☕️ SCARF — фреймворк, который поможет новому руководителю меньше нервничать

Допустим, вы поменяли работу: перешли в другую компанию на руководящую должность или получили новую роль на старом месте. Теперь у вас в подчинении команда со своей историей. У каждого своя жизнь, свои переживания, задачи и вопросы. Одни присматриваются к вам с любопытством, другие — со скепсисом, и все ждут от вас действий. Раньше на вопрос «Что делать?» вам помогал ответить руководитель, а теперь решения должны принимать вы.

При этом любые изменения будут приносить стресс как вам, так и команде. Вопрос в том, как минимизировать количество этого стресса. Сделать это можно с помощью фреймворка SCARF. Он позволит оценить, как ваши решения влияют на пять ключевых социальных аспектов в команде: статус, ясность, автономность, принадлежность и честность.

👳‍♂️ Подробности — в карточках.

➡️ Про этот и два других фреймворка управления командами рассказал Иван Пузыревский, СТО Yandex Cloud, на конференции Dream → Teamlead.

📺 Запись выступления можно посмотреть на ютубе и в VK Видео.

Подписывайтесь:
💬 @Yandex4Teamleads

❗️ Анатомия лжи на собеседованиях

Говорят, что врать не хорошо, но я твердо убеждена (жизненный жопыт знаете ли), что иногда НУЖНО, особенно на собесах.
Конечно, еще все зависит от того, в какой позиции находишься: в слабой или сильной.

Кто точно в слабой позиции?
- джуны с маленьким опытом работы
- кого сократили
- у кого маленькая зарплата и он ищет как ее апнуть
- тот, кто хочет прокачаться в чем-то

То есть любая нужда (опыт/деньги/ипотека и тд), которая толкает на поиск работы, приводит тебя в слабую позицию.
В противном случае, поздравляю, ты выиграл эту жизнь и можешь позволить себе не прогибаться под изменчивый мир и врать нет смысла, потому что ты хочешь реально найти место по душе.

Основная же задача человека в слабой позиции - устроиться на приемлемую работу.
В совсем редфлажные компании, конечно, не стоит идти, но есть средние компании и задачи, с которыми вполне справлялся бы, но можешь получить реджект по всякой ерунде.
И вот чтобы избежать этого, нужно врать, но врать правильно.

Вообще, есть два стула места, где ты можешь соврать:
1) в своем опыте
2) в своей мотивации

Еще нужно учитывать в какой момент происходит вранье (разница в степени наглости вранья):
1) на этапе созвона с рекрутером
2) на техническом/поведенческом этапе
3) выкатка оффера (но эта тема для отдельного поста, сконцентируемся на первых двух)

На этапе созвона с рекрутером:
Цель простая - сконвертироваться в техническое собеседование и тут все средства хороши.

✅На все пункты по стеку говорим уверенное да, 100500/10, профи, гранд-мастер и тд.
Нет опыта работы с Tableau? Пофиг, говори, что есть, просто перед выходом на работу разберешься.
Раньше действовало негласное правило, что если твое резюме на 60-70% совпадает с описанием вакансии, то все ок, тебя все равно рассмотрят.
Сейчас оно больше не работает.
Должен быть 100% мэтч, если не хочешь услышать «ой, а мы ищем спеца с Tableau, другие биайки нам не подходят».
И ты ж не докажешь этому рекрутеру, что его Tableau изучается за 2 недели спокойно.

✅Это именно ТЫ инициировал какое-то новшество, это именно ТЫ переделал процесс и тд и тп.
✅Говорим только хорошее о своих прошлых работодателях

На техническом этапе:

✅Отвечай за все, что ты написал в резюме. И в особенности за цифры.
Да, они обязательно должны быть в CV, если их якобы нет (хотя в реальности это точно не так), то грамотно натяни сову на глобус и будь готов ответить за каждую фразу в резюме.

✅Не давай характеристику своим навыкам/опыту!
Четко и уверенно говорим: да, работал с инструментом/проводил эксперименты и тд.
Без всяких «небольшой/мало/редко» и тд.
Это работа нанимающего проверить твой уровень знаний на собесе.

✅Не говори про негативные моменты в работе.
Если ты скажешь, что ненавидишь говнопроцессы (а в каждой 1ой компании именно они родимые), то ты сразу получишь минус.

Отдельно вынесу пункт про мотивацию.
Про это у тебя будут спрашивать на всех этапах.
Мой совет: НИКОГДА НЕ ГОВОРИ О СВОИХ ИСТИННЫХ НАМЕРЕНИЯХ.
Лучше отвечай общей фразой «про новые возможности/проекты и мырмырмыр».
Не говори, что хочешь в чем-то прокачаться на новом месте, ну, например в а/б тестах или получить больше опыта в e-comm сфере.
Тогда у нанимающих сразу две опции:
- отказать, потому что у тебя мало опыта в проведении тестов (хотя на собесе ты все четко ответил и знаешь процесс от и до)
- отказать, потому что у компании нет таких задач и они за вас решили, что вам будет скучно у них
Вспоминаем, что находимся в слабой позиции и как бы хочется все же получить эту работу, а уже потом на месте разобраться нравится/не нравится.

А еще, если нанимающий и рекрутер заливают вам в уши, что их компания рада предоставить возможность прокачаться в чем-то, то не верьте, это уже ложь с их стороны.
99% компаний хотят готового специалиста, никакого поля для развития большинство из них не предоставляет.

Вот такая анатомия.

А что бы вы добавили/убрали из советов?

Привет, друзья!

Сегодня поговорим про Numba - инструмент, который превращает обычный Python-код в "почти C" по скорости🏃‍♂️

Numba - это JIT-компилятор (Just-In-Time) для Python. Если вкратце, то он анализирует функции и компилирует их в машинный код прямо во время исполнения. То есть, вместо интерпретируемого Python код исполняется как скомпилированный.

Воспользоваться возможностями Numba крайне легко - нужно просто добавить декоратор @njit к функции, и всё! 🧑‍💻

@njit
def sigmoid_numba(x):
    return 1 / (1 + np.exp(-x))

Но пара нюансов всё же есть:
➡️ Во-первых, не все операции могут быть ускорены таким способом. Общий рецепт таков: "чем проще и численно интенсивнее функция, тем лучше". Вот несколько типичных примеров, которые хороши для Numba:
1. численные циклы (циклы for, while)
2. операции с массивами numpy
3. алгоритмы оптимизации, матричные вычисления
4. генерация чисел и математические функции (sin, exp, sqrt, и т.д.)
5. фильтрация, агрегация и другие различные манипуляции над массивами
6. простые симуляции (например, метод Монте-Карло)

➡️ А во-вторых, при первом запуске функция с Numba может работать даже медленнее обычной Python-версии🙂 Всё потому, что в первый раз Numba не просто выполняет код, а сначала компилирует его в машинный код - и это занимает время. Но уже со второго вызова скомпилированный вариант готов и работает в разы быстрее, как настоящий нативный код.

А насколько быстрым получается код с добавлением Numba - смотрите на скринах:) Замеры проведены на втором запуске😉

Документация библиотеки +:
➡️ с список Python-операций, которые могут быть ускорены
➡️ с аналогичный список для Numpy-функций

Хорошей недели и гармоничных распределений! ☀️

#python@data_easy

Привет, друзья!
В DS-задачах часто важно не только получить точное предсказание модели, но и понять, как именно каждый признак влияет на результат. А простые встроенные методы оценки feature importance часто показывают лишь общее влияние, не раскрывая деталей и взаимодействий между признаками 🤷‍♀️

Зато есть мощная библиотека SHAP - она позволяет объяснять предсказания любой классической модели, давая детальные и справедливые оценки вклада каждого признака в конкретное предсказание. SHAP-значения основаны на теории игр и помогают понять не только важность, но и направление влияния признаков (подробнее про них тут и в colab😉).

В карточках листайте примеры основных возможностей SHAP, а в уже упомянутом ноутбуке - какими командами всё это построить на питоне 🐍

🔗 Ещё полезные ссылки для изучения SHAP:
- Официальная документация
- Репозиторий на GitHub
- Статья с обзором и более глубокой теорией

Откройте черный ящик моделей 😁

#classic_ml@data_easy