Давай разберём возможные способы решения проблемы:

- курсы по выбору и факультативы: в многих университетах есть курсы, которые ты выбираешь самостоятельно (это, кстати, крутой критерий оценки университета при поступлении). При этом эти курсы могут быть из другой области: например, хотя я и учусь на разработчика, на первом курсе у меня была возможность выбрать предмет “Нейросетевые технологии”, благодаря которому я и понял, что мне нравится Data Science.
Ты всегда можешь ходить вольным слушателем на любые предметы в твоём университете. А ещё есть общеуниверситетские факультативы (лайфхак: часто на факультативы можно записаться даже в другой университет, если поговорить с преподавателем), которые также дают возможность расти горизонтально, т.е. “вширь”. Иначе говоря, благодаря таким курсам ты можешь сместиться в смежную область, которая тебя больше интересует 😍

- получить хорошую базу: вероятнее всего, у тебя будет достаточно курсов по высшей математике, алгоритмам и ООП на первом и втором курсе - именно эти предметы проходятся почти на всех направлениях, связанных с IT. Особенно круто, если эти курсы окажутся качественными, потому что это даст тебе неплохую базу для того, чтобы изучить что-то смежное. Так, например, более-менее разобравшись с математикой на первом курсе, я начал заниматься на онлайн-курсах Вышки по анализу данных, а в сентябре второго курса записался на курс “Специалист по Data Science” от Яндекс.Практикума. Иначе говоря, ты можешь получить хороший фундамент, который используется почти во всех смежных сферах, после чего тебе будет уже гораздо проще изучить то, что тебе нравится 😉

- использовать внешние источники: с хорошей базой тебе будет совсем несложно изучать что-то новое. Тут можно обращаться к самым разным источникам: онлайн-курсы, школы и академии от компаний (как Школа Анализа Данных от 😀, например), конференции и книги (я их, кстати, почти не читал). В конце концов, ты же не думаешь, что университет даст тебе все необходимые знания, чтобы устроиться на крутую работу? (спойлер: перед любым собеседованием тебе придется готовиться самостоятельно, какой бы крутой университет не был)

- успокоиться: на самом деле ты уже учишься и изучаешь массу того, что тебе в том или ином виде пригодится в смежной сфере. Значительная часть IT устроена так, что в нём применяются почти одни и те же принципы, алгоритмы, подходы и тд. Так, например, принципы ООП из разработки помогут тебе проще воспринимать, как устроены ML модели из библиотек, а пределы из мат.анализа помогут понять, как асимптотически оценивать сложность алгоритмов. Поэтому не накручивай себя. Неприятные предметы закончатся, а с каждым курсом учиться, как правило, становится всё проще. А также не забывай знакомиться с классными людьми с твоей же программы, ведь среди них точно найдутся те, кто тоже ошибся с направлением и сейчас активно изучает смежную сферу 👀

- переводиться: самый хардкорный вариант. Обычно это действительно непросто и требует много сил, но тем не менее такие случаи перевода на другую программу существуют. Тут всё индивидуально, и давать тебе такого совета я всё же не смогу 🥸

Итак, отвечаю на вопрос из заголовка: у тебя всё будет хорошо. Сейчас ты готовишься и сдашь ЕГЭ по информатике, а потом ты в любом случае поступишь на какую-то программу, где сможешь изучить фундаментальные основы, которые помогут тебе перейти в смежную сферу почти безболезненно. В IT слишком много пересечений, чтобы одна лишь программа определяла твоё будущее. Я учусь на разработчика и работаю аналитиком. В моей команде очень много людей, которые учились на разработчиков, математиков и даже физиков, однако при этом сейчас являются крутейшими дата сайентистами.

Никакая образовательная программа не сможет определить твоё будущее за тебя, поэтому не бойся ошибаться. И пробуй! 🔥

P.S.: накидай реакцию, если хочешь больше постов про поступление)

#поступление #образование

Как изучать анализ данных с нуля? (чтобы пройти собеседования на начинающего аналитика)

По многочисленным просьбам собрал все материалы, по которым, я считаю, можно подготвить аналитику и анализ данных с нуля за достаточно небольшое время (при этом можно будет подаваться и пробовать себя на собеседованиях).

Технические навыки:
- Питон - будем считать, что именно он используется для DS и без него никак. Важно понимать не просто базовый синтаксис, но и встроенные структуры данных: словари, кортежи, множества. С нуля можно пройти курс на питонтьюторе (его я всем ученикам советовал в том числе) и этого будет вполне достаточно, к тому же там есть задачки, которые могут дать в качестве одного из заданий на собеседованиях. 🐍

- SQL - язык запросов к базам данных. Так уж вышло, что аналитику нужно уметь получить данные из таблиц в нужном виде, чтобы затем их изучать. Именно для этой цели и используется SQL. Для роли аналитика достаточно изучить всё, что связано с получением данных (т.е. запросы вида SELECT). Для начала можно пройти курс на степике, а затем порешать задачи на sql-ex - там приведены многие шаблоны задач, которые могут спросить при отборе на позицию аналитика. 👨‍💻

- библиотеки pandas, numpy, matplotlib и seaborn для питона.
Pandas помогает удобно работать с табличными данными и достаточно сильно похож логикой на SQL. Изучить теорию, наверное, можно и на ютубе (вот пример), после чего рекомендую взять какой-нибудь датасет и вручную “покрутить” его в Jupyter Notebook’е (юпитер - это удобная среда для последовательного выполнения кода, подробнее например тут). Основные операции в pandas стоит знать наизусть (чтение таблиц, редактирование, работа с пропусками, изменение типов данных)
Numpy помогает быстро и удобно производить математические операции. К тому же он используется во многих других библиотеках. Можно глянуть какой-нибудь туториал на ютубе. Например, вот тут. Знать все операции наизусть необязательно, главное уметь быстро в них сориентироваться при необходимости.
Matplotlib и Seaborn - библиотеки для визуализации данных. Тут скорее важно научиться понимать, какие именно графики можно построить по тем или иным имеющимся данным. Знать все функции и методы наизусть - необязательно. Можно почитать вот эту большую статью с примерами графиков, чтобы потом иметь возможность построить что-то подобное для своих данных. Seaborn, возможно, знать и необязательно, но точно будет плюсом (там графики чуть красивее получаются…)
Также объемные вебинары по этим библиотекам есть на сайте в виде лекций №7-10.
Лично я эти 4 библиотеки изучил в процессе прохождения курса Яндекс.Практикума “Специалист по Data Science”. Если вы уже хорошо знаете теорию и математику, то на этом курсе можно неплохо нарешать практические задания на датасетах (могу, кстати, дать промик на скидку 7%, если вы хотели взять курс). Впрочем, эти библиотеки можно спокойно изучить и без курса, главное не полениться и применить их на парочке датасетов. 🧑‍💻

- алгоритмы и структуры данных - по желанию, но ведущие компании (Тинькофф, Яндекс и т.п.) вас всё равно спросят про базовые алгоритмы и структуры данных. Аналитикам, в отличие от разработчиков, должно вполне хватить курса тренировок по алгоритмам от Яндекса: там представлены лекции с теорией, домашки, а также разборы к ним (я учился на второй версии этого курса, но недавно вышла версия 3.0). После этого перед собеседованиями можно порешать задачки с LeetCode уровня Easy и Medium. Этого будет очень даже достаточно 👍

Математика для анализа данных:
- теория вероятностей. Наш мир состоит из случайных процессов и событий, поэтому аналитику важно хорошо владеть теорвером. У меня был неплохой курс в университете, но еще до его начала я немного изучал материалы на курсэре от Вышки. Курсэры у нас, увы, больше нет, но тем не менее на степике есть неплохой по отзывам курс. Можно также посмотреть лекции из крутых универов по теорверу на ютубе. Способов изучать теорвер много, но главное пройти следующие темы: комбинаторика, дискретная вероятность, условные вероятности, формула полной вероятности, теорема Байеса, понятие случайной величины, мат.ожидание и дисперсия, основные распределения случайных величин, ЗБЧ, ЦПТ, точечное и интервальное оценивание, доверительные интервалы.

- математическая статистика. Она сильно связана с теорвером и благодаря ней можно научиться делать достаточно точные выводы о данных по их выборке. Тут я очень рекомендую пройти курс на Степике, который ведёт Анатолий Карпов (очень известный аналитик и основатель курсов, рекомендую его вебинары также глянуть на ютубе)

- продуктовое мышление. Тут важно научиться правильно думать о продукте: измерять метрики и придумывать новые, понимать, что такое AB-тесты и правильно их проводить. Для этого нужно регулярно читать в интернете статьи и новости о различных продуктах и приложениях известных компаний, а также смотреть, как они решают те или иные проблемы. Также можно глянуть курс Тинькофф по продуктовой аналитике и файл с метриками (взял из канала поступашек). Также про метрики можно почитать вот тут в моём канале (в планах имеются новые посты по продуктовой аналитике)

Этого должно быть вполне достаточно, чтобы начать проходить собеседования по чистой продуктовой аналитике. Как мне кажется, весь этот список можно при должном усилии пройти за месяца 3-4 активного изучения, что позволит тебе уже в ближайшее время начать искать работу аналитиком 🤑

Также в этом посте я не упоминал машинное обучение. Его тоже будет полезно изучить, но в целом знать его продуктовому аналитику необязательно (но ML точно будет плюсом). Об ML скоро начнётся отдельная серия постов, где я напишу аналогичный список ресурсов для его изучения.

Я действительно долго трудился над этим текстом, поэтому не забывай ставить реакцию и делись постом с друзьями 🥰

Что изучить летом, чтобы спокойно залететь на первый курс IT-направления?

Недавно я осознал, что возможность учиться - это настоящая привелегия (с появлением работы/семьи/других обязанностей времени и сил на обучение почти не остаётся), так что если у тебя есть время и желание немного облегчить себе судьбу на первом курсе, то можно обратить внимание на эти курсы. Я постарался подобрать их так, чтобы они подошли почти для всех айтишных образовательных программ. Итак, вот они слева-направо:

1. Курс “Введение в программирование на C++” - многие абитуриенты знакомы только с питоном, однако на первом курсе у тебя с огромной вероятностью будет изучаться один из языков семейства Си (С, C++, C#). Этот курс нельзя назвать глубоким, но при этом он очень помогает переориентировать твоё мышление на более строгий и типизированный язык: ты лучше поймешь, как устроены функции и методы, а также научишься работать с типами данных (что особенно важно, если ты знаешь только питон). К тому же в твоём инструментарии появляется очень быстрый и крутой язык, идеи и парадигмы которого тебе ещё не раз будут встречаться почти во всех других языках программирования.
Бонус ко всему вышеперечисленному: именно этот язык чаще всего используется для полноценного изучения алгоритмов и структур данных, которые сейчас требуют в большие IT-компании (Google, Яндекс, VK и тд.) 👨‍💻

2. Курс по линейной алгебре - тут можно ознакомиться с базовыми понятиями линейной алгебры, которая гарантированно у тебя будет на первом курсе. Необязательно проходить весь курс в полном объёме, тут скорее можно просто понять основные определения, чтобы твой мозг не взрывался на лекциях ближайшей осенью 🤯

3. Математический анализ - тут можно просто почитать (ну и в идеале порешать примеры) про пределы, так как именно с них начинается обучение в среднестатистическом университетском курсе по матану. Пределов нет в ЕГЭ и базовой школьной программе, благодаря чему именно с ними возникают сложности у первокурсников. ♾️

Бонусом по желанию:
4. Курс по SQL - при помощи языка запросов SQL можно получать данные в нужном виде из базы данных. Как показывает практика, этот язык рано или поздно придётся изучать в универе как аналитикам, так и разработчикам (при этом он действительно пригодится). Язык совсем несложный и осилить его сможет даже школьник, так почему бы не заняться этим уже сейчас? 🤔

5. Курс по алгоритмам и структурам данных от Яндекса - “если не знаешь, что ботать, то ботай алгосы”. Это можно назвать основами школьного олимпиадного программирования, которое любят спрашивать на собеседованиях в тех же самых IT-компаниях. Такие задачи очень круто развивают логику и эффективное мышление при решений часто встречающихся задач в программировании. Такие задачи учатся решать даже школьники, а значит и ты с ними справишься 👌

А какие курсы первакам можешь посоветовать ты? Буду рад почитать в комментариях)

Делись постом с друзьями и сохраняй к себе, чтобы не потерять ❤️

Самое полное видео про стажировку аналитиком в Яндексе 🔝

На последнем эфире с Денисом из EDAcademy очень подробно обсудили следующие вопросы:

- что общего между разработкой и Data Science, а также чем они отличаются 🤖
- кто такой аналитик и какие задачи он решает 📊
- как проходит отбор аналитиков на стажировку в 😀
- как подготовиться к аналитическим и алгоритмическим секциям 📚
- о стажировке в крутых компаниях с точки зрения обычного и неопытного первокурсника 👶
- зачем нужны алгоритмы 🦾

Кажется, что сейчас это самое подробное и актуальное видео про стажировку аналитиком в Яндексе на данный момент, поэтому теперь часто буду отсылать людей именно на него)

Смотри тут и не забывай делиться с друзьями: https://youtu.be/NffhRNaKiw8 ❤️

1 сентября. 1 курс. Что делать?

Сегодня я впервые за долгое время пришел в университет. Вижу первачков и первокурсниц 😍, которые делают свои первые фотки в атриуме Вышки. Смотрю на это и ловлю яркие флешбеки с первого курса. Там было круто и сложно, но об этом теперь вспоминаю с теплотой)

Я искренне завидую всем первокурсникам, перед которыми сейчас открывается новый мир. А чтобы войти в этот мир с наибольшей пользой, предложу два совета:

- пообщайся и познакомься с наибольшим количеством однокурсников в ближайшее время, а потом уже выберешь, с кем дружить. Как показывает мой опыт, самые сильные и крепкие знакомства зародились в первые 3-4 месяца на первом курсе. Найти новых друзей можно и потом, но сейчас вас всех очень сильно объединяет атмосфера неопределенности, а также есть много поводов для обсуждения. Кстати, еще можно активничать в чатиках курса, ведь таких людей очень быстро и легко запоминает весь поток.

- пробуй и ошибайся. Сейчас тебе очень важно понять, что именно тебе нравится. А для того, чтобы это понять, нужно это попробовать. Так, на первом курсе я играл в футбол в университетской команде, состоял в студенческой организации факультета, волонтёрил, преподавал, ходил на посвят и другие внеучебные мероприятия, записывался на факультативы. Что-то мне очень сильно понравилось и тем самым направило меня, а что-то оказалось не по душе и я на это забил. Зато теперь я отлично понимаю, чего именно хочу и куда нужно двигаться.

А теперь скидывай фотку из своего универа/школы в комменты: давай посмотрим, сколько студентов мы соберём 🤩

Кратко об отборе на стажировку в Яндекс по аналитике

Недавно с Сашей Никитиным записали относительно короткий и при этом супер полезный видос про то, как проходит отбор на стажировку по аналитике в Яндекс. К тому же у Саши на канале есть видео про весьма необычный опыт отбора и стажировки в Тинькофф 👨‍💻

https://youtu.be/o-5CE8TdozE?si=sokrAzPeRmB73TBm

Делись постом с друзьями, ставь лайк и подписывайся на Сашу! ❤️

Я ухожу…

Неделю назад моя полугодовая стажировка закончилась, а вместе с ней - и часть моей истории с Поиском🔍
Там было нереально круто и интересно, но не было штатных позиций, на которые я бы мог выйти после стажировки (зацените футболку)

Однако теперь моя история продолжается в аналитике Лавки💙 (зацените толстовку)
Продукты Поиска и Лавки очень сильно отличаются, и к этому я пока ещё привыкаю. Но опыт всё равно очень прикольный))

Fun fact: узнал, что в соседних командах Лавки работают авторы каналов “Start Career in DS” и “ML for Value”. Так, один из них записывал видео с Валерой Бабушкиным, а второй, например, на неделе выступал на конференции по ML. Вот у кого мне стоит поучиться развивать канал 🤩

Теперь планирую записать видос по новому офису в Сити: он достаточно сильно отличается от главного офиса Яндекса. Накинь 🔥, если ждёшь)

Новый подкаст про образование и аналитику 📊

https://youtu.be/s3Dwz3qdX3c?si=suAZ4M2MZywn0gng

Поговорили с Мишей, аналитиком Тинькофф, на следующие темы:
- важно ли образование в IT?
- чем отличается бизнес-аналитик от продуктового
- как работают аналитики в Тинькофф и Яндексе
- как начать свой путь в аналитике

Мой давний друг Миша Солодовников запустил серию качественных подкастов с крутыми спикерами (не хвалюсь, я там вообще самый зелёный) про образование, анализ данных и предпринимательство 🔥

Чуть подробнее про Мишу:
- работал со мной в онлайн-школе куратором по информатике 🧑‍🎓
- поступил из региона на лучшее IT направление в России 💻
- со второго курса работает бизнес-аналитиком в Тинькофф банке 💰

Давай поддержим Мишу и подпишемся на его канал ❤️