База, которую нужно помнить всегда.
Работаешь над новым проектом и не знаешь, куда идти — задай вопрос.
Не знаешь в какую БД нужно сходить за данным, так как только пришел — задай вопрос.
Хочешь узнать новое у коллег — задай вопрос.
Прослушал суть задачи, но хочешь понять, как ее делать — задай вопрос.
Сидишь на встрече с бизнесом и не понял зачем мы реализуем определенный проект — задай вопрос.
Вопросы — это всегда плюс, но важно сохранять баланс. Если ими злоупотреблять, можно легко перейти грань от интереса к перекладыванию ответственности.
Встречал в жизни людей, которые задавали целый блок вопросов. И не один раз, а регулярно. Это были одни и те же вопросы, на которые у меня уже были готовые ссылки на документацию. Не могу сказать об их намерениях. Возможно, у них были свои причины, а может они просто перекладывали ответственность👀
Но выглядело это именно так: я каждый раз повторял одно и то же, вместо того чтобы они попробовал разобраться сами в определенном домене.
1. Если нужно сделать задачу А — идём в систему Х (уже спросили у коллег, зафиксировали)
2. Проверяем данные через сервис Y,
3. На выходе ожидаем такой-то результат.
Так появляется готовый чек-лист действий, и коллегам не приходится каждый раз объяснять одно и то же.
Если ты задаешь вопросы — это значит, что ты интересуешься (та же тема работает и на различных докладах, выступлениях). Если люди задают вопрос, они показывают свою заинтересованность, а это важно, в том числе для спикера.
Любой адекватный человек не отреагирует негативно на твой вопрос, поэтому не стоит бояться того, что о тебе могут подумать как-то не так.
Тебе платят за то, чтобы ты делал работу эффективно — и вопросы тут твой инструмент
Иногда один правильно заданный вопрос экономит часы или даже дни работы☕️
Ставьте
Please open Telegram to view this post
VIEW IN TELEGRAM
🐳44🔥9
Forwarded from Data Science Memes
Please open Telegram to view this post
VIEW IN TELEGRAM
😁56
This media is not supported in your browser
VIEW IN TELEGRAM
Здесь указан переход от классической теоремы к задаче машинного обучения на примере датасета со спамом. Дополнительно приведен пример для непрерывных случайных величин и описаны базовые предположения для использования метода.
1. Ссылка на статью.
2. Датасет, с которым работал.
3. Код в Google Colab.
Первый раз писал тут, делюсь болью:
1. Столкнулся с тем, что при написании текста, страничка залагала, а при обновлении не сохранился кеш + нет автосохранения. После каждого написания текста советую нажимать "сохранить".
2. Нет конвертации в LaTeX. Поэтому пришлось писать формулы, конвертировать их в .svg, заливать в GitHub и по ссылке прикреплять в текст, вот такой замечательный пайплайн.
3. Периодически картинки не отображаются (хотя ведет на доступные ссылки) в моем GitHub.
Всем приятного чтива, а я пошел писать следующий пост!
Следующие посты будем разбирать математику, которая есть в A/B тестах или в ML. На примете разбор логистической регрессии.
@zasql_python
Please open Telegram to view this post
VIEW IN TELEGRAM
🐳54🔥8
90% задач аналитик решает в SQL. Но остаются те самые 10%, где без Python никак
Я собрал Google Colab, где в одном месте покрыта большая часть методов (практические все), которые реально нужны аналитику: от базовых конструкций (строки, списки, словари) до pandas/numpy, работы с API, визуализации, Spark и Airflow и др.
Ставьте
Please open Telegram to view this post
VIEW IN TELEGRAM
1🐳161
Опыт? Да где взять этот ваш опыт?
Часто вижу один и тот же запрос от джунов:
«Я вроде знаю SQL и Python, но работодатели спрашивают опыт. Где его взять, если пока никуда не берут?»
На пет-проектах далеко не уедешь — HR и тимлиды обычно смотрят на реальные кейсы, а не на «табличку в Excel».
Недавно наткнулся на курс-симулятор «Аналитик данных» от Simulative.
Там как раз закрывают эту боль: вместо учебных задач дают 25+ реальных бизнес-кейсов.
В итоге к концу программы у тебя портфолио проектов, которое можно показывать на собесе.
Что внутри:
И для выпускников есть бонус — шанс получить оффер после обучения.
По сути, курс решает самую больную задачу старта в аналитике: как показать опыт, если его ещё нет. При этом дает мощные знания как для тех кто только вкатывается, так и для тех кто уже работает, но хочет роста.
🔗 Записывайтесь и получайте скидку 25% на курс Аналитик данных по ссылке: simulative.ru/data-analyst
А вы где брали первые кейсы для портфолио?
Пет-проекты, стажировки, фриланс или сразу рабочие задачи?
Ставьте 🐳, если тема актуальна, и пишите свой опыт в комменты.
#карьера #analytics
Часто вижу один и тот же запрос от джунов:
«Я вроде знаю SQL и Python, но работодатели спрашивают опыт. Где его взять, если пока никуда не берут?»
На пет-проектах далеко не уедешь — HR и тимлиды обычно смотрят на реальные кейсы, а не на «табличку в Excel».
Недавно наткнулся на курс-симулятор «Аналитик данных» от Simulative.
Там как раз закрывают эту боль: вместо учебных задач дают 25+ реальных бизнес-кейсов.
В итоге к концу программы у тебя портфолио проектов, которое можно показывать на собесе.
Что внутри:
— SQL, Python, BI-системы
— метрики, статистика, работа с продуктом
— дипломка и проверка заданий от менторов (не авто-проверка).
И для выпускников есть бонус — шанс получить оффер после обучения.
По сути, курс решает самую больную задачу старта в аналитике: как показать опыт, если его ещё нет. При этом дает мощные знания как для тех кто только вкатывается, так и для тех кто уже работает, но хочет роста.
🔗 Записывайтесь и получайте скидку 25% на курс Аналитик данных по ссылке: simulative.ru/data-analyst
А вы где брали первые кейсы для портфолио?
Пет-проекты, стажировки, фриланс или сразу рабочие задачи?
Ставьте 🐳, если тема актуальна, и пишите свой опыт в комменты.
#карьера #analytics
🤣20🍓3💊3🔥2❤🔥1🐳1💯1🤝1💅1