Стали топ-менеджером? Это ещё не конец :)
📈 Многим кажется, что карьера устроена следующим образом. Сначала вы работаете младшим специалистом, потом средним, потом уже ведущим (или на современный манер сеньором) и в какой-то момент начинаете руководить людьми. А потом вы становитесь руководителем, чьи подчинённые тоже руководители. Дальше вся эта история продолжается до момента, когда вы становитесь топ-менеджером и выше вас только гендиректор компании.
🚫 И на этом как будто бы всё. Если проводить аналогию, например, с образовательными учреждениями, то ситуация такая, как будто вы проректор и выше только ректор. Или вы заместитель министра, а выше только министр. А мест министра на всю страну уже совсем не так много :) Но на самом деле всё не совсем так.
🔝 Как только вы становитесь топ-менеджером, вам уже доверяют какой-то бизнес или функцию в компании. То есть большую и значимую часть на уровне компании. Можно сказать, что это начало вашей новой карьеры. Карьеры «большого руководителя», с долей здоровой иронии назовем это так.
🤔 Это значит, что дальше у вас есть много вариантов. Во-первых, вы можете расти как топ-менеджер, то есть становиться более профессиональным, более эффективным. У топов тоже много разных уровней и «лычек», и переход между этими уровнями может отражать ваш рост. Но надо конечно помнить, что «лычки» это не главное, главное — каждый день быть лучшей версией себя.
🌐 Во-вторых, помимо мысли «дальше можно вырасти разве что в CEO», можно принять тот факт, что теперь вы организатор высокого уровня. То есть теперь вам можно доверить управление большим бюджетом, большей командой людей. И в новых инициативах компании вас уже можно воспринимать как потенциального руководителя. Это может быть как запуск нового бизнеса, так и что-то некоммерческое вроде благотворительного фонда или просто какая-то большая инициатива в рамках всей компании.
🔎 В-третьих, поиском кандидатов на топовые позиции обычно занимается не «рядовой» найм в компании или «обычные» рекрутинговые агентства, а так называемый executive search. И после попадания в топ-менеджмент или даже просто на достаточно высокий уровень (ну еще желательно там хотя бы несколько лет поработать), вас начинают рассматривать как кандидата и на другие executive роли в других компаниях. Это целая новая жизнь, вы можете попробовать себя и в разных сферах бизнеса, и на разных направлениях.
🤫 Ну и в конце концов, после executive ролей есть ещё non-executive роли. Non-executive не в том смысле, что они ниже топов в оргструктуре, а в том, что вы можете участвовать в бизнесе в роли советника, члена совета директоров или вообще акционера. Так что попадание в топ-менеджмент это вообще не финальная стадия карьеры, это просто определённая веха в карьерном развитии. Во-первых, там еще поработать надо, если уж взялись за это дело, а во-вторых дальше тоже есть много всего интересного :)
📈 Многим кажется, что карьера устроена следующим образом. Сначала вы работаете младшим специалистом, потом средним, потом уже ведущим (или на современный манер сеньором) и в какой-то момент начинаете руководить людьми. А потом вы становитесь руководителем, чьи подчинённые тоже руководители. Дальше вся эта история продолжается до момента, когда вы становитесь топ-менеджером и выше вас только гендиректор компании.
🚫 И на этом как будто бы всё. Если проводить аналогию, например, с образовательными учреждениями, то ситуация такая, как будто вы проректор и выше только ректор. Или вы заместитель министра, а выше только министр. А мест министра на всю страну уже совсем не так много :) Но на самом деле всё не совсем так.
🔝 Как только вы становитесь топ-менеджером, вам уже доверяют какой-то бизнес или функцию в компании. То есть большую и значимую часть на уровне компании. Можно сказать, что это начало вашей новой карьеры. Карьеры «большого руководителя», с долей здоровой иронии назовем это так.
🤔 Это значит, что дальше у вас есть много вариантов. Во-первых, вы можете расти как топ-менеджер, то есть становиться более профессиональным, более эффективным. У топов тоже много разных уровней и «лычек», и переход между этими уровнями может отражать ваш рост. Но надо конечно помнить, что «лычки» это не главное, главное — каждый день быть лучшей версией себя.
🌐 Во-вторых, помимо мысли «дальше можно вырасти разве что в CEO», можно принять тот факт, что теперь вы организатор высокого уровня. То есть теперь вам можно доверить управление большим бюджетом, большей командой людей. И в новых инициативах компании вас уже можно воспринимать как потенциального руководителя. Это может быть как запуск нового бизнеса, так и что-то некоммерческое вроде благотворительного фонда или просто какая-то большая инициатива в рамках всей компании.
🔎 В-третьих, поиском кандидатов на топовые позиции обычно занимается не «рядовой» найм в компании или «обычные» рекрутинговые агентства, а так называемый executive search. И после попадания в топ-менеджмент или даже просто на достаточно высокий уровень (ну еще желательно там хотя бы несколько лет поработать), вас начинают рассматривать как кандидата и на другие executive роли в других компаниях. Это целая новая жизнь, вы можете попробовать себя и в разных сферах бизнеса, и на разных направлениях.
🤫 Ну и в конце концов, после executive ролей есть ещё non-executive роли. Non-executive не в том смысле, что они ниже топов в оргструктуре, а в том, что вы можете участвовать в бизнесе в роли советника, члена совета директоров или вообще акционера. Так что попадание в топ-менеджмент это вообще не финальная стадия карьеры, это просто определённая веха в карьерном развитии. Во-первых, там еще поработать надо, если уж взялись за это дело, а во-вторых дальше тоже есть много всего интересного :)
🔥59👍33❤18💯5💩4
🎬 Записываем с Серёжей Епихиным первый выпуск 2 сезона нашего подкаста ТехТок (первый сезон здесь: https://podcast.ru/1635293813 ).
🎥 Первый сезон был без видео, теперь добавили картинку и обновили концепцию. Будем не просто говорить с классными ребятами про их карьеру, а фокусно обсуждать с приглашенным экспертом одну из технологий на основе AI (беспилотные авто, голосовые помощники, GenAI и многое другое).
☝️ В этом сезоне пока планируем 8 выпусков, первый уже будет довольно скоро - следите за новостями
🎥 Первый сезон был без видео, теперь добавили картинку и обновили концепцию. Будем не просто говорить с классными ребятами про их карьеру, а фокусно обсуждать с приглашенным экспертом одну из технологий на основе AI (беспилотные авто, голосовые помощники, GenAI и многое другое).
☝️ В этом сезоне пока планируем 8 выпусков, первый уже будет довольно скоро - следите за новостями
🔥59👍33❤11💩7
Завтра принимаю экзамен по машинному обучению у своих студентов в МФТИ (2 курс). Оценка пойдем в диплом. Ваши предложения?
Anonymous Poll
13%
Раздать халяву, в диплом же 🤡
12%
Раздать халяву, они же молодцы 💪
15%
Раздать халяву, ты же их любишь ❤️
44%
Принять адекватно и справедливо 🤓
16%
Валить по-полной 😈😈😈
❤12👍4😁1
Почему я запускаю свой образовательный
проект по ML 📚
Как я уже говорил в прошлых постах, я принял решение запустить новый образовательный проект по ML. Это будут платные онлайн-курсы, из которых я хочу сделать наиболее продуманное и наиболее интересное обучение ML из всего, что есть на рынке.
Вы спросите, зачем миру нужна ещё одна онлайн-школа? Ответ простой – низачем. Я делаю это, потому что это способ моего самовыражения.
Я преподаю машинное обучение больше 14 лет и работаю столько же (да-да, я стал преподавать почти сразу, как начал работать). Начинал с того, что пытался объяснить простым и понятным языком, как работают алгоритмы, экспериментировал с форматами обучения. Всё это для того, чтобы найти подход ко всем ученикам.
☝️Главный вывод, к которому я пришёл за годы преподавания – нужно любить свою аудиторию и хотеть помочь каждому разобраться и стать востребованным специалистом.
Мои ученики здорово реализуются в Data Science. И я бы не был так уверен в себе, если бы отбирал на обучение только гениев (так, кстати, зачастую работают топовые вузы). Я же работал с разными людьми и каждого считаю умным и талантливым по-своему. А для развития этих качеств нужно правильное отношение преподавателя.
Data Science – это огромная сфера, в которой есть очень много профессий. Даже если вы не технарь, а гуманитарий, вам тоже найдется место здесь. Моя мечта – сделать профориентационный проект, который поможет вам:
1️⃣ разобраться в большом количестве направлений DS,
2️⃣ глубже покопаться в одном из направлений, которое вам интересно,
3️⃣ найти себя и пойти развиваться именно в этой профессии.
С моим опытом работы и преподавания в индустрии, тем, кому понравится мой стиль обучения, я точно смогу помочь разобраться и преуспеть в сфере работы с данными.
Следите за новостями и приходите на наши курсы :)
Вся подробная информация будет появляться в канале.
проект по ML 📚
Как я уже говорил в прошлых постах, я принял решение запустить новый образовательный проект по ML. Это будут платные онлайн-курсы, из которых я хочу сделать наиболее продуманное и наиболее интересное обучение ML из всего, что есть на рынке.
Вы спросите, зачем миру нужна ещё одна онлайн-школа? Ответ простой – низачем. Я делаю это, потому что это способ моего самовыражения.
Я преподаю машинное обучение больше 14 лет и работаю столько же (да-да, я стал преподавать почти сразу, как начал работать). Начинал с того, что пытался объяснить простым и понятным языком, как работают алгоритмы, экспериментировал с форматами обучения. Всё это для того, чтобы найти подход ко всем ученикам.
☝️Главный вывод, к которому я пришёл за годы преподавания – нужно любить свою аудиторию и хотеть помочь каждому разобраться и стать востребованным специалистом.
Мои ученики здорово реализуются в Data Science. И я бы не был так уверен в себе, если бы отбирал на обучение только гениев (так, кстати, зачастую работают топовые вузы). Я же работал с разными людьми и каждого считаю умным и талантливым по-своему. А для развития этих качеств нужно правильное отношение преподавателя.
Data Science – это огромная сфера, в которой есть очень много профессий. Даже если вы не технарь, а гуманитарий, вам тоже найдется место здесь. Моя мечта – сделать профориентационный проект, который поможет вам:
1️⃣ разобраться в большом количестве направлений DS,
2️⃣ глубже покопаться в одном из направлений, которое вам интересно,
3️⃣ найти себя и пойти развиваться именно в этой профессии.
С моим опытом работы и преподавания в индустрии, тем, кому понравится мой стиль обучения, я точно смогу помочь разобраться и преуспеть в сфере работы с данными.
Следите за новостями и приходите на наши курсы :)
Вся подробная информация будет появляться в канале.
🔥145❤31👍25💩8👏6🥰3🍾3🤯1🤬1😍1
Как я запускал курс DMIA. Часть первая
🧑🎓 Расскажу, как формировался мой курс DMIA (Data Mining in Action), какие с ним были сложности и какие цели я ставил перед собой как преподаватель. Курс начался как спецкурс по машинному обучению — факультатив в МФТИ, когда мы вместе с заведующим кафедрой делали свой стартап. Он был руководителем, а в команде было несколько студентов. Стартап был посвящён интеллектуальному анализу текстов. Получается, 14 лет назад мы уже занимались тем, что находится на пике хайпа сегодня.
🔎 Мы пытались делать семантический поиск. Причём мы (студенты) тогда ничего не умели ещё сами, не проходили никакие курсы машинного обучения. И при этом нам нужно было привлекать других талантливых студентов к себе в стартап. У меня тогда еще не получалось собирать работающие алгоритмы, но получалось рассказывать про идею достаточно зажигательно, чтобы поднимать определённые инвестиции, что хотя бы давало ресурс для экспериментов.
🤔 Было понятно, что нам надо самим надо развиваться в теме машинного обучения и нужно откуда-то брать людей, которые будут владеть темой. Лучший способ разобраться самому и привлечь кадры - преподавание, поэтому мы сделали спецкурс, где лектором был тот самый завкаф и наш кофаундер Никита Пустовойтов. Он до сих пор работает в сфере анализа данных и фактически именно он привёл меня в тему машинного обучения.
📈 Постепенно из-за того, что нагрузка у Никиты росла какими-то чудовищными темпами и он брал много всяких интересных задач, так получилось, что курс полностью оказался на мне и трансформировался исключительно в мой курс. На него стало приходить какое-то безумное количество людей, и их число росло как снежный ком. Я просто старался понятно и интересно объяснять предмет, и этого было достаточно, чтобы слушателей становилось больше.
🏔 В какой-то момент я обнаружил себя читающим лекцию в аудиторию человек на 400, и она была забита битком. И места хватило не всем. Мне даже потом рассказывали, что людям на улице был слышен шум аплодисментов из аудитории. Это было, конечно, очень приятно. Я осознал, что курс разросся и надо бы его уже как-то забрендировать. Тогда была серия книг, которая называлась «[Название темы] in action». Мне очень нравилась идея показывать предмет именно в действии, поэтому я назвал свой курс Data Mining in action в качестве реверанса этой серии книг. Тогда еще было модно называть машинное обучение «в широком смысле» (т.е. вместе с работой с данными и exploratory analysis) Data Mining, отсюда и название.
Продолжение следует :)
🧑🎓 Расскажу, как формировался мой курс DMIA (Data Mining in Action), какие с ним были сложности и какие цели я ставил перед собой как преподаватель. Курс начался как спецкурс по машинному обучению — факультатив в МФТИ, когда мы вместе с заведующим кафедрой делали свой стартап. Он был руководителем, а в команде было несколько студентов. Стартап был посвящён интеллектуальному анализу текстов. Получается, 14 лет назад мы уже занимались тем, что находится на пике хайпа сегодня.
🔎 Мы пытались делать семантический поиск. Причём мы (студенты) тогда ничего не умели ещё сами, не проходили никакие курсы машинного обучения. И при этом нам нужно было привлекать других талантливых студентов к себе в стартап. У меня тогда еще не получалось собирать работающие алгоритмы, но получалось рассказывать про идею достаточно зажигательно, чтобы поднимать определённые инвестиции, что хотя бы давало ресурс для экспериментов.
🤔 Было понятно, что нам надо самим надо развиваться в теме машинного обучения и нужно откуда-то брать людей, которые будут владеть темой. Лучший способ разобраться самому и привлечь кадры - преподавание, поэтому мы сделали спецкурс, где лектором был тот самый завкаф и наш кофаундер Никита Пустовойтов. Он до сих пор работает в сфере анализа данных и фактически именно он привёл меня в тему машинного обучения.
📈 Постепенно из-за того, что нагрузка у Никиты росла какими-то чудовищными темпами и он брал много всяких интересных задач, так получилось, что курс полностью оказался на мне и трансформировался исключительно в мой курс. На него стало приходить какое-то безумное количество людей, и их число росло как снежный ком. Я просто старался понятно и интересно объяснять предмет, и этого было достаточно, чтобы слушателей становилось больше.
🏔 В какой-то момент я обнаружил себя читающим лекцию в аудиторию человек на 400, и она была забита битком. И места хватило не всем. Мне даже потом рассказывали, что людям на улице был слышен шум аплодисментов из аудитории. Это было, конечно, очень приятно. Я осознал, что курс разросся и надо бы его уже как-то забрендировать. Тогда была серия книг, которая называлась «[Название темы] in action». Мне очень нравилась идея показывать предмет именно в действии, поэтому я назвал свой курс Data Mining in action в качестве реверанса этой серии книг. Тогда еще было модно называть машинное обучение «в широком смысле» (т.е. вместе с работой с данными и exploratory analysis) Data Mining, отсюда и название.
Продолжение следует :)
🔥57👍14❤6
Kantor.AI
🎲 Последнюю пятницу весны хочется запомнить надолго. Лучший способ это сделать — подумать и дать в комментариях правильный ответ на вопрос нашего традиционного квиза. После этого можно смело встречать лето :)
Ответ на прошлый квиз уже по традиции не так прост, как кажется.
👴🏻 Те, кто помнят, что Фишер это кто-то очень древний и стоящий у истоков статистики, сразу выбрали Ирисы Фишера. И действительно, этот датасет был использован Фишером уже в 1936 году, чтобы показать, что можно построить линейный классификатор как честное формальное математическое решение оптимизационной задачи. Т.е. рассчитать коэффициенты в формуле так, чтобы ошибка на датасете была минимальной. Именно с линейного дискриминанта Фишера я бы вел отсчет истории машинного обучения, пусть тогда это так и не называлось.
🚢 Но есть в этом квизе место и для «горя от ума». Многие помнят, что Титаник затонул в начале 20 века, а точнее в 1912 году, что действительно раньше работ Фишера. И тут начинаются риторические вопросы: что считать датой появления датасета? Ведь фактически, когда Титаник утонул, все данные уже появились.
🤔 Если считать так, то самые старые датасеты, конечно, будут не про Титаник и Ирисы, а про какое-нибудь реликтовое излучение в космосе, так что на мой взгляд правильно считать датой появления датасета первое применение этого датасета для какого-то анализа или построения модели. Также логично вести речь про конкретный набор данных, а не про все аналогичные датасеты, т.е. изначально сформированный на бумаге список пассажиров + список погибших (тоже на бумаге) датасетом Titanic не считаем.
🤓 Окей, тогда идем в Гугл и выясняем год первого упоминания о датасете Titanic. Находим ссылку на статью 1995 года. Датасет мог использоваться раньше, но вряд ли настолько, чтобы появиться раньше ирисов Фишера
Итог: все же ирисы Фишера как датасет появились раньше (из всех перечисленных вариантов).
👴🏻 Те, кто помнят, что Фишер это кто-то очень древний и стоящий у истоков статистики, сразу выбрали Ирисы Фишера. И действительно, этот датасет был использован Фишером уже в 1936 году, чтобы показать, что можно построить линейный классификатор как честное формальное математическое решение оптимизационной задачи. Т.е. рассчитать коэффициенты в формуле так, чтобы ошибка на датасете была минимальной. Именно с линейного дискриминанта Фишера я бы вел отсчет истории машинного обучения, пусть тогда это так и не называлось.
🚢 Но есть в этом квизе место и для «горя от ума». Многие помнят, что Титаник затонул в начале 20 века, а точнее в 1912 году, что действительно раньше работ Фишера. И тут начинаются риторические вопросы: что считать датой появления датасета? Ведь фактически, когда Титаник утонул, все данные уже появились.
🤔 Если считать так, то самые старые датасеты, конечно, будут не про Титаник и Ирисы, а про какое-нибудь реликтовое излучение в космосе, так что на мой взгляд правильно считать датой появления датасета первое применение этого датасета для какого-то анализа или построения модели. Также логично вести речь про конкретный набор данных, а не про все аналогичные датасеты, т.е. изначально сформированный на бумаге список пассажиров + список погибших (тоже на бумаге) датасетом Titanic не считаем.
🤓 Окей, тогда идем в Гугл и выясняем год первого упоминания о датасете Titanic. Находим ссылку на статью 1995 года. Датасет мог использоваться раньше, но вряд ли настолько, чтобы появиться раньше ирисов Фишера
Итог: все же ирисы Фишера как датасет появились раньше (из всех перечисленных вариантов).
👍24🔥12❤2🤔1
Физтехи в Telegram
🧠 Наверно уже почти все в канале знают, что я закончил Физтех, он же МФТИ. А вот что же это за университет знают не все. Физтех начал свое существование в 1946 году как физико-технический факультет МГУ по инициативе нобелевских лауреатов Капицы, Семенова и Ландау, а также академика Христиановича. С 1951 на основе ФТФ МГУ был образован уже Московский Физико-Технический Институт. Изначально отцы-основатели и предлагали создать новый институт, но история штука непростая, о чем неплохо рассказано на страничке Физтеха в википедии, а еще лучше в "Книге о московском Физтехе" Н.В. Карлова.
🥇Кстати, многие из вас так или иначе сталкивались с Физтехом в школе - школьные олимпиады по физике и по математике уже много лет организуются и координируются именно МФТИ (конечно, в большей степени финальные этапы, но методическое руководство всем процессом тоже есть). МФТИ также много лет готовит сборную России на международные олимпиады по физике и математике и в целом очень много работает с одаренными детьми. В олимпиадном программировании Физтеховские команды тоже стабильно показывают топовые результаты.
🧗Выпускники и студенты МФТИ, они же физтехи, это очень интересные, неординарные люди, образующие свою большую физтеховскую семью. Среди нас есть выдающиеся ученые, руководители, предприниматели, эксперты в самых разных областях человеческой деятельности.
✈️ Чтобы вы могли читать больше интересного контента от самых разных, но неизменно очень талантливых людей, мы с другими выпускниками МФТИ, ведущими каналы в телеграме, объединились и создали папку с каналами Физтехов. Здесь вы найдете более 30 каналов: про AI, про продакт-менеджмент, про предпринимательство, про аналитику, про работу на C-level, про финансы и инвестиции - в общем, много всего.
Добавляйте папку себе в телеграм, физтехи классные :)
🥇Кстати, многие из вас так или иначе сталкивались с Физтехом в школе - школьные олимпиады по физике и по математике уже много лет организуются и координируются именно МФТИ (конечно, в большей степени финальные этапы, но методическое руководство всем процессом тоже есть). МФТИ также много лет готовит сборную России на международные олимпиады по физике и математике и в целом очень много работает с одаренными детьми. В олимпиадном программировании Физтеховские команды тоже стабильно показывают топовые результаты.
🧗Выпускники и студенты МФТИ, они же физтехи, это очень интересные, неординарные люди, образующие свою большую физтеховскую семью. Среди нас есть выдающиеся ученые, руководители, предприниматели, эксперты в самых разных областях человеческой деятельности.
Добавляйте папку себе в телеграм, физтехи классные :)
Please open Telegram to view this post
VIEW IN TELEGRAM
❤44💩38🔥22👍8🎅5❤🔥2
Однажды я проводил в родном городе выездную олимпиаду МФТИ по физике и математике. Точнее проводил я её много раз, но тот случай был особенным.
Мы с друзьями из других технических вузов (никогда не отказывавшимися помогать с проведением олимпиады и даже консультаций перед ней) решили развести максимум серьезности и строгости. Во избежание списывания, мы выдавали бумагу для черновиков и финальных решений сами. Каждый лист должен был быть подписан нами, инородные листы бумаги не проверялись.
И вот у одного девятиклассника закончилась бумага, и он попросил у нас дополнительную, добавив «хотя возможно такому идиоту как я не имеет смысла её давать». Беглого взгляда на его черновики хватало, чтобы заметить, что решенных задач в них было весьма не густо, но мне все равно не понравился его настрой. Я взял чистый лист бумаги, подписал его, сделав валидным для решения на нем задач олимпиады, и дописал: «Ты не идиот, верь в себя!».
Вчера он закончил МФТИ :)
О той истории я давно забыл, но её герой сам мне напомнил шесть лет назад, когда уже поступив на Физтех, проводил выездную олимпиаду вместе со мной.
Выводов не будет, просто история, от которой мне тепло на душе. Всем хорошей недели! ☀️
Мы с друзьями из других технических вузов (никогда не отказывавшимися помогать с проведением олимпиады и даже консультаций перед ней) решили развести максимум серьезности и строгости. Во избежание списывания, мы выдавали бумагу для черновиков и финальных решений сами. Каждый лист должен был быть подписан нами, инородные листы бумаги не проверялись.
И вот у одного девятиклассника закончилась бумага, и он попросил у нас дополнительную, добавив «хотя возможно такому идиоту как я не имеет смысла её давать». Беглого взгляда на его черновики хватало, чтобы заметить, что решенных задач в них было весьма не густо, но мне все равно не понравился его настрой. Я взял чистый лист бумаги, подписал его, сделав валидным для решения на нем задач олимпиады, и дописал: «Ты не идиот, верь в себя!».
Вчера он закончил МФТИ :)
О той истории я давно забыл, но её герой сам мне напомнил шесть лет назад, когда уже поступив на Физтех, проводил выездную олимпиаду вместе со мной.
Выводов не будет, просто история, от которой мне тепло на душе. Всем хорошей недели! ☀️
❤191🔥29❤🔥27👍12
Мой дозор окончен
🎉 Чуть больше месяца назад я сообщил руководству, что мой дозор окончен, ушел с позиции директора Big Data МТС и передал вахту своему преемнику.
🌴 Июнь я провел в месячном отпуске, потому что марафон на 4.5 года в МТС, из которых 3.5 в топ-менеджменте меня порядком измотал. Большая компания это всегда очень сложная система с большим количеством связей, которые нужно учитывать в работе, огромное количество коммуникаций и множество случайных факторов, поэтому было не сложно подустать :)
✊ На самом деле я "просился на волю" уже больше двух месяцев, т.к. отработал свой трехлетний топ-менеджерский контракт, и хоть мне его и продлили еще на три года, уже доказал себе все, что хотел. Убедиться я хотел в том, что став топ-менеджером в самой большой российской телеком компании в 28 лет смогу не только все не продолбать, но и на порядок вырастить полезность Big Data для МТС и значительно усилить команду. Для меня это было личным сражением за молодежь в топ-менеджменте. Эдакая борьба с эйджизмом, когда все привыкли, что высшее руководство это всегда ребята в возрасте. Я не мог позволить себе провалиться, потому что я верил, что каждый успешный прецедент открывает дороги десяткам ребят, способным развивать российский бизнес по-новому, а каждый фейл заставляет акционеров больших компаний смотреть на молодых кандидатов с опаской.
🥚 За последние несколько лет топ-менеджмент МТС значительно помолодел (я здесь не столько про формальный возраст, сколько про то, насколько люди "молоды душой", но и про реальный возраст тоже). Сейчас я вижу другую компанию, нежели та, в которую я приходил, мне во многом нравится то, что я вижу, и мне приятно чувствовать себя частью этой трансформации.
🏫 Что дальше? Ближайшие несколько лет я буду заниматься образовательными проектами. Это мой секрет невыгорания: чередование фокуса на работе и на обучении других людей раз в несколько лет. Во-первых, я уже писал здесь про онлайн-школу ML, где мне хочется опробовать все свои идеи по тому, как сделать образование интересным, эффективным, не попсовым, но и не "идите учиться на миллиард месяцев и потом узнайте, что никуда вас не возьмут". Во-вторых, есть ряд идей классных образовательных проектов, которые меня зовут делать (в том числе вместе с моим работодателем), и в которые я крайне вероятно могу вписаться, потому что некоторые вещи гораздо более требовательны к начальным вложениям, чем онлайн-школа :)
☝️Ну и напоследок, вот вам выводы, которые я могу сделать из моего приключения на 3.5 года (после которого я уже точно другой человек):
1) Когда у вас есть миссия (в моем случае - создать позитивный прецедент и дать дорогу молодым руководителям), вы сможете справиться с чем угодно. Это намного сильнее, чем любая другая мыслимая мотивация.
2) Кадры решают все, но на разных уровнях нужны разные кадры. Где-то подойдут и милые приятные умные мальчики и девочки, а где-то нужны зубастые люди, иначе вся расстановка границ ляжет на вас как на руководителя, и вы сгорите.
3) Ваш главный враг - это вы сами и ваш собственный страх и неуверенность в себе. Лучше быть смелым и тупым руководителем, чем умным, но трусливым. А еще лучше умным и смелым :) Однако не путайте смелость и откровенное слабоумие с суицидальными нотками. Там тонкая грань, ее нужно уметь нащупать.
Принимаю в комментариях любые вопросы про работу на C-level, на какие могу - отвечу 😁
🎉 Чуть больше месяца назад я сообщил руководству, что мой дозор окончен, ушел с позиции директора Big Data МТС и передал вахту своему преемнику.
🌴 Июнь я провел в месячном отпуске, потому что марафон на 4.5 года в МТС, из которых 3.5 в топ-менеджменте меня порядком измотал. Большая компания это всегда очень сложная система с большим количеством связей, которые нужно учитывать в работе, огромное количество коммуникаций и множество случайных факторов, поэтому было не сложно подустать :)
✊ На самом деле я "просился на волю" уже больше двух месяцев, т.к. отработал свой трехлетний топ-менеджерский контракт, и хоть мне его и продлили еще на три года, уже доказал себе все, что хотел. Убедиться я хотел в том, что став топ-менеджером в самой большой российской телеком компании в 28 лет смогу не только все не продолбать, но и на порядок вырастить полезность Big Data для МТС и значительно усилить команду. Для меня это было личным сражением за молодежь в топ-менеджменте. Эдакая борьба с эйджизмом, когда все привыкли, что высшее руководство это всегда ребята в возрасте. Я не мог позволить себе провалиться, потому что я верил, что каждый успешный прецедент открывает дороги десяткам ребят, способным развивать российский бизнес по-новому, а каждый фейл заставляет акционеров больших компаний смотреть на молодых кандидатов с опаской.
🏫 Что дальше? Ближайшие несколько лет я буду заниматься образовательными проектами. Это мой секрет невыгорания: чередование фокуса на работе и на обучении других людей раз в несколько лет. Во-первых, я уже писал здесь про онлайн-школу ML, где мне хочется опробовать все свои идеи по тому, как сделать образование интересным, эффективным, не попсовым, но и не "идите учиться на миллиард месяцев и потом узнайте, что никуда вас не возьмут". Во-вторых, есть ряд идей классных образовательных проектов, которые меня зовут делать (в том числе вместе с моим работодателем), и в которые я крайне вероятно могу вписаться, потому что некоторые вещи гораздо более требовательны к начальным вложениям, чем онлайн-школа :)
☝️Ну и напоследок, вот вам выводы, которые я могу сделать из моего приключения на 3.5 года (после которого я уже точно другой человек):
1) Когда у вас есть миссия (в моем случае - создать позитивный прецедент и дать дорогу молодым руководителям), вы сможете справиться с чем угодно. Это намного сильнее, чем любая другая мыслимая мотивация.
2) Кадры решают все, но на разных уровнях нужны разные кадры. Где-то подойдут и милые приятные умные мальчики и девочки, а где-то нужны зубастые люди, иначе вся расстановка границ ляжет на вас как на руководителя, и вы сгорите.
3) Ваш главный враг - это вы сами и ваш собственный страх и неуверенность в себе. Лучше быть смелым и тупым руководителем, чем умным, но трусливым. А еще лучше умным и смелым :) Однако не путайте смелость и откровенное слабоумие с суицидальными нотками. Там тонкая грань, ее нужно уметь нащупать.
Принимаю в комментариях любые вопросы про работу на C-level, на какие могу - отвечу 😁
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥223❤54👍48🍾11👏7🤯3💩3😁1🫡1
Анкета для тех, кто хочет погрузиться в ML
Итак, в постах выше я уже раз пять или десять упомянул, что мы с моей командой разрабатываем образовательно-карьерный продукт по ML. Нам важно сделать его качественно, поэтому обращаюсь к тем, кто хочет погрузиться в ML как в свою первую специальность или перейти в ML из другого направления.
Пройдите, пожалуйста, небольшой опрос: https://forms.gle/Du2yKQjvzAFHqaKd7
С некоторыми из тех, кто оставит свой контакт, проведем с командой встречу, чтобы узнать больше о вас и вашем пути. Также на основе ваших ответов буду выкладывать полезный контент в канал. Буду очень признателен всем, кто пройдет опрос :)
Итак, в постах выше я уже раз пять или десять упомянул, что мы с моей командой разрабатываем образовательно-карьерный продукт по ML. Нам важно сделать его качественно, поэтому обращаюсь к тем, кто хочет погрузиться в ML как в свою первую специальность или перейти в ML из другого направления.
Пройдите, пожалуйста, небольшой опрос: https://forms.gle/Du2yKQjvzAFHqaKd7
С некоторыми из тех, кто оставит свой контакт, проведем с командой встречу, чтобы узнать больше о вас и вашем пути. Также на основе ваших ответов буду выкладывать полезный контент в канал. Буду очень признателен всем, кто пройдет опрос :)
Google Docs
Опрос для тех, кто хочет вкатиться в ML
Мне важно делиться полезной для вас информацией, поэтому буду благодарен, если пройдете небольшой опрос.
❤30👍14
Какое название ML-школы мы выбрали?
Итак, пораскинув мозгами и почитав ваши идеи для названия нашего проекта, мы с командой всё-таки определились с названием школы. Называться она будет MLinside (хотя вариант "Кантора" никого из нас не оставил равнодушным 😂)
Почему именно так? Во первых, для меня, как для человека, который действительно живет с машинным обучением в сердце, здесь есть некий метафорический смысл. Я верю, что, занимаясь чем-то, намного проще это делать, когда ты это любишь. Поэтому главное, чего мы будем добиваться – делать так, чтобы вы, наши слушатели, влюблялись в ML, чтобы тема стала для вас чем-то большим, чем просто обучением📚 Я считаю, что сейчас самое время влюбляться в машинное обучение, ведь лет 7-10 назад я и представить не мог, что когда-нибудь смогу объяснить своей бабушке, чем я занимаюсь. А сейчас про машинное обучение, искусственный интеллект знают все.
Другая отсылка, конечно, к intel inside. К тому, какие чувства это во мне вызывало в детстве: внутри компьютера, машины, которая так многое может, есть процессор – в некотором смысле сердце вычислений. И здесь хочется, чтобы ML стал сердцем вашей карьеры и вашего будущего.
Также мы заводим новый телеграм-канал, который будет посвящен непосредственно школе MLinside. На него обязательно нужно подписаться, так как все ключевые новости про образование будут выходить именно здесь ⬇️
https://t.iss.one/ml_inside
Итак, пораскинув мозгами и почитав ваши идеи для названия нашего проекта, мы с командой всё-таки определились с названием школы. Называться она будет MLinside (хотя вариант "Кантора" никого из нас не оставил равнодушным 😂)
Почему именно так? Во первых, для меня, как для человека, который действительно живет с машинным обучением в сердце, здесь есть некий метафорический смысл. Я верю, что, занимаясь чем-то, намного проще это делать, когда ты это любишь. Поэтому главное, чего мы будем добиваться – делать так, чтобы вы, наши слушатели, влюблялись в ML, чтобы тема стала для вас чем-то большим, чем просто обучением📚 Я считаю, что сейчас самое время влюбляться в машинное обучение, ведь лет 7-10 назад я и представить не мог, что когда-нибудь смогу объяснить своей бабушке, чем я занимаюсь. А сейчас про машинное обучение, искусственный интеллект знают все.
Другая отсылка, конечно, к intel inside. К тому, какие чувства это во мне вызывало в детстве: внутри компьютера, машины, которая так многое может, есть процессор – в некотором смысле сердце вычислений. И здесь хочется, чтобы ML стал сердцем вашей карьеры и вашего будущего.
Также мы заводим новый телеграм-канал, который будет посвящен непосредственно школе MLinside. На него обязательно нужно подписаться, так как все ключевые новости про образование будут выходить именно здесь ⬇️
https://t.iss.one/ml_inside
Telegram
MLinside - школа ML
Предзапись на 3 поток курса "База ML": https://clck.ru/3M4hvK
Наши курсы: https://taplink.cc/mlinside
Чат коммьюнити: @ml_insidechat
По вопросам: @marinagartm
Наши курсы: https://taplink.cc/mlinside
Чат коммьюнити: @ml_insidechat
По вопросам: @marinagartm
❤🔥37👍22🔥11❤3💩2
Как я решился на создание школы и уход из топ-менеджмента 😱
Я всегда хотел открыть свою школу машинного обучения. Много лет я преподаю в МФТИ, веду курсы в крупнейших российских компаниях, но я глубоко B2C-шный человек. В том смысле, что какой-то большой заказчик курса, будь то университет или компания, всегда ограничивает творчество. Делать продукт для людей - будь то курсы по выбору в универе (там все гораздо гибче, чем в обязательных) или наша с коллегами онлайн-специализация на Coursera - всегда доставляло мне гораздо больше удовольствия.
Кроме того, за время работы в индустрии у меня выкристализовывался свой взгляд на подготовку специалистов, причем дополненный с разных уровней: линейного сотрудника, руководителя, руководителя руководителей и вообще с точки зрения топ-менеджмента компании. Каждый этап в карьере дополнял картину идеального образовательно-карьерного продукта как огромный пазл, и в своей школе мне хотелось показать его целиком. Тоже не сразу, тоже плавно и своевременно подводя к нужным шагам, но вести слушателя к результату со знанием дела и с пониманием всего пути целиком.
🧩Этот образ пазла и является ответом на вопрос, что же подтолкнуло меня запускать MLinside.
В этом году я успешно доработал до конца первого топ-менеджерского срока (да, кто не читал посты выше - на C-level все по срокам) и могу сказать, что теперь я увидел картину со всех уровней. Кроме того, за мою карьеру мне посчастливилось заниматься внедрением ML в ритейле и e-commerce, телекоме, банках, рекламе, райдтехе и даже немного в промышленности. Покрытие сфер тоже получилось близким к максимальному для одного человека. И я увидел общие задачи и паттерны применения ML в бизнесе, о чем тоже теперь могу рассказать (и что мы готовим в материалах одного из первых наших курсов).
☝️Есть и другая причина, почему я наконец решился открыть школу. После работы в топ-менеджменте моя профессия наконец вывела меня на определенный уровень финансовой независимости (это когда уже не обязательно работать на стабильной надежной наемной работе, чтобы сохранять комфортный уровень жизни). Сразу же встал вопрос, чем же теперь заняться, чтобы с одной стороны получать от этого максимум удовольствия, а с другой стороны иметь возможность полностью себя посвятить новому делу и построить что-то большое и значимое. И за 15 лет я конечно уже понял ответ (да и все, кто меня знают, мне прямо это сказали :) - образованием.
💭Главная идея школы - сочетать разработку курсов с душой, от тех, кто любит свою предметную область, глубоко в ней разбирается и хочет делиться знаниями, с тем, чтобы все эти курсы собирались в один огромный пазл, который приведет вас к любому уровню в data-профессиях, если приложить достаточно усердия и внимания. Во время поверхностности, превосходства форм над содержанием, борьбы за ваше внимание, а не за результат, мы в MLiside - за глубокий продукт, который сделает вашу жизнь и вашу карьеру более полной и значительно более счастливой :)
⚠️ Это большой риск, потому что все деньги образовательного рынка сидят, конечно же, в инфоцыганстве: минимум расходов, попсовые продукты для широкого потребления, никакого экспертного фокуса и затрат на экспертов в команде.
🎨 Но наша философия сделать все иначе, потому что «мы так видим». И здесь кроется еще одна причина, почему я решился. Возник прецедент. Примерно тогда же, когда я пришел в топ-менеджмент, Толя Карпов и Беслан Курашов запускали свой Karpov.Courses. И пока я познавал тонкости работы в руководстве большой группы компаний, ребята построили самую крутую и неинфоцыганскую онлайн-школу DS. Я часто радуюсь успехам других людей, потому что для меня это позитивный сигнал: «смог Вася, значит смогу и я». Так сработало и тут. Толя и Беслан смогли построить бизнес на сотни миллионов выручки, не скатившись и сохранив верность очень высокой планке качества. До них я считал, что это неминуемо приведет к разорению. А теперь я хочу повторить их опыт по-своему и на многое решился для этого :) Толя, Беслан, если вы читаете этот пост - спасибо вам огромное за вдохновение 🙏❤️
Я всегда хотел открыть свою школу машинного обучения. Много лет я преподаю в МФТИ, веду курсы в крупнейших российских компаниях, но я глубоко B2C-шный человек. В том смысле, что какой-то большой заказчик курса, будь то университет или компания, всегда ограничивает творчество. Делать продукт для людей - будь то курсы по выбору в универе (там все гораздо гибче, чем в обязательных) или наша с коллегами онлайн-специализация на Coursera - всегда доставляло мне гораздо больше удовольствия.
Кроме того, за время работы в индустрии у меня выкристализовывался свой взгляд на подготовку специалистов, причем дополненный с разных уровней: линейного сотрудника, руководителя, руководителя руководителей и вообще с точки зрения топ-менеджмента компании. Каждый этап в карьере дополнял картину идеального образовательно-карьерного продукта как огромный пазл, и в своей школе мне хотелось показать его целиком. Тоже не сразу, тоже плавно и своевременно подводя к нужным шагам, но вести слушателя к результату со знанием дела и с пониманием всего пути целиком.
🧩Этот образ пазла и является ответом на вопрос, что же подтолкнуло меня запускать MLinside.
В этом году я успешно доработал до конца первого топ-менеджерского срока (да, кто не читал посты выше - на C-level все по срокам) и могу сказать, что теперь я увидел картину со всех уровней. Кроме того, за мою карьеру мне посчастливилось заниматься внедрением ML в ритейле и e-commerce, телекоме, банках, рекламе, райдтехе и даже немного в промышленности. Покрытие сфер тоже получилось близким к максимальному для одного человека. И я увидел общие задачи и паттерны применения ML в бизнесе, о чем тоже теперь могу рассказать (и что мы готовим в материалах одного из первых наших курсов).
☝️Есть и другая причина, почему я наконец решился открыть школу. После работы в топ-менеджменте моя профессия наконец вывела меня на определенный уровень финансовой независимости (это когда уже не обязательно работать на стабильной надежной наемной работе, чтобы сохранять комфортный уровень жизни). Сразу же встал вопрос, чем же теперь заняться, чтобы с одной стороны получать от этого максимум удовольствия, а с другой стороны иметь возможность полностью себя посвятить новому делу и построить что-то большое и значимое. И за 15 лет я конечно уже понял ответ (да и все, кто меня знают, мне прямо это сказали :) - образованием.
💭Главная идея школы - сочетать разработку курсов с душой, от тех, кто любит свою предметную область, глубоко в ней разбирается и хочет делиться знаниями, с тем, чтобы все эти курсы собирались в один огромный пазл, который приведет вас к любому уровню в data-профессиях, если приложить достаточно усердия и внимания. Во время поверхностности, превосходства форм над содержанием, борьбы за ваше внимание, а не за результат, мы в MLiside - за глубокий продукт, который сделает вашу жизнь и вашу карьеру более полной и значительно более счастливой :)
⚠️ Это большой риск, потому что все деньги образовательного рынка сидят, конечно же, в инфоцыганстве: минимум расходов, попсовые продукты для широкого потребления, никакого экспертного фокуса и затрат на экспертов в команде.
🎨 Но наша философия сделать все иначе, потому что «мы так видим». И здесь кроется еще одна причина, почему я решился. Возник прецедент. Примерно тогда же, когда я пришел в топ-менеджмент, Толя Карпов и Беслан Курашов запускали свой Karpov.Courses. И пока я познавал тонкости работы в руководстве большой группы компаний, ребята построили самую крутую и неинфоцыганскую онлайн-школу DS. Я часто радуюсь успехам других людей, потому что для меня это позитивный сигнал: «смог Вася, значит смогу и я». Так сработало и тут. Толя и Беслан смогли построить бизнес на сотни миллионов выручки, не скатившись и сохранив верность очень высокой планке качества. До них я считал, что это неминуемо приведет к разорению. А теперь я хочу повторить их опыт по-своему и на многое решился для этого :) Толя, Беслан, если вы читаете этот пост - спасибо вам огромное за вдохновение 🙏❤️
Telegram
MLinside - школа ML
Предзапись на 3 поток курса "База ML": https://clck.ru/3M4hvK
Наши курсы: https://taplink.cc/mlinside
Чат коммьюнити: @ml_insidechat
По вопросам: @marinagartm
Наши курсы: https://taplink.cc/mlinside
Чат коммьюнити: @ml_insidechat
По вопросам: @marinagartm
👍92❤44🔥21❤🔥7💩4👏1😁1😱1😈1
Kantor.AI
🎬 Записываем с Серёжей Епихиным первый выпуск 2 сезона нашего подкаста ТехТок (первый сезон здесь: https://podcast.ru/1635293813 ). 🎥 Первый сезон был без видео, теперь добавили картинку и обновили концепцию. Будем не просто говорить с классными ребятами…
🎬 Новый сезон подкаста
😥 Оказалось, что самое трудоемкое это отсмотреть видео и составить список всех вставок с картинками и пояснениями текстом к аббревиатурам, терминам и событиям в развитии технологии, чтобы подкаст было комфортно смотреть не только тем, кто работает в DS, но и их знакомым и друзьям.
💡Пока я занимаюсь этой кропотливой работой, напомню вам, о чем были выпуски прошлого сезона подкаста (тогда еще в голосовом формате). Первым гостем был Александр Фонарев, основатель компании Rubbles, лауреат Forbes 30 до 30 и фактически автор и руководитель ШАДовского практического курса по машинному обучению (т.е. семинарской части курса). Послушать (если еще нет) можно здесь: https://podcast.ru/e/18TtWlj.2Ln
🙏 Btw, если кто-то хочет помочь мне с написанием табличек со вставками в видео вида таймкод-картинка-текст - пишите в личку :)
😥 Оказалось, что самое трудоемкое это отсмотреть видео и составить список всех вставок с картинками и пояснениями текстом к аббревиатурам, терминам и событиям в развитии технологии, чтобы подкаст было комфортно смотреть не только тем, кто работает в DS, но и их знакомым и друзьям.
💡Пока я занимаюсь этой кропотливой работой, напомню вам, о чем были выпуски прошлого сезона подкаста (тогда еще в голосовом формате). Первым гостем был Александр Фонарев, основатель компании Rubbles, лауреат Forbes 30 до 30 и фактически автор и руководитель ШАДовского практического курса по машинному обучению (т.е. семинарской части курса). Послушать (если еще нет) можно здесь: https://podcast.ru/e/18TtWlj.2Ln
🙏 Btw, если кто-то хочет помочь мне с написанием табличек со вставками в видео вида таймкод-картинка-текст - пишите в личку :)
Podcast.ru
ШАД. Стартапы. PhD – Техток – Podcast.ru
Если ставить себе амбициозные задачи и прыгать выше головы, то можно попасть в список Forbes «30 до 30». Наш гость попал.
А потом пришел к нам на подкаст и рассказал где и чему стоит учиться, и когда пора запускать свой бизнес, Разобрали карьеру кандидата…
А потом пришел к нам на подкаст и рассказал где и чему стоит учиться, и когда пора запускать свой бизнес, Разобрали карьеру кандидата…
🔥15👍9❤8
#карьера
С чего начать погружаться в мир работы с данными
❓ Извечный вопрос, когда хочешь что-то начать: «А начинать-то с чего?». С годами мой ответ на этот вопрос меняется, но сейчас я бы сказал: «Начните с карты». Под картой я подразумеваю общую картину:
1️⃣ Какие есть дата-профессии
2️⃣ Какие проекты и продукты делают люди, работающие с данными
3️⃣ В каких компаниях и чем можно заниматься
4️⃣ Как попасть на работу в компанию в одной из data-ролей
📈Обязательно ли это узнавать с самого начала? Конечно нет, можно просто изучать все по наитию и двигаться туда, где вам интересно. На самом деле этот путь в некотором смысле даже лучше, потому что по крайней мере вам будет нравиться то, что вы делаете. Но для достижения выдающихся результатов полезно иногда посмотреть с высоты птичьего полета на то, куда вы движетесь и какие пути есть рядом.
👨🔧Зная, что не только дата саентисты работают с данными, вы будете понимать, что при перекосе в сторону инженерии или аналитики, не обязательно насиловать себя тем, как работают ML алгоритмы.
❤️ Зная, какие большие области в работе с данными есть, вы можете попробовать разные типы задач и выбрать себе то, что и интересно, и отвечает вашим ценностям. Кому-то в кайф принести компании денег, а кому-то - спасать жизни. И там и там есть работа с данными, причем иногда даже в неожиданных местах. Так-то даже беспилотный транспорт в своей изначальной задумке должен радикально снизить число смертей на дорогах - чем не спасение жизней. Ну и конечно есть более очевидные варианты, будь то разработка новых лекарств или поиск потерявшихся людей в лесу по снимкам с дрона.
💼 Зная, в какие компании можно пойти, чем заниматься и как туда попасть, вы будете знать, к чему именно готовиться. Ведь нельзя просто читать статьи или проходить курсы до бесконечности. Нужно скорее попадать в среду людей, которые уже работают, и начинать приобретать практический опыт. Даже сделав домашнее задание на каком-то курсе, вы еще не освоили тему и не научились. Научиться - это уверенно применять в своей практике.
В следующих постах в теге #карьера я напишу ответы на эти вопросы, как их вижу. Буду очень благодарен за дополнения и запросы на другие посты в комментариях, так что комментарии категорически приветствуются 🙂
С чего начать погружаться в мир работы с данными
❓ Извечный вопрос, когда хочешь что-то начать: «А начинать-то с чего?». С годами мой ответ на этот вопрос меняется, но сейчас я бы сказал: «Начните с карты». Под картой я подразумеваю общую картину:
1️⃣ Какие есть дата-профессии
2️⃣ Какие проекты и продукты делают люди, работающие с данными
3️⃣ В каких компаниях и чем можно заниматься
4️⃣ Как попасть на работу в компанию в одной из data-ролей
📈Обязательно ли это узнавать с самого начала? Конечно нет, можно просто изучать все по наитию и двигаться туда, где вам интересно. На самом деле этот путь в некотором смысле даже лучше, потому что по крайней мере вам будет нравиться то, что вы делаете. Но для достижения выдающихся результатов полезно иногда посмотреть с высоты птичьего полета на то, куда вы движетесь и какие пути есть рядом.
👨🔧Зная, что не только дата саентисты работают с данными, вы будете понимать, что при перекосе в сторону инженерии или аналитики, не обязательно насиловать себя тем, как работают ML алгоритмы.
❤️ Зная, какие большие области в работе с данными есть, вы можете попробовать разные типы задач и выбрать себе то, что и интересно, и отвечает вашим ценностям. Кому-то в кайф принести компании денег, а кому-то - спасать жизни. И там и там есть работа с данными, причем иногда даже в неожиданных местах. Так-то даже беспилотный транспорт в своей изначальной задумке должен радикально снизить число смертей на дорогах - чем не спасение жизней. Ну и конечно есть более очевидные варианты, будь то разработка новых лекарств или поиск потерявшихся людей в лесу по снимкам с дрона.
💼 Зная, в какие компании можно пойти, чем заниматься и как туда попасть, вы будете знать, к чему именно готовиться. Ведь нельзя просто читать статьи или проходить курсы до бесконечности. Нужно скорее попадать в среду людей, которые уже работают, и начинать приобретать практический опыт. Даже сделав домашнее задание на каком-то курсе, вы еще не освоили тему и не научились. Научиться - это уверенно применять в своей практике.
В следующих постах в теге #карьера я напишу ответы на эти вопросы, как их вижу. Буду очень благодарен за дополнения и запросы на другие посты в комментариях, так что комментарии категорически приветствуются 🙂
❤33👍12❤🔥6🤔2🎄1
#classic_ML
Простые методы ML
Есть ряд методов машинного обучения, которым раньше иногда посвящали в курсах целую лекцию, в учебниках целую главу, и вообще относились с большой серьезностью. Сейчас же ситуация немного поменялась, потому что из классических (не deep learning) методов как правило используются или линейные модели (когда нужна интерпретируемость или легкость настройки и выкатки в продакшн, либо когда признаки разреженные, либо когда известно, что зависимость с какой-то точностью можно считать линейной, либо когда мало данных и нет доводов в пользу какого-то другого вида модели) или градиентный бустинг над деревьями (примерно во всех остальных случаях).
Уже лет пять или даже больше я, когда веду курсы машинного обучения, выхожу из положения следующим образом: рассказ про «простые методы» при всем их разнообразии помещается в начале курса в одно занятие, чтобы дать некоторый исторический экскурс и уберечь слушателей от самостоятельного «изобретения» этих методов с последующими большими надеждами, что «ух сейчас как заработает!». Во вторую очередь я отдаю дань истории, потому что не знаю, к кому слушатели однажды попадут на собеседование. Вдруг там будет какой-то любитель наивного байесовского классификатора или kNN, который откажет кандидату просто по принципу «если он такие простые вещи не знает, то о чем с ним говорить». Далее я приведу небольшое описание этих «простых алгоритмов», и чем они еще могут пригодиться в 2024 году.
Метод k ближайших соседей
Идея метода проста до ужаса: чтобы классифицировать объект выборки, найдем k объектов, похожих на него, и ответим тем классом, который среди них больше представлен. Хотим решить задачу регрессии (спрогнозировать число)? Без проблем, также найдем k ближайших объектов и усредним правильные ответы по ним. Ну например, если хотим понять, сколько заработает магазин в новой локации, находим k похожих на него и просто усредняем их продажи. Вот такой вот простой прогноз. Только когда говорят "ближайшие соседи" имеют ввиду именно в пространстве признаков, т.е. прогнозировать продажи в новом магазине надо не по географически ближайшим, а по тем, у которых похожий полный набор параметр: распределение доходов клиентов вокруг локации, количество своих магазинов и магазинов конкурентов рядом, размер города и т.д.
Если продажи в новом магазине сейчас вряд ли кто-то серьезно прогнозирует с помощью kNN, то вот в персональных рекомендациях метод k ближайших соседей до сих пор остается бейзлайном, и хорошо если всякие матричные разложения, бустинги и нейросетки его превосходят по качеству. Гораздо забавнее, если нет, потому что не сравнивали 🙂
Кроме того, kNN это достаточно широкое множество алгоритмов в том смысле, что есть какие параметры покрутить. Можно взвешивать и преобразовывать признаки, можно назначать разные веса соседям, можно применять всякие Kernel-based методы, в общем при желании есть куда закопаться, а это мы еще не вспомнили про быстрый поиск соседей в N-мерном пространстве признаков и всякие там ANN (Approximate Nearest Neighbors). В общем те, кто любят kNN, найдут чем занять и лекцию, и главу, и даже целый учебник.
Простые методы ML
Есть ряд методов машинного обучения, которым раньше иногда посвящали в курсах целую лекцию, в учебниках целую главу, и вообще относились с большой серьезностью. Сейчас же ситуация немного поменялась, потому что из классических (не deep learning) методов как правило используются или линейные модели (когда нужна интерпретируемость или легкость настройки и выкатки в продакшн, либо когда признаки разреженные, либо когда известно, что зависимость с какой-то точностью можно считать линейной, либо когда мало данных и нет доводов в пользу какого-то другого вида модели) или градиентный бустинг над деревьями (примерно во всех остальных случаях).
Уже лет пять или даже больше я, когда веду курсы машинного обучения, выхожу из положения следующим образом: рассказ про «простые методы» при всем их разнообразии помещается в начале курса в одно занятие, чтобы дать некоторый исторический экскурс и уберечь слушателей от самостоятельного «изобретения» этих методов с последующими большими надеждами, что «ух сейчас как заработает!». Во вторую очередь я отдаю дань истории, потому что не знаю, к кому слушатели однажды попадут на собеседование. Вдруг там будет какой-то любитель наивного байесовского классификатора или kNN, который откажет кандидату просто по принципу «если он такие простые вещи не знает, то о чем с ним говорить». Далее я приведу небольшое описание этих «простых алгоритмов», и чем они еще могут пригодиться в 2024 году.
Метод k ближайших соседей
Идея метода проста до ужаса: чтобы классифицировать объект выборки, найдем k объектов, похожих на него, и ответим тем классом, который среди них больше представлен. Хотим решить задачу регрессии (спрогнозировать число)? Без проблем, также найдем k ближайших объектов и усредним правильные ответы по ним. Ну например, если хотим понять, сколько заработает магазин в новой локации, находим k похожих на него и просто усредняем их продажи. Вот такой вот простой прогноз. Только когда говорят "ближайшие соседи" имеют ввиду именно в пространстве признаков, т.е. прогнозировать продажи в новом магазине надо не по географически ближайшим, а по тем, у которых похожий полный набор параметр: распределение доходов клиентов вокруг локации, количество своих магазинов и магазинов конкурентов рядом, размер города и т.д.
Если продажи в новом магазине сейчас вряд ли кто-то серьезно прогнозирует с помощью kNN, то вот в персональных рекомендациях метод k ближайших соседей до сих пор остается бейзлайном, и хорошо если всякие матричные разложения, бустинги и нейросетки его превосходят по качеству. Гораздо забавнее, если нет, потому что не сравнивали 🙂
Кроме того, kNN это достаточно широкое множество алгоритмов в том смысле, что есть какие параметры покрутить. Можно взвешивать и преобразовывать признаки, можно назначать разные веса соседям, можно применять всякие Kernel-based методы, в общем при желании есть куда закопаться, а это мы еще не вспомнили про быстрый поиск соседей в N-мерном пространстве признаков и всякие там ANN (Approximate Nearest Neighbors). В общем те, кто любят kNN, найдут чем занять и лекцию, и главу, и даже целый учебник.
👍51❤16😁2
#classic_ML
Наивный байесовский классификатор
Другой "простой" метод, который приходится рассказывать студентам в некотором смысле как дань истории - наивный байесовский классификатор. Начиналось все довольно просто: на заре развития электронной почты люди уже страдали от спама. Возникла простая идея: давайте сначала отсортируем письма на спам и не спам, чтобы получить обучающую выборку, а потом посчитаем вероятность встретить каждое слово из выборки в спаме и не в спаме (ну просто долю одних и других случаев). Дальше, когда нам приходит новое письмо, рассчитываем вероятность того, что оно спамное как произведение вероятностей увидеть каждое слово письма в спаме. И аналогично оцениваем вероятность того, что письмо НЕ спамное. Какая вероятность больше, таков и ответ.
В общем случае этот подход обобщается так: для каждого признака объекта вы по выборке оцениваете его распределение в классе 0 и в классе 1, а дальше просто смотрите на признаки объекта, считаете вероятность такой объект увидеть в каждом классе (как произведение по всем признакам объекта) и выбираете наиболее вероятный класс. Если классы априори в разной степени часто встречаются в природе (например, классы - болен ковидом и не болен) - то имеет смысл умножить это все на априорные вероятности классов.
Чем же нам сейчас полезен на практике наивный байес? На практике - уже ничем. А вот в постижении теории очень даже полезная штука, только там не только про наивного байеса надо разбираться, а вообще про байесовскую теорию классификации (могу как-нибудь написать пост). Ну и еще чтобы на экзамене мучать бедных студентов вопросами почему наивный байес наивный и причем там теорема Байеса
Метод K средних
Метод К средних это простой и изящный метод кластеризации. Кластеризация это довольно неприятная задача, которую не то чтобы кто-то умеет стабильно решать хорошо, подробнее про кластеризацию я писал в учебнике ШАД.
Если кратко, суть метода в следующем. Сначала выбираем K случайных центров для кластеров, потом повторяем до сходимости два шага:
-распределить выборку по ближайшим центрам (центр какого кластера ближе, в тот и попадает объект)
-пересчитать центры кластеров (просто как среднее арифметическое векторов признаков попавших в него объектов)
Неожиданным образом K-means очень крутой и адекватный метод кластеризации. Серьезно, если предположения алгоритма более-менее выполнены (кластеры выпуклые и примерно равного размера), получается очень даже хорошо и можно использовать метод и по сей день. Чудес как в любом методе кластеризации ждать не стоит, но как бейзлайн must, а не побить этот бейзлайн даже не стыдно, особенно если перед K-Means был некоторый feature engineering.
А что вы думаете об этих методах? Есть ли у них до сих пор какие-то применения, о которых можете упомянуть? Надо ли продолжать про них рассказывать людям?
Наивный байесовский классификатор
Другой "простой" метод, который приходится рассказывать студентам в некотором смысле как дань истории - наивный байесовский классификатор. Начиналось все довольно просто: на заре развития электронной почты люди уже страдали от спама. Возникла простая идея: давайте сначала отсортируем письма на спам и не спам, чтобы получить обучающую выборку, а потом посчитаем вероятность встретить каждое слово из выборки в спаме и не в спаме (ну просто долю одних и других случаев). Дальше, когда нам приходит новое письмо, рассчитываем вероятность того, что оно спамное как произведение вероятностей увидеть каждое слово письма в спаме. И аналогично оцениваем вероятность того, что письмо НЕ спамное. Какая вероятность больше, таков и ответ.
В общем случае этот подход обобщается так: для каждого признака объекта вы по выборке оцениваете его распределение в классе 0 и в классе 1, а дальше просто смотрите на признаки объекта, считаете вероятность такой объект увидеть в каждом классе (как произведение по всем признакам объекта) и выбираете наиболее вероятный класс. Если классы априори в разной степени часто встречаются в природе (например, классы - болен ковидом и не болен) - то имеет смысл умножить это все на априорные вероятности классов.
Чем же нам сейчас полезен на практике наивный байес? На практике - уже ничем. А вот в постижении теории очень даже полезная штука, только там не только про наивного байеса надо разбираться, а вообще про байесовскую теорию классификации (могу как-нибудь написать пост). Ну и еще чтобы на экзамене мучать бедных студентов вопросами почему наивный байес наивный и причем там теорема Байеса
Метод K средних
Метод К средних это простой и изящный метод кластеризации. Кластеризация это довольно неприятная задача, которую не то чтобы кто-то умеет стабильно решать хорошо, подробнее про кластеризацию я писал в учебнике ШАД.
Если кратко, суть метода в следующем. Сначала выбираем K случайных центров для кластеров, потом повторяем до сходимости два шага:
-распределить выборку по ближайшим центрам (центр какого кластера ближе, в тот и попадает объект)
-пересчитать центры кластеров (просто как среднее арифметическое векторов признаков попавших в него объектов)
Неожиданным образом K-means очень крутой и адекватный метод кластеризации. Серьезно, если предположения алгоритма более-менее выполнены (кластеры выпуклые и примерно равного размера), получается очень даже хорошо и можно использовать метод и по сей день. Чудес как в любом методе кластеризации ждать не стоит, но как бейзлайн must, а не побить этот бейзлайн даже не стыдно, особенно если перед K-Means был некоторый feature engineering.
А что вы думаете об этих методах? Есть ли у них до сих пор какие-то применения, о которых можете упомянуть? Надо ли продолжать про них рассказывать людям?
❤47👍24🔥7👏3😁2🤯1
This media is not supported in your browser
VIEW IN TELEGRAM
#образование
Как я начал и полюбил преподавать📚
Мои бабушка, мама, тётя и с некоторых пор даже отец - преподаватели. Поэтому в студенческом детстве (т.е. целые два года с поступления в МФТИ) я категорически избегал того, чтобы стать преподавателем. Ну должна же быть в человеке какая-то индивидуальность 🙂 Однако когда Никита Пустовойтов, заведовавший тогда кафедрой в МФТИ, предложил с ним вести факультатив по ML, я был счастлив до жути и вприпрыжку побежал готовить занятия.
В преподавании мне нравится смотреть на каждую тему с позиции «Что именно здесь может быть не очевидно? Какие вопросы возникают у того, кто видит это впервые или во второй раз?». Кажется, что вот ты рассказал по пунктам, как оно устроено, и все понятно. Но нет, даже стройный последовательный логичный рассказ - это еще не 100% успеха (хотя уже бóльшая его часть).
🔹Одна из причин, почему я люблю преподавание - возможность посмотреть на предмет десятком разных способов, ведь какие-то ваши слова могут быть понятны не всем слушателям. Кто-то лучше понимает формулы, кто-то картинки, кто-то код, а где-то стену непонимания поможет пробить удачная аналогия.
🔹Другая важная причина - чувство ответственности перед слушателем. Когда отвечаешь за свои знания, можешь позволить себе бóльшую небрежность, чем когда все твои ошибки будут размножены на десятки, сотни, тысячи слушателей. Это помогает самому копать глубже и знать на порядок больше.
🔹Ну и, наконец, вопросы аудитории. Ни один солидный эксперт не задавал сам себе все те вопросы, которые за час вбросит два десятка новичков, интересующихся темой. И часто легко впасть в ступор от элементарного вопроса. Но ты же преподаватель, от тебя ожидают, что ты с ним разберешься. В итоге, получается довольно адреналиновая игра. Я в целом уже давно не стесняюсь сказать «не знаю», если у меня нет ответа сходу. Но, как правило, следом за этим я предлагаю порассуждать, и мы со слушателями быстро приходим к ответу. Однажды я спросил своего бывшего студента, что ему больше всего нравилось на занятиях, и он ответил, что именно это. Что можно было увидеть, как, не зная ответа, к нему прийти.
Все это постепенно затягивало меня в преподавание. Но определяющими были два явления, которые постепенно появились в моей жизни. Первое - студенты, как известно, голосуют ногами, и они начали голосовать за меня. Второе - когда я веду занятие, я полностью забываю обо всем, кроме своего предмета. Однажды, будучи в очень подавленном настроении, я вел семинар на Физтехе. В конце семинара я просто был запредельно счастливым человеком и даже в какой-то момент одернул себя: «эй, ты чего такой радостный, у тебя все плохо, давай, грусти обратно!». Этот момент я вспоминаю регулярно, он был поворотным.
С того поворотного момента осознания моей любви к преподаванию прошло наверно 10 или 11 лет. За это время мы с коллегами и друзьями:
✔️превратили DMIA в супер-мега-большой оффлайн курс, через который проходили тысячи студентов за все время,
✔️запустили невероятно успешную специализацию по машинному обучению на Coursera, через которую прошли 200+ тысяч слушателей,
✔️проводили множество крутых обучений в крупных компаниях.
Наши с коллегами по преподаванию ученики все это время тоже не стояли на месте. Они становились крутыми экспертами, присоединялись к нам как преподаватели (или не присоединялись и делали все сами, но все равно очень здорово), создавали и продавали свои стартапы за много миллионов долларов, становились серийными CEO data-стартапов. Очень многими ребятами я действительно горжусь. Не с позиции «вот я так хорошо научил», а просто искреннее участие в жизни другого человека неизбежно вызывает сопереживание, и дальше невольно следишь за успехами. Это тоже, кстати, очень важное наполнение преподавания - долгосрочные человеческие отношения и очень много тепла🫂
Как я начал и полюбил преподавать📚
Мои бабушка, мама, тётя и с некоторых пор даже отец - преподаватели. Поэтому в студенческом детстве (т.е. целые два года с поступления в МФТИ) я категорически избегал того, чтобы стать преподавателем. Ну должна же быть в человеке какая-то индивидуальность 🙂 Однако когда Никита Пустовойтов, заведовавший тогда кафедрой в МФТИ, предложил с ним вести факультатив по ML, я был счастлив до жути и вприпрыжку побежал готовить занятия.
В преподавании мне нравится смотреть на каждую тему с позиции «Что именно здесь может быть не очевидно? Какие вопросы возникают у того, кто видит это впервые или во второй раз?». Кажется, что вот ты рассказал по пунктам, как оно устроено, и все понятно. Но нет, даже стройный последовательный логичный рассказ - это еще не 100% успеха (хотя уже бóльшая его часть).
🔹Одна из причин, почему я люблю преподавание - возможность посмотреть на предмет десятком разных способов, ведь какие-то ваши слова могут быть понятны не всем слушателям. Кто-то лучше понимает формулы, кто-то картинки, кто-то код, а где-то стену непонимания поможет пробить удачная аналогия.
🔹Другая важная причина - чувство ответственности перед слушателем. Когда отвечаешь за свои знания, можешь позволить себе бóльшую небрежность, чем когда все твои ошибки будут размножены на десятки, сотни, тысячи слушателей. Это помогает самому копать глубже и знать на порядок больше.
🔹Ну и, наконец, вопросы аудитории. Ни один солидный эксперт не задавал сам себе все те вопросы, которые за час вбросит два десятка новичков, интересующихся темой. И часто легко впасть в ступор от элементарного вопроса. Но ты же преподаватель, от тебя ожидают, что ты с ним разберешься. В итоге, получается довольно адреналиновая игра. Я в целом уже давно не стесняюсь сказать «не знаю», если у меня нет ответа сходу. Но, как правило, следом за этим я предлагаю порассуждать, и мы со слушателями быстро приходим к ответу. Однажды я спросил своего бывшего студента, что ему больше всего нравилось на занятиях, и он ответил, что именно это. Что можно было увидеть, как, не зная ответа, к нему прийти.
Все это постепенно затягивало меня в преподавание. Но определяющими были два явления, которые постепенно появились в моей жизни. Первое - студенты, как известно, голосуют ногами, и они начали голосовать за меня. Второе - когда я веду занятие, я полностью забываю обо всем, кроме своего предмета. Однажды, будучи в очень подавленном настроении, я вел семинар на Физтехе. В конце семинара я просто был запредельно счастливым человеком и даже в какой-то момент одернул себя: «эй, ты чего такой радостный, у тебя все плохо, давай, грусти обратно!». Этот момент я вспоминаю регулярно, он был поворотным.
С того поворотного момента осознания моей любви к преподаванию прошло наверно 10 или 11 лет. За это время мы с коллегами и друзьями:
✔️превратили DMIA в супер-мега-большой оффлайн курс, через который проходили тысячи студентов за все время,
✔️запустили невероятно успешную специализацию по машинному обучению на Coursera, через которую прошли 200+ тысяч слушателей,
✔️проводили множество крутых обучений в крупных компаниях.
Наши с коллегами по преподаванию ученики все это время тоже не стояли на месте. Они становились крутыми экспертами, присоединялись к нам как преподаватели (или не присоединялись и делали все сами, но все равно очень здорово), создавали и продавали свои стартапы за много миллионов долларов, становились серийными CEO data-стартапов. Очень многими ребятами я действительно горжусь. Не с позиции «вот я так хорошо научил», а просто искреннее участие в жизни другого человека неизбежно вызывает сопереживание, и дальше невольно следишь за успехами. Это тоже, кстати, очень важное наполнение преподавания - долгосрочные человеческие отношения и очень много тепла🫂
❤71🔥22👍18🥰5👏3🫡1