиками в гугл-форме

Вопросы принимаются постоянно, отвечать на них буду тоже постоянно, но в произвольном порядке, так что никакого SLA пока что не гарантирую. Сегодня у нас весьма любопытный вопрос: «Что важнее для руководителя в Data Science: лояльность или профессионализм?»

Есть такое понятие как гигиенические факторы — те вещи, которые нужно просто держать в норме, а не стремиться наращивать бесконечно. К ним, кстати, для большинства сотрудников относится и зарплата, но об этом поговорим в другой раз. Я думаю, что для опытного руководителя в Data Science лояльность сотрудника — тоже гигиенический параметр. Главное, чтобы с ней все было более-менее нормально или хотя бы не слишком плохо, а ключевой параметр всё же профессионализм. Но если профессионализм для аналитика данных еще более-менее понятное качество, то вот лояльность вещь туманная. 

Мне кажется, что в технократической среде, априори склонной к скептицизму и критическому отношению к любой информации, это понятие имеет довольно тонкий смысл. Лояльность здесь подразумевает понимание базовых принципов руководства людьми, и бережное отношение к этим механизмам при взаимодействии с начальством. 

Поясню примером. Допустим, вам есть за что покритиковать своего руководителя, но вы понимаете, что нарушение субординации при свидетелях может подорвать его авторитет у коллег и усложнить ему жизнь. Поэтому вы говорите с ним тет-а-тет. Кстати, понимание того, как работает руководство людьми, приводит и к выводу, что в этой ситуации лучше переформулировать недовольство как вопрос — почему происходит так как происходит (избегая интонаций наезда). Уже после предметного диалога, если после получения более полной картины ситуации, вы всё еще чем-то недовольны, важно явно, но вежливо сказать, что это для вас не ок. После этого кратко сформулировать, почему, и попросить это принять во внимание (опять же, скромно и без гонора). Пример показывает, как даже выражая несогласие, оставаться лояльным в технократическом смысле — понимать, как все устроено, и решать проблему, а не приносить руководству кучу дополнительных проблем.

Остается вопрос: что делать, если руководство не слышит, когда вы разговариваете с ним вежливо? Смотрите сами - если вы можете себе позволить еще несколько раз, все более четко, указать на проблему — пробуйте достучаться или получить адекватный ответ, что вы упускаете в своих просьбах. Если же вам уже не до этого — меняйте отдел или компанию. Место работы — это не страна проживания, сменить проще. Есть еще ряд других вариантов действий, но это уже black magic, и про это я рассказывать не буду, т.к. не одобряю 🙂

#QA
Есть ли такие задачи, где ML, в любом виде, будет работать примерно как подбрасывание монетки? Не хотелось бы начинать заранее безнадёжный проект по анализу спортивной статистики 😉

Если под задачей подразумевать "спрогнозировать ответ y по данным X", то конечно бывают данные, по которым ничего не спрогнозируешь. А по любым, даже довольно хорошим данным, все равно можно предсказать не всё, есть предел качества. В машинном обучении традиционно рассматривают ошибку алгоритма как сумму трёх вещей: смещения, разброса и шума. Если хотите, это три разных по смыслу части ошибки прогноза. Так вот шум - это часть, обусловленная сугубо случайностью, это оценка снизу для ошибки алгоритма. Меньше не бывает! (Если говорить о среднестатистической ошибке, а разово, конечно, можно и угадать) Отвечая на вопрос про анализ спортивной статистики, до какой-то степени спортивные прогнозы можно успешно делать с помощью ML, и есть примеры стартапов, которым удается на этом зарабатывать (в том числе российских стартапов), но супер точности здесь ожидать не стоит.

Например, одни знакомые применяют ML в Daily Fantasy Sports - там вы набирате вирутальную команду из игроков (на ограничнный бюджет) и в зависимости от результатов игроков в реальных играх получаются баллы вашей команды, которыми вы соревнуетесь с другими. С одной стороны, вполне можно прогнозировать сколько баллов наберет каждый игрок, и с учетом этого укомплектовывать команду. Но различные "редкие" события в духе получения травм или выхода игрока на нетипичную для него позицию сильно ломают прогноз. При этом зная, что кто-то вчера получил травму, вы иногда сами можете лучше скорректировать свои действия, чем это сделает алгоритм, не обладающий этой информацией. Модели даже сложно научиться нормально учитывать травмы - т.к. для того, чтобы ее этому обучить, нужна большая обучающая выборка (тысячи объектов). Ее обычно нет. Кроме того есть другой фактор, портящий прогнозы - изменение правил.

В общем я бы рекомендовал заниматься задачами, где данных достаточно для обучения, все важные для прогноза вещи автоматически логгируются в данных, а постановка задачи не меняется с течением времени слишком быстро. Возможно в спортивной аналитике такие тоже есть.

Как развиваться дальше, если ты уже что-то знаешь и даже умеешь?

Вы скажете: в чём проблема - работай и приобретай опыт. Это разумеется, но ведь можно ускорить свой прогресс, общаясь с коллегами, в том числе более опытными.

Есть много конференций и митапов про задачи из Data Science.
Можно послушать коллег из других компаний и в кулуарах узнать больше подробностей, кто как делает свою работу. Но иногда кажется: вот бы, как в универе, периодически куда-нибудь ходить, чтобы систематизировать свои знания.

Можно пойти в какую-нибудь магистратуру по анализу данных или аналогичную ей программу. Хороших не очень много, но они есть. В Сколтехе очень хорошо, в ШАДе превосходно, ФКН в Вышке, говорят, прекрасен.

А если вы хотите под чьим-то руководством прямо практики-практики даже в обучении, чтобы руками мастерить что-то работающее и полезное?
Вот непонятно, куда за этим идти?
Может я просто не знаю?

Давайте соберем образовательные проекты с практикой на задачах из бизнеса 🙂

Пишите свои варианты мне в директ ( @vkantor ) или в гугл-форму - https://forms.gle/neoVkoeQuQp2QXG38 И, конечно же, я напишу в канале, какой список в итоге получился

В продолжение предыдущей темы: интересно, какой должна быть программа такого практико-ориентированного образовательного проекта по DS, рассчитанного на неновичков?

С одной стороны, можно сразу бежать образовывать людей крутыми курсами. Сколько такая программа может длиться? Несколько недель - маловато. Полгода-год - получше, можно многое содержательно успеть обсудить. Идеальный срок, наверно, бесконечность! Life-long learning! Но бесконечную программу составлять бесконечно долго, отбросим пока этот вариант :)

Возникает другая проблема.
100% придут люди с разным уровнем знаний. Нужно либо их очень строго отбирать, либо смириться с тем, что базовые знания могут существенно различаться

Запуск Академии больших данных MADE

В сообществе уже известно, что с июля я работаю в Mail.ru Group. Настало время рассказать, что это значит.

К моим образовательным проектам добавился новый, очень важный для меня проект — Академия больших данных MADE.

Что такое MADE?
Mail.ru Group запускает образовательные программы для специалистов с опытом. Уже запустилась Академия продукт менеджеров.
Последние два месяца большую часть времени я искал преподавателей и уточнял программу для аналогичного (только более продолжительного) проекта для Data scientist’ов, ML и Data инженеров — Академии больших данных.

Длительность программы - 3 семестра (1,5 года), начиная с этого октября, обучение бесплатное.

Что будет в первом семестре?

Первый семестр — «выравнивающий». Он помогает всем подтянуть машинное обучение, алгоритмы и структуры данных и что-то по выбору: либо продвинутые курсы С++/Java/Python от опытных в продакшн-разработке преподавателей, либо прикладную статистику на курсе «Статистические методы анализа данных» Михаила Борисовича Лагутина (автора той самой «Наглядной матстатистики» — она же «книжка с коровой» 🙂

В случае курсов по программированию ожидается, что вы выбираете тот язык, на котором уже умеете писать код, но хотите делать это чуть увереннее и меньше бояться продакшена. Если же вы хотите быть тем аналитиком данных, который не пишет в продакшн… нет, никто не погонит вас вон из профессии, можете просто смело выбирать статистику и прокачиваться в теории 🙂 То же самое вы можете сделать, если в программировании вы уже сами можете учить кого угодно и чему угодно.

В этом одна из важный особенностей Академии больших данных — мы постарались учесть, что у компаний есть потребности в различных специалистах, а у людей бывают разные таланты, и построить процесс так, чтобы дать как можно большему числу людей возможность прокачаться. Кстати, заочное обучение тоже сразу будет. И это я пока рассказал только про первый семестр, а самое интересное будет во втором и третьем: очень много практики, интересные проекты, курсы про то, как делать ML в большой IT компании для сервисов с миллионами пользователей, ну и конечно — бесподобные преподаватели.

Когда живешь каким-то проектом, можешь говорить о нем очень много, но пожалуй не буду стараться запихнуть все мысли в один пост. Просто заходите на data.mail.ru и посмотрите, а чуть позже я еще напишу про отбор в академию, преподавателей, 2-3 семестр, почему Академия больших данных — это очень важный проект для Data Science сообщества и другие интересные вещи.