Data Science Guy @datascienceguy Channel on Telegram

Data Science Guy

@datascienceguy


Канал проекта Data Science Guy на ютубе.

https://www.youtube.com/c/DataScienceGuy


Есть вопросы по обучению Data science и ML? Пишем в чат - https://t.me/dsguy_chat

Data Science Guy (Russian)

Data Science Guy - это увлекательный проект на YouTube, посвященный Data Science и машинному обучению. Канал представляет широкий спектр видеоконтента, начиная от базовых концепций и обучающих уроков до продвинутых тем и кейсов из реальной практики. Если вас интересует мир данных, и вы хотите развивать свои навыки в области Data Science, этот канал - для вас. Вы найдете здесь полезные советы, инструкции, аналитику и многое другое. Углубляйтесь в увлекательные темы анализа данных вместе с Data Science Guy! Присоединяйтесь к нам на YouTube: https://www.youtube.com/c/DataScienceGuy и общайтесь в чате, чтобы задавать вопросы и делиться опытом с единомышленниками: https://t.me/dsguy_chat

Data Science Guy

01 Oct, 15:41


Новый сезон подкаста Собес вышел!
Напомню, что весь сезон — это мок-интервью с реальными рекрутерами из международных компаний!

Сегодня — первый эпизод, все следующие будут выходить по вторникам.

Фронтендер Никита проходит собес, а потом мы с рекрутером Маргаритой (из американского единорога) даём ему честный фидбек. Тот самый, который вы никогда не услышите от работодателя :)

👉Слушайте на всех платформах

Data Science Guy

29 Aug, 18:25


⭐️ Поведенческое интервью ⭐️

Или как его еще называют cultural fit, behavioral interview.

На самом деле считается чуть ли не самым важным этапом во всем процессе собеседования. Даже если вы отличный специалист, вас могут не взять на работу, если вам будет сложно работать в команде из-за несоответствия общему «вайбу» компании.💃

Конечно, ваше поведение, характер и манера общения (одним словом soft skills) оцениваются и на других этапах, особенно на самом первом (HR-скрининг). Однако на этапе поведенческого интервью вам будут задавать вопросы, которые помогут выявить, как вы действуете в реальных рабочих ситуациях.

Я ниже приведу список вопросов которые мне задавали.
Настоятельно рекомендую подготовить ответы на эти вопросы, выучить их так чтобы вы могли четко и правильно отвечать на собеседовании. А еще лучше пройти пару мок собесов (например с другом/коллегой) где вы потренируетесь в ответах на них.

Так же очень важно говорить “Я”, вместо “Мы”. 😎

Если потребуется, можно будет более подробно разобрать каждый вопрос в последующих постах, а пока тезисно:

1. Расскажите о себе. Подразумевается история о вашем профессиональном пути. Не стоит начинать с того, где вы родились, чем увлекались в школе и когда был первый поцелуй.
2. Расскажите про ваш любимый проект, которым вы гордитесь.
3. Расскажите о проекте, в котором вы столкнулись с какими-то трудностями. Какие это были трудности? Как вы их преодолели?
4. Расскажите о случае, когда вы допустили ошибку на работе. Чем дело закончилось?😤
(В идеале ваш ответ на вопрос 3 и 4 должен быть о том, что вы преодолели все трудности, научились чему-то новому и стали лучшей версией себя после этого случая).
5. Расскажите о случае, когда возник конфликт или спор с коллегами. Из-за чего он возник и как разрешился?😡
6. Какой из ваших проектов принес максимальный вклад в бизнес (например, увеличил продажи или что-то подобное)?📈
7. Почему вы уходите с текущего места работы?😡
8. Какие задачи вы бы хотели/не хотели выполнять на работе?
9. Что вас мотивирует?🤔
10. Как вы думаете, какие ваши профессиональные навыки были бы максимально полезны на текущей позиции? Что вы можете bring to the table?
11. Опишите случай, когда вам пришлось учить что-то новое для выполнения задачи. Как вы подходили к обучению, где искали информацию.
12. Опишите ситуацию, когда вам пришлось сотрудничать с людьми из разных отделов или с разными точками зрения. Как вы обеспечили успешное сотрудничество?
13. Как вы поступаете, когда понимаете, что не успеваете выполнить задачу в срок? Что вы делаете в таких ситуациях? 🤦‍♀️

Вроде как уже не спрашивают про ваши слабости, кем вы видите себя через 5 лет и прочие "мемные" вопросы, но я бы к ним тоже подготовился на всякий)))

Будем разбирать каждый вопрос отдельно? Ставьте 👍, если да

#interview_questions

Data Science Guy

22 Jul, 15:00


Как пикапят дата саентисты:

Data Science Guy

18 Jul, 09:49


Ого, это что, литкод для MLщиков?

https://www.deep-ml.com/

Data Science Guy

14 Jul, 16:09


Прикольная библиотечка для оживления портретов. Последний раз тестил что то подобное несколько лет назад, и было скорее кринжово, а щас прям даже неплохо)

Повторяет чисто мимику, но если достаточно хорошо артикулировать а потом подставить аудио с исходного видоса, то можно даже делать видео с говорящей головой)
Сам аватар тоже сгенеренный по моей фотке через диффузионку.

Попробовать либу по оживлению можно тут: https://huggingface.co/spaces/KwaiVGI/LivePortrait

Data Science Guy

06 Jul, 10:41


Наткнулся на интересную статейку:
https://www.researchgate.net/publication/381047082_Off-camera_gaze_decreases_evaluation_scores_in_a_simulated_online_job_interview

В ней исследовали вопрос важности направления взгляда в онлайн собедованиях. Последнее время очень много собеседований проходит именно в формате видео звонка, но из-за несовпадения расположения камеры и экрана на устройствах, таких как смартфоны и ноутбуки, люди в основном смотрят на экран (на своего собеседника). А чтобы была имитация прямого взгляда глаза в глаза, нужно смотреть прям в камеру, при но этом вы не можете видеть своего собеседника.

В исследовании 12 студентов проходили онлайн-собеседование, состоящее из двух записей: в одной они смотрели прямо в камеру, а в другой - на экран. На основе этих записей сымитировали три типа поведения: с прямым взглядом на камеру, со взглядом, отклоненным вниз, и только с голосом без видео. Затем 38 экспертов оценивали эти записи.

Результаты показали, что записи с взглядом не в камеру получали менее благоприятные оценки по сравнению с записями с прямым взглядом и записями только с голосом. Также обнаружился возможный гендерный уклон: женщины-оценщики были строже в своих оценках отклоненного взгляда, чем мужчины, и разница в оценках между записями была больше для женщин-участниц, чем для мужчин.

⭐️ В общем ТЛДР: Когда собеседуетесь онлайн, особенно на этапах скрининга и поведенческих (behavioral), выгоднее смотреть прямо в камеру (ну или на лампочку на вебкамере). Если есть возможность еще больше расположить к себе нанимающих, почему бы не воспользоваться?

Так же не стоит забывать про эффект ореола.
Это когнитивное искажение, когда общее впечатление о человеке может строиться на восприятии его частных особенностей. Например впечатление, что у людей с привлекательной внешностью большие умственные способности. Так что перед собесом стоит причесаться хотя бы 😀

Data Science Guy

27 Jun, 08:27


В последнее время я довольно часто хожу на собеседования.

Каждая первая, плюс-минус крупная компания (MAANG, Сбер, Т-банк, Яндекс и тд), имеет хотя бы один этап, содержащий алгоритмические задачи (в простонародье - литкод или алгосы). Этот этап по праву считается самым нелюбимым у кандидатов, но в то же время он, на мой взгляд, самый простой и понятный по процессу подготовки к нему. Как писал Yorko на своем канале, сейчас чаще спрашивают только easy задачи и редко middle. Регулярно решая задачи, постепенно начинаешь понимать закономерности, и становится легче. Количество решенных задач фиксируется в статистике сайта, и появляется ясное понимание прогресса подготовки. В отличие от той же теории МЛ, где читаешь и пытаешься вспомнить все подряд, от чего в голове может начаться каша.

Хочу поделиться с вами, как готовиться к этим алгоритмам.

Как в целом подходить к этим задачам:

1. Сначала внимательно прочитайте условие, попытайтесь понять, что от вас хотят и в каком виде.
2. Затем попытайтесь решить задачу самостоятельно. Всегда стоит начать с самого простого метода — перебора, пусть даже это будут 4 вложенных цикла.
3. Затем попытайтесь сделать что-то более оптимальное. Подумайте, какие структуры данных или алгоритмы можно применить к этой задаче.
4. На этом этапе уже можно найти и посмотреть видео с разбором решения. Как только там объяснили алгоритм на словах/картинках, попытайтесь снова зайти в редактор и реализовать то, что вам объяснили словами. Если совсем не получается, досмотрите видео и по памяти реализуйте только что увиденный код.

Ресурсы:

1. Как ни странно — LeetCode. Заходите в планы обучения — Study Plan, выбирайте тот, который нравится, и вперёд.
2. Также очень хорош NeetCode и его roadmap.
3. Мне нравятся стримы, где люди решают задачи в режиме онлайн. Можно наблюдать, как они думают и какие ошибки делают. Вот хороший пример такого видео: https://www.youtube.com/watch?v=Pp84Sv041xA (Глеб привет!)

upd: Еще хороший пост про с материалам про алгосы от @asisakov - https://t.me/asisakov_channel/141

Понимаю, что это далеко неисчерпывающий список, а если вы еще и не торопитесь и у вас есть несколько месяцев на подготовку, можно найти какой нибудь курс по алгоритмам (например лекции Хирьянова Т. на ютубе или купить на том же литкоде) чтобы более систематично и последовательно все это изучить, а не прыгать в омут с головой.
И помните, не везде просят алгосы на собеседованиях, но если вы не хотите отбрасывать все компании, где их все же просят, то придется заморочиться…

Data Science Guy

23 Feb, 11:25


В честь дня защитника отечества, предлагаю вам почитать статьи про безопасность алгоритмов машинного обучения и как защититься от так называемых "адверсариал атак"

Виды: https://habr.com/ru/company/dsec/blog/437092/
Защита: https://habr.com/ru/company/dsec/blog/438644/

Data Science Guy

22 Feb, 12:27


#промо

На курсе «Инженер данных» мы учим проектировать хранилища и пайплайны данных, а ещё — помогаем сменить профессию.

→ Приходите учиться, если вы хотите развить свои компетенции или перейти на должность Data Engineer. Курс подойдет разработчикам, аналитикам и специалистам по Data Science, начинающим инженерам данных.
Выпускники смогут работать с полным циклом данных и использовать нужные инструменты, создавая пайплайны.
В Практикуме мы обучаем в уникальной образовательной среде, которая объединяет технологии и людей. Вот, что будет на учёбе:
⬛️Теория в интерактивном тренажёре, который доступен 24/7.
⬛️Упражнения на написание кода с быстрой обратной связью.
⬛️ Обучение на реальных рабочих задачах из исследования JMF и на командных проектах.
⬛️ Код-ревью и персональные советы от действующих инженеров данных.
⬛️ Чат с преподавателями в слаке, где можно задать вопрос по сложной теме.
⬛️ Вебинары и продакшн-опыт от экспертов в инженерии данных.
⬛️ Кураторы, команда поддержки и дедлайны, которые не дадут прокрастинировать.

Мы помогаем выпускникам сменить работу, если они этого хотят. 71,1% наших выпускников начинают карьеру в новой сфере.
После курса в вашем арсенале будут: резюме, сопроводительное письмо, портфолио, пробное интервью, практика по нетворкингу с работодателями.

→ Старт потока — 21 марта. Учёба длится шесть с половиной месяцев.
→ Спроектируйте свой первый процесс обработки данных с помощью Python — это бесплатно.

Data Science Guy

17 Feb, 14:25


Уже рассказывал про полезный ресурс по ML от Школы анализа данных Яндекса. Но пора про него напомнить, так как авторы выпустили новые главы.

В учебнике по машинному обучению появились разделы про базовые архитектуры нейросетей и их обучение. Приятный бонус — отдельные темы с объяснением математики ML: матричное дифференцирование и bias-variance decomposition. В общем, мощный старт для тех, кто хочет познакомиться с deep learning.

Создатели продолжают обновлять материалы, поэтому начинайте изучать пособие сейчас, чтобы успевать за выходом свежих частей. Следующие на очереди — главы про вероятностный подход к ML и решение сложных задач Data Science.

Мотайте на ус, кто хочет ворваться в машинное обучение: https://clck.ru/bftFY

Data Science Guy

14 Feb, 11:28


Прикольные дата саенс валентинки 🥰

Data Science Guy

11 Feb, 06:32


Пятничный мем

Data Science Guy

03 Feb, 11:43


Неплохой повод сделать какой нибудь пет проект для своего портфолио)

Data Science Guy

03 Feb, 11:43


Pet Project Hackathon 🦜🐈

Формат хакатона:
2-х недельный с checkpoint-ом посередине

Старт в субботу 5-го февраля
Завершение в воскресенье 20-го февраля
Checkpoint в субботу 12-го февраля

Подробное описание и регистрация проектов и участников: https://ods.ai/competitions/pet_projects_wh2022

Data Science Guy

30 Jan, 11:26


#промо

Хотите начать карьеру в «билайн»? Тогда регистрируйтесь на бесплатную образовательную программу от экспертов компании в онлайн-формате. На программу приглашаются граждане РФ старше 18 лет с начальными знаниями SQL и навыками работы с данными в табличной форме.

На программе вас ждут:
— Оплата на этапе обучения. При успешном обучении вы будете получать стипендию.
— Предложение о работе. Лучшие интерны получат шанс попасть в команду «билайн».
— Удобный формат. Школа Инженерии Данных — это бесплатная образовательная программа в онлайн-формате из восьми модулей с теоретической и практической частью от лучших экспертов — похожие программы стоят сотни тысяч.
— Реальные проекты компании. Вместе с экспертами и наставниками вы погрузитесь в задачи инженера данных и закрепите полученные знания на практике.

Регистрируйтесь до 15 февраля включительно: https://clc.to/VXVBLQ

Data Science Guy

29 Jan, 15:39


Ловите еще полезный курсик, в этот раз по ML OPS
https://skaftenicki.github.io/dtu_mlops/
Думаю сам его тоже по прохожу на досуге.