PyMagic

👀 Как я притворилась начинающим Data Scientist без опыта и пошла искать работу

Хейтеры скажут, что сгенерировала нейросеть) Не будем их переубеждать, пусть спят спокойно 🤣

Мне стало интересно, как сейчас обстоят дела на рынке вакансий для начинающих. Я проходила это давно, но решила проверить на себе.

Сразу прошу прощения у коллег по цеху за потраченное время ❤️ Я верю, что этот ролик поддержит умных и старательных ребят, которые сомневаются в себе. Хочется вселить в них надежду и поддержать, чтобы они дошли до конца, тем самым повысить качество кандидатов при найме в компании, где мы работаем.

➡️Немного поделюсь своим опытом. Я вам открою секрет: для каждой сферы своей жизни — работы, здоровья, семьи — я прикладываю огромные усилия. Мне ВСЁ достается С ОГРОМНЫМ ТРУДОМ! Иногда хочется, чтобы хоть в чем-то улыбнулась удача, но нет — чуда не происходит. Многие из вас и представить себе не могут как это обидно! ВСЕ, что у меня сейчас есть, — результат УПОРНОГО и ДОЛГОГО труда!

➡️Ждать, что на первых шагах в профессию после 5 откликов на hh, вы пройдете 4 собеседования, и вам предложат после них 3 оффера, — наивно. Особенно если вы не можете нормально сделать пет-проект, а ведь как еще без опыта работодатель поймет на что вы способны. А таких, у кого с этим проблемы, судя по резюме кандидатов, которые мы с коллегами постоянно отсматриваем, более 90%.

🌿 Вы должны понять, что в первую очередь решают знания, знания — это сила. Если не получается долгое время, скорее всего допущены ошибки. Иногда вы все делаете правильно, но нужно подождать, перетерпеть. А иногда стоит признаться самому себе, что эта сфера и работа вам на самом деле не нужны.

https://youtu.be/WEMBiBUEZOM?si=BTDXx5VuJtUF7j8S

🔥Черная пятница. Распродажа курсов🔥

Друзья, приготовили для вас скидки на курсы PyMagic!

1️⃣Курс Natural Language Processing

➡️Скидка на сайте 40% по промокоду BLACKFRIDAY до 11 ноября
➡️Что узнаете:
- Что такое NLP? Как делать предобработку текста (токенизация, стемминг и т.д.)
- Напишите свой чат бот на регулярках и запустите его в телеграмм
- Разберете лексический анализ. WordNet, TF-IDF, LSA
- Напишите и обучите нейросеть для перевода с одного языка на другой
- Разберете огромнейшую тему Transformers в теории и на практике: BERT, ChatGPT, T5 и т.д.
- Не обойдете стороной и практику с Hugging Face
- Разберете примеры из реальной работы на Python с обучением моделей, а также как грамотно деплоить такие модели в прод

2️⃣Курс MLOps. Промышленный ML

➡️Скидка на образовательной платформе 30% по промокоду BLACKFRIDAY до 11 ноября
➡️Что узнаете:
- Паттерны ML-инференса
- Как перейти от Jupyter Notebook к промышленному коду
- Тесты для ML-моделей
- Воспроизводимость моделей и развертывание сервиса при помощи FAST API
- Airflow для обучения ML-модели при помощи пайплайна задач
- Docker Compose
- Мониторинг при помощи Grafana
- CI в GitHub Actions

3️⃣Курс Advanced MLOps. Промышленный ML

➡️Скидка на образовательной платформе 30% по промокоду BLACKFRIDAY до 11 ноября
➡️Что узнаете:
- Инфраструктура как код
- Работа с Terraform
- Основы Kubernetes для DS
- Кластер Kubernetes для REST- сервиса
- Apache Kafka
- Confluent Cloud
- CI/CD в GitHub Actions
- ArgoCD

Более подробная информация на сайте PyMagic
Мы также принимаем платежи из за рубежа 🌎

💡Идея для крутого pet-project

➡️Вы часто пишите, спрашиваете у меня, что стоит сделать в качестве пет проекта. Ловите классную идею - имплементация мл алгоритмов из научной статьи

❗️Это крутая возможность не только сделать заметный проект, но и прокачаться в более глубоком понимании алгоритмов, что очень важно в работе DS!

Единственный момент, мне не очень нравится, когда начинают писать, вот раньше трава была зеленее, а нас сейчас заставляют чуть ли не степень доктора наук получать, чтоб работать стажером… Давайте не будем преувеличивать.

➡️Я предлагаю посмотреть на подобного рода проекты с интересом: это же так круто разобраться в шестеренках сложного алгоритма, а потом получить реальный кайф от того, что у тебя получилось его реализовать!

Без минимального интереса в какой либо профессии очень сложно. Либо она для вас временная для заработка денег, либо вообще не ваша.

https://youtu.be/yvbEd1YWQ7Q?si=i-1BI_gzG-r8ifm8

❗️Друзья, у нас сразу две классные новости!

1️⃣Во-первых, мы открыли предзапись на 8-й поток нашего курса по Data Science для начинающих.

В этом году все места на тарифе Grandmaster были раскуплены, ведь именно там дополнительно к основной части мы подробно рассматриваем направления NLP и RecSys:
➖Обработка текста, регулярные выражения, tf-idf, Spell Checker, Word2Vec
➖RNN для NLP, BiLSTM, ELMo, Transformer, BERT, GPT, Transfer Learning, внедрение NLP-моделей в продакшен
➖Коллаборативная фильтрация (user/item-based), content-based подходы, гибридные модели, валидация RecSys моделей, ранжирование
➖Sequantial models (next item/basket, BERT4REC, SASREC), графовые модели, автоэнкодеры

➡️Записаться и посмотреть программу можно здесь

2️⃣Во-вторых, к нам часто обращаются с вопросом: «У меня уже есть база по Python, математике и статистике, я знаком с основными темами. Вы продаете отдельные блоки из вашего курса?»

Теперь ответ – почти да! Мы разработали отдельный курс по Data Science для аналитиков данных. Чтобы проверить, достаточно ли у вас знаний для прохождения этой программы, можно пройти тест на базовые знания

➡️Ну а если вы уверены в своих силах, то записаться и посмотреть программу можно здесь

💬Тематическое моделирование в NLP

Тематическое моделирование позволяет автоматически обнаруживать и извлекать скрытые темы в текстах. В основе его работы лежат алгоритмы, которые анализируют слова и их связи, выявляя общие темы и паттерны.

➡️ Зачем нужно тематическое моделирование?

Тематическое моделирование позволяет быстро анализировать большие объемы текста, выявляя ключевые темы без ручной классификации. Это особенно полезно для мониторинга трендов, так как помогает отслеживать изменения в общественном мнении и определять новые популярные темы в социальных сетях, новостях.

➡️ Подходы в тематическом моделировании

➖ LDA (Latent Dirichlet Allocation) — один из самых популярных алгоритмов для тематического моделирования. Он моделирует темы как распределения слов, основываясь на статистических паттернах в текстах. LDA позволяет определить, какие слова наиболее вероятно связаны с каждой темой, что делает его мощным инструментом для анализа текстов

➖ NMF (Non-Negative Matrix Factorization) — метод, который раскладывает матрицу документов с текстом на две неотрицательные матрицы. Одна матрица представляет темы, а другая — их связь со словами

➖ Word Embeddings — использование векторных представлений слов, таких как Word2Vec, GloVe, BERT и пр. Эти модели позволяют не только выявлять семантические отношения между словами, но и выполнять более глубокий анализ текстов, учитывая контекст. BERT, в частности, обеспечивает превосходные результаты в понимании сложных текстов благодаря своей способности учитывать предшествующий контекст слов. После получения эмбеддингов используют кластеризацию для разбиения документов на темы.

❗️Помимо прочего можно не останавливаться только на выбранной модели, на подборе ее гиперпараметров, а попробовать подход ансамблирования, который на практике дает результаты лучше. Например, Ensemble Latent Dirichlet Allocation (eLDA) обучает ансамбль моделей, отбрасывая не повторяются темы.

#wb_в_деле
Привет! 11 сентября прошел первый ML Meetup Wildberries. Делимся видеозаписями докладов ⬇️

⚪️«Применение ML в продуктах и внутренних процессах Wildberries», Александр Сидоров, Head of DS Wildberries
YouTube
VK

⚪️«Графовые нейронные сети в рекомендациях», Александр Тришин, Data Scientist RecSys
YouTube
VK

⚪️«Мультиязычный текстовый энкодер в похожих товарах», Георгий Соколов, Data Scientist RecSys
YouTube
VK

⚪️«Жаргон и именованные сущности в спеллчеке в Поиске», Анна Текучева, Data Scientist HML
YouTube
VK

Больше новостей о DS&ML Wildberries в канале WB Space — подписывайтесь!

Друзья, наконец подъехали видео с нашего ML митапа в wb! Там же вы сможете посмотреть и фоточки с мероприятия 🤗

Очень горжусь тем, что несмотря ни на что, мы сделали это классно!

🚀DIFF Transformer -> Новый шаг в развитии языковых моделей

Исследователи из Microsoft Research и Университета Цинхуа представили новую архитектуру — DIFF Transformer (да, опять что то новенькое!). Этот подход решает проблему "шума" в механизме внимания, что позволяет языковым моделям более эффективно фокусироваться на важных частях текста и игнорировать нерелевантную информацию.

🔍 Как это работает?
DIFF Transformer использует дифференциальный механизм внимания, который разделяет вектора запросов и ключей на два attention maps и вычисляет два отдельных "softmax". Разница (разность в формуле) между этими attention maps позволяет устранить общий шум и сосредоточиться на ключевой информации. Этот метод вдохновлён принципами из электротехники, где шум устраняют через дифференциальные усилители.

➡️ Что это даёт?
- Повышенная точность за счёт уменьшения "шума" внимания
- Улучшение стабильности и эффективности обучения благодаря использованию методов, таких как pre-RMSNorm и SwiGLU (заимствованы из LLaMA)

📄 Читать статью
💻 Код на GitHub

НЕ СТОИТ РАБОТАТЬ В ТАКОЙ КОМПАНИИ ⚠️

Какие существуют тревожные сигналы, указывающие на то, что в данной компании не стоит работать и даже не следует тратить время на собеседование?

Спойлер:
Я бы не была столь категоричной в отношении всей компании. Часто проблема касается лишь отдельных отделов или департаментов. Посмотрев на соседнюю команду в той же компании, вы можете удивиться, насколько сильно всё может отличаться 😉

https://youtu.be/F5k2rIwDw4Q?si=0unaq8qbba29TbfG

Есть ли светлое будущее у AI? 🤔

Недавно посмотрела новое видео Евгения Разинкова, где он делится своим взглядом на последние изменения в LLM, да и в целом на AI. Мне понравилось, что он предлагает взглянуть на происходящее с оптимизмом. Да-да, апокалипсис пока что откладывается! 😉

Ключевая мысль — большие языковые модели действительно меняют рынок, но это открывает перед нами новые горизонты. Пусть кажется, что все простые задачи уже решены, на самом деле впереди нас ждут более сложные и интересные вызовы, которые потребуют глубоких знаний и экспертизы.

❗️Мне понравилась его аналогия: LLM — это как электричество. Нам больше не нужно самим обучать модели с нуля, так же как и не нужно заботиться о том, как вырабатывается электричество: когда вы вставляете чайник в розетку, вы ведь не переживайте, что ой, электричество вырабатывается не вами - плюсую!!

➡️Мы просто подключаемся к готовым решениям — будь то GPT, LLaMA или любые другие модели — и начинаем использовать их для своих проектов и задач.

Подробнее в новом ролике на ютуб канале Евгений

Последние 4 места 🔥

Друзья, 23 сентября уже стартует курс по машинному обучению! Осталось очень мало мест.

➡️Тариф базовый Expert - 1 место
➡️Тариф расширенный Gramdmaster - 3 места

Во Gramdmaster ПОДРОБНО разбираем NLP и RecSys, до такой степени, что этих знаний хватит, чтобы дорасти до Senior.

❗️Важно: это авторский курс, а не массовое производство студентов с одинаковыми резюме. Программа отточена годами. Почти все наши студенты и выпускники отмечают, что на собеседованиях их уровень оценивают как Middle по ML (один из студентов, скрином выше, дополнительно к нему писал мне об этом лично).

Мы обязательно проходим:
➖всю необходимую математику для DS
➖изучаем Python
➖ML алгоритмы (а также from scratch)
➖когда и как грамотно применять ML алгоритмы
➖MLOps и с деплоем собственной модели

А если вы выбрали тариф Grandmaster, то получите углубленные знания по NLP, начиная с классических подходов и до современных трансформеров, а также знания по RecSys, включая SOTA решения — и всё это с оттачиванием на практике.

Подробнее о курсе

🏆 Российский AutoML побеждает на международной арене

Команда “LightAutoML testers” победила в международном соревновании Kaggle AutoML Grand Prix! Наши ребята: Александр Рыжков, Дмитрий Симаков, Ринчин Дамдинов и Иван Глебов с помощью решений на основе LightAutoML обошли известных конкурентов по индустрии, включая команды из Amazon и H2O!

🚀 LightAutoML - бесплатный и открытый инструмент
Ключом к успеху стала open-source библиотека LightAutoML (LAMA), которая автоматизирует построение моделей машинного обучения. Благодаря использованию библиотеки ускоряется построение моделей и, зачастую, повышается качество. Инструмент подойдет как новичкам, так и профессионалам - решение можно получить как в несколько строк, так и с полной кастомизацией.

🌍 Kaggle AutoML Grand Prix 2024
Это - онлайн соревнование, приуроченное к ежегодной международной конференции International Conference on Automated Machine Learning, которая в этом году пройдет в Париже. Соревнование проходило на Kaggle (самой масштабной мировой платформе для соревнований по анализу данных) в 5 этапов, в каждом из которых было необходимо создать качественную модель машинного обучения всего за 24 часа.

🎓 Делимся опытом
Хотите узнать секреты победителей? Запись вебинара, где команда подробно рассказала о своих решениях, уже опубликована в канале @lightautoml!

Vision-Language Models (VLM)

Визуально-языковые модели (Vision-Language Models, VLM) стали одной из самых актуальных тем в машинном обучении за последний год 🔥

Что такое VLM?

VLM — это модели, способные одновременно анализировать и понимать как текст, так и изображения. Обучаясь на огромных наборах данных, где каждое изображение сопровождается текстовым описанием, они учатся связывать визуальные и текстовые концепции. Это позволяет им решать задачи, которые раньше требовали отдельных моделей для обработки текста и изображений.


Стратегии обучения

➡️ Контрастивное обучени. Модель обучается выравнивать изображения и тексты в общем пространстве признаков, отличая похожие пары от непохожих 🐱🐶

➡️ PrefixLM. Обучение векторных представлений изображений и текста с использованием изображений в качестве префикса для языковой модели

➡️ Мультимодальное слияние (fusing) с кросс-вниманием. Интеграция визуальной информации в слои языковой модели с помощью механизма кросс-внимания

➡️ Masked Language Modeling (MLM) / Image-Text Matching (ITM). Выравнивание частей изображений с текстом с использованием методов предсказания пропущенных слов и сопоставления изображений с текстом (маскирование моделирование 🎭)

➡️ Без обучения. Использование автономных моделей для обработки изображений и текста через итеративную оптимизацию


Примеры моделей

⭐ CLIP (Contrastive Language-Image Pre-training). Модель, использующая контрастивное обучение для вычисления сходства между текстовыми и визуальными объектами через отдельные энкодеры.
⭐ LLaVA (Large Language and Vision Assistant). Мультимодальная модель, способная генерировать текст и отвечать на вопросы по изображениям.

💎 Какие темы важны при изучении Python в 2024 году?

https://youtu.be/txefpCeZItQ?si=8zBne6NoFtj6fH2F

Python на текущий момент является одним из популярных языков программирования во всем мире по версии индекса TIOBE. А на конец года запланировано больше обновление, об этом писала в этой статье!

➡️Какие темы важны при изучении данного языка? Какие библиотеки необходимо знать, если вы хотите дальше использовать Python для анализа данных и машинного обучения?

Обо всем об этом очень подробно в новом ролике. Подробный план прилагается ⬇️

🔍 Оптимизация поиска гиперпараметров: метод последовательного деления пополам

Очень много информации по GridSearch, RandomSearch и даже по другим видам поиска Optuna / HyperOpt, но вот про метод последовательного деления пополам почти ничего не встречала в массовом сегменте. Кстати, он реализован в scikit-learn и представлен в виде HalvingGridSearchCV и HalvingRandomSearchCV, разберем работу последнего.

➡️ Как работает HalvingRandomSearchCV?
1. Генерируется большой набор случайных конфигураций гиперпараметров
2. Обучение моделей на ограниченном кол-ве ресурсов (например, модели обучаются на небольшом подмножестве данных)
3. Отбрасываются N% худших моделей (N - это параметр factor)
4. Процесс повторяется со 2 шага, но уже с увеличенным кол-вом ресурсов

Этот цикл продолжается, пока не останется одна лучшая конфигурация. В реализации HalvingGridSearchCV на 1 шаге вместо случайных конфигураций, используются все.

➡️ Ключевые параметры:
- resource='n_samples' - использует размер обучающего набора как варьируемый ресурс
- factor - определяет процент отсеиваемых кандидатов (например, при factor=1.5 100 / 1.5 =~ 67% кандидатов пройдут в следующий раунд)
- n_candidates='exhaust' - автоматически выбирает количество конфигураций для максимального использования ресурсов в последнем раунде

🏃‍♀️Пример использования:

# включаем экспериментальную функцию
from sklearn.experimental import enable_halving_search_cv
from sklearn.model_selection import HalvingRandomSearchCV

hs = HalvingRandomSearchCV(
    estimator,
    param_distributions=param_grid,
    n_candidates='exhaust',
    resource='n_samples',
    factor=1.5,
    random_state=1,
    n_jobs=-1
)

hs.fit(X_train, y_train)

В нашей программе по обучению Data Science подробно разбираются методы оптимизации как классических моделей, так и нейросетевых на реальных данных.

Старт 23 сентября, осталось 11 мест, из них 5 мест в брони. Более подробная информация и программа обучения на сайте PyMagic

ИИ нас всех заменит? 🤖

Тестила сама данные кейсы, понятно, что пробелы везде и всегда можно найти, но на мой вкус, цвет и качество тот же Claude Sonet получше будет.

Хотя по бенчмаркам видим немного другую картинку)

А пока мои любимые сеньоры и сеньориты дата саентисты, можем расслабиться, восстание роботов откладывается еще на год 🤣

Ну, это уже успех: 2 из 3 сложных задач 🍓

@xor_journal

➡️ Data Science для начинающих

Уже 23 сентября у нас стартует 7-ой поток курса по Data Science.

📎Что вы изучите:
- Математику для Data Science
- Как проводить АБ-тестирование
- Классические ML-алгоритмы: от линейных моделей до бустингов
- Научитесь разбираться в ML-алгоритмах и грамотно их применять
- NLP: от TF-IDF до Transformers
- Deep Learning: основные тренды, база по нейросетям
- Computer Vision: примеры из области
- MLOps: production code, FastAPI, Streamlit, линтеры
- Дополнительно: Airflow, MLFlow, многопоточность, мультипроцессинг, временные ряды, Superset и пр.

❗️В новом потоке мы добавили еще 2 расширенных блока: NLP и рекомендательные системы. Темы в этих блоках позволят вам открыть для себя больше вакансий для начинающих, а также быстро вырасти до Middle позиции, так как материал в них разобран подробно и на высоком уровне!

❗️Осталось всего 14 мест.

https://pymagic.ru/data-science

Приглашаем вас на независимую конференцию AiConf 2024, которая пройдет 26 и 27 сентября в Москве! Это крупнейшее офлайн-событие для data science, ML инженеров.

Это не просто конференция, а площадка для обмена опытом, общения и профессионального роста.

Среди тем конференции:
- Работа со звуком
- Компьютерное зрение и генерация изображений
- Обработка естественного языка
- Рекомендательные системы и поиск
- Умные механизмы
- Разработка агентов
- Дискуссии на тему "ML будущего"
- Оптимизация использования железа

На AiConf 2024 вас ждут:

— Более 700 участников.
— Интерактивные стенды, где можно пообщаться со специалистами и узнать о новейших продуктах.
— Только хардовые доклады от лидеров рынка ИТ, а также из реального сектора экономики.
— Рассказы о кейсах и технологиях, которые можно сразу применить в своих проектах. Всё свежее, из первых рук.
— Неформальное общение на afterparty, мерч, активности и угощения!

Узнать больше о программе и купить билеты можно на сайте

С промокодом: "pymagic" - скидка 7% на все категории билетов.

До встречи на AiConf 2024!

Мой рабочий день 3 сентября 🗓️🍁

Один из популярнейших вопросов еще во времена использования запрещеннограмма был: "Какие таблетки я принимаю, чтобы оставаться продуктивной?" 🤪

Давайте познакомимся. Я работаю в Wildberries руководителем центра компетенций по ML. У меня своя школа, где мы обучаем Data Science, NLP, MLOps и другим темам, связанным с данными. Также веду YouTube канал и другие соцсети. Помимо работы, я счастливая жена, у которой есть и обязанности по дому 😉

После этого ролика вы узнаете, как проходит мой рабочий день сейчас и как он проходил раньше, когда я работала Data Scientist. Вы сможете почерпнуть лайфхаки, как все успевать (хотя это скорее антиутопия), и что для этого нужно делать.

Для этого не обязательно закидываться препаратами, а нужно постараться выстроить грамотно свой график👌

https://youtu.be/L2ecNNIb03U?si=er0ffsk_7irduNxU

PyMagic pinned «✉️ Старт 7го потока курса по Data Science для начинающих Друзья, напоминаю, что уже менее чем через 3 недели стартует наш новый поток. На этот раз мы добавили расширенный тариф Grandmaster 🤴 Чему вы научитесь: ➖Программировать на Python и писать сложные…»

✉️ Старт 7го потока курса по Data Science для начинающих

Друзья, напоминаю, что уже менее чем через 3 недели стартует наш новый поток. На этот раз мы добавили расширенный тариф Grandmaster 🤴

Чему вы научитесь:
➖Программировать на Python и писать сложные запросы на SQL
➖Освоите необходимую математику для Data Science
➖Научитесь проводить А/Б тестирование, будете понимать, когда какой критерий применять
➖Изучите методы машинного обучения и тюнинг моделей
➖Научитесь писать production-код и создавать сервисы (MLOps)
➖Погрузитесь в Deep Learning и освоите основы работы с нейросетями
➖Узнаете, как побеждать в соревнованиях на Kaggle

В новом тарифе представлена расширенная программа по NLP, включающая:
➖Предобработка текста: токенизация, стемминг, лемматизация, TF-IDF, регулярные выражения
➖Языковое моделирование: Word2vec, LSTM, механизмы внимания, BERT, GPT

Также добавлена расширенная программа по рекомендательным системам, включающая:
➖Классические модели: коллаборативная фильтрация, контентные и гибридные системы
➖Оценка и валидация рекомендаций
➖Последовательные рекомендации, автоэнкодеры, графовые модели

Дополнительно доступны материалы:
➖Временные ряды
➖Асинхронность, многопоточность и мультипроцессинг
➖Парсинг данных
➖MLFlow, Airflow, Tableau, Git, Superset
➖Примеры реальных проектов в Computer Vision

Ух как много всего! Более подробная программа, цены с типами оплаты

➡️ Старт 7-го потока 23 сентября! Записаться и узнать больше можно на сайте PyMagic

ML-митап 🎉

Друзья, приглашаю вас 11 сентября на наш первый оффлайн ML-митап Wildberries! Мы поделимся опытом применения машинного обучения в наших продуктах и процессах.

🛒 Wildberries - это миллионы пользователей, товаров и миллиарды запросов ежедневно. Мы расскажем, как устроены рекомендации и поиск изнутри.

На митапе выступят:
➡️Саша Сидоров, Head of Data Science. Поделится тем, как применяется DS/ML в бизнесе Wildberries, расскажет про используемые модели, технологии и инфраструктуру

➡️Александр Тришин, Data Scientist в команде персональных рекомендаций. Расскажет про сверточные графовые сети и архитектуру LightGCN

➡️Георгий Соколов, Data Scientist в команде товарных рекомендаций. Поделится опытом обучения представлений для поиска похожих товаров

➡️Анна Текучева, Data Scientist в Горизонтальном ML (команда NLP\RecSys). Расскажет про выделение и исправление именованных сущностей для поиска

Ну и конечно же я там тоже буду! Можно будет лично со мной пообщаться, задать вопросы! Очень всех жду, приходите! 💗

Зарегистрироваться можно тут
Подробности в канале WB Space

🔬Пошаговый план обучения ML

Пока кипишь с Павлом Дуровым чуть поутих, ждём новостей 👮‍♂️предлагаю посвятить время полезному образовательному контенту.

📌 Инвестиции в ваше развитие, образование - это прочный фундамент и основа вашего настоящего и будущего. Они позволяют вам не сильно переживать о том, что происходит в мире, а надеяться на себя и свои силы 👌

➡️Я не раз уже на канале выпускала видео с пошаговым планом обучения Data Science с нуля. Но мир меняется, требования меняются, что то остаётся неизменным (база), поэтому, решила обновить материал по данной теме 😉

➡️В видео рассмотрены не только темы по DS, но и затронуты важные моменты по поводу pet-проектов. Постаралась дать конкретные рекомендации по ним, которые используем и у себя в школе.

🦜 Конечно же куча полезных бесплатных материалов, где вы сможете изучить данную область самостоятельно, в этот перечень вошли полезные каналы, а также ресурсы от комьюнити ODS.

https://youtu.be/bo_w0c3dKeI?si=OwKjuj-nRrt3FJgB