10 вопросов, которые волнуют новичков в IT
Отвечает Дмитрий Казаков — преподаватель karpov.соurses на курсах Hard Аналитика данных и Аналитик данных, Chief Analytics Officer in Kolesa Group.

Какие навыки важно прокачать в начале карьеры?
В первую очередь нужны технические скиллы. Первые 6–12 месяцев сосредоточьтесь на них: SQL и работа с базами данных, python и основы программирования? cтатистика и теория вероятностей, основы работы с BI-инструментами.
Со временем вы поймете, что soft skills помогают двигаться быстрее — от Junior+ и выше. Вот что пригодится: понимание бизнеса, продуктовое мышление, проактивность, критическое и системное мышление.

Какую ошибку новички совершают чаще всего?
Когда игнорируют бизнес-цели задачи. Многие сосредотачиваются на техническом решении, а оно в итоге не приносит пользы. Если повторять эту ошибку из задачи в задачу, будете просто выгружать таблички по запросу и сильно разочаруетесь в профессии.

Что поможет найти первую работу?
— Хорошие курсы, которые дадут базовые знания, и проекты для портфолио;
— Стажировки в компаниях, где можно получить реальный опыт;
— Pet-проекты, которые покажут вашу инициативность и позволят выделиться на собеседовании. Главное, научиться хорошо рассказывать про них на собеседовании.

Как не растерять мотивацию в процессе обучения?
Не стоит сразу нырять в сложные темы. Важно постепенно увеличивать уровень сложности задач и инструментов. Например:
— Сегментация. Сначала изучить RFM-анализ, понять его бизнес-ценность, а затем переходить к ML-методам сегментации.
— Эксперименты. Нет особой необходимости сразу пробовать ускорение или последовательное тестирование, если вы не разобрались и не пробовали простые t-test.

Какие знания из других сфер помогли вам в IT?
Опыт работы в консалтинге и маркетинговых исследованиях. Я лучше понимал бизнес-задачи и применял аналитику для решения реальных проблем бизнеса.

Что вам хотелось бы знать, когда вы только начинали?
Хотелось бы лучше владеть Python. Когда я начинал, Python еще не был таким популярным в аналитике, и я больше работал с R. Позже пришлось быстро догонять.

Как выбрать направление, если пока ничего не понятно?
Начните с задач и инструментов, которые вам нравятся. Это будет хорошей отправной точкой. Однако не бойтесь пробовать новое. Со временем ваши интересы и приоритеты могут измениться.
Знаю много случаев, когда ребята были классными экспертами, например, в BI, а потом начинали пробовать новое и закреплялись, например, в экспериментах.

Как справляться с ощущением, что «еще не готов»?
Просто принять:) Это нормальное чувство на старте. Главное — не позволять ему мешать двигаться вперед.
Игнорируйте страх. Ошибки неизбежны, но именно через них научитесь. Тут работает принцип Fail Fast: пробовать, быстро ошибаться, делать выводы и двигаться дальше.

Что вас больше всего удивило в IT, когда вы только начинали?
Уровень зарплат и атмосфера :) Много свободы, более короткие и простые коммуникации и быстрый рост.

Какой совет вы дали бы себе в начале пути?
Не бойся пробовать новое — все получится!
Больше общайся и налаживай связи внутри команды и за ее пределами. Будь гибким — твой карьерный путь может пойти совсем не туда, куда ты планировал. И это нормально.

Много кто пропустил наш интенсив по созданию ботов на Python. Поэтому повторениям быть!

За два дня разберем, как работает машинное обучение и что это такое вообще, соберем собственного тг-бота, который поможет определить повреждения авто по фото. Подойдет даже тем, кто только начинает разбираться в теме.

Когда: сегодня и завтра в 19:00 по Мск
Посмотреть детали и зарегистрироваться: [ссылка]

А если не сможете присоединиться, то обязательно вышлем запись!

Давайте подискутируем? Представьте, что на собеседование пришло два аналитика данных. У первого круто прокачаны soft skills, но он немного не дотягивает по hard skills. А у второго наоборот: hard skills на высоте, а вот soft skills проседают.

Какому специалисту предложите работу и почему? Пишите в комментариях.

Аналитики, держите свежие данные по рынку!
Коллеги из NEWHR провели большое исследование и собрали актуальную информацию о задачах, зарплатах, релокации и аналитической культуре в 2024 году. Полезный материал как для специалистов, так и для работодателей.

​​ML без продакшена — просто эксперимент.
Уметь создавать модели недостаточно. Нужно доводить их до продакшна, масштабировать и поддерживать стабильную работу. Именно за такими специалистами охотятся компании.
В karpov.соurses это знают и собрали под требования рынка программу «ML Engineering: от базы до AI-продукта». Она реализуется совместно с AI Talent Hub ИТМО — крупнейшей магистратурой по ИИ от ведущего технического вуза страны.

Что вас ждет
🔸 практический Machine Learning от karpov.соurses;
🔸 инженерный подход и экспертность в исследованиях AI Talent Hub;
🔸 глубокое понимание архитектуры ML-систем;
🔸 продакшн-разработка: контейнеризация, CI/CD, MLOps;
🔸 работа с ML-инфраструктурой: облаками, оркестрацией, пайплайнами;
🔸 знакомство с продуктовым подходом в Machine Learning;
🔸 диплом о профессиональной переподготовке ИТМО;
🔸 сертификат karpov.cоurses и AI Talent Hub ИТМО.

Почему это важно
Спрос на специалистов по машинному обучению растет. По данным SuperJob, за 2024 год количество вакансий в AI и ML выросло в 3 раза.
Компании готовы платить за экспертность в Machine Learning, но ищут тех, кто умеет не просто строить модели, а доводить до продакшна и поддерживать их работу в реальных условиях. Если хотите этому научиться, ждем вас на программе.

17 марта открываем первый урок на новом потоке курса «Инженер машинного обучения». Спросили у одного из его создателей — Никиты Табакаева — каким он видит свой продукт и какую часть программы считает наиболее важной.

В чем ценность курса?
Программа дает все актуальные hard skills для старта в профессии инженера машинного обучения — Python, Deep Learning, Machine Learning, статистику. Вы научитесь говорить на языке математических абстракций и готовить промышленные решения в коде. Но это не все.
Чтобы на реальной работе вы чувствовали себя уверенно, научим:
— переводить бизнес-проблемы в ML-задачи;
— декомпозировать запросы на разные этапы выполнения и самостоятельно проходить весь процесс внедрения модели в рабочую среду.

Для кого не подойдет?
Курс может быть недостаточно хардовым для людей с высокой академической страстью и желанием в ближайшее время пойти в науку или research. Мы не даем аналог программы PhD, скорее, готовим людей к «вкату» в индустрию.

Какие плюсы отмечают студенты?
— Простую и наглядную интерпретацию сложных тем.
— Реальные задачи или их аналоги в симуляторе для отработки теории.
— Возможность реализовать полный цикл разработки ML-модели.
Из минусов — в обучение не включена командная работа. Но это не мешает студентам кооперироваться и нетворкать в чатах.

Какая часть программы наиболее ценная?
Блок статистики.
Искренне считаю, что ML-модели, в первую очередь, должны приносить реальный результат. Поэтому уже в начале работы важно учесть все статистические предпосылки.

Кто приходит учиться на курс?
Юристы, лаборанты, сисадмины и другие специалисты. Есть истории внутренних ротаций внутри одной компании: из Data Analyst в ML, например.

Почему бы сам пошел на курс, если бы был в начале пути?
Несмотря на сильную университетскую подготовку, на старте карьеры мне явно не хватало насмотренности и понимания, как между собой связаны программирование, математика, статистика, модели в работе ML-специалиста.
Все это сквозным образом объединено в курсе «Инженер машинного обучения».

Дашь совет студентам перед стартом обучения?
Хоть фундаментальные знания и принципы остаются неизменными, передовые технологии развиваются быстро. Наш курс поможет «вкатиться» в профессию как по маслу, но на этом ваши академические приключения явно не закончатся! Будьте к этому готовы. И повторите школьную математику :)

Напоминаем, что сейчас записаться на курс можно с выгодой 50%. Чтобы ее получить, нужно выполнить условия, включая соблюдение дедлайнов и сдачу практических заданий.
→ Полные правила акции
→ Начать обучение

Запускаем новую рубрику: короткие видеоответы от наших экспертов на ваши вопросы. Аналитика, ML, технологии и инструменты, карьера — без воды, по делу.
Оставляйте любые вопросы в этой форме. Разберем темы в новом формате!

LEFT JOIN открыл вакансии инженера данных для студентов karpov.соurses

Это значит, что все оплатившие обучение на курсе «Инженер данных» до 27 марта, смогут претендовать на позицию Middle Data Engineer в компании. Чем предстоит заниматься, раскроем через реальный кейс. Попробуйте решить ↓

Реальный кейс от LEFT JOIN: Биллинг-сервис для медицинских организаций пришел с задачей. Хочет автоматизировать обработку данных в трансформационном слое и зашифровать данные клиентов. В качестве материалов вам отдали сырые данные о клиентах и их платежах. Попросили использовать в работе инструмент Key management.

Как и попросил заказчик, вы использовали Key management для шифровки данных клиентов. Но это привело к факапу. Облачный сервис не оправдал ожиданий:
— Из-за большого объема данных их нельзя обработать все разом. Приходится шифровать кусками;
— В каждое использование Key management нужно платить за трафик.

Какой инструмент попробовать вместо Key management? Оставляйте свои варианты в комментариях.

А если хотите решать такие задачи на реальной работе, то записывайтесь на курс «Инженер данных» и получите шанс попасть в команду LEFT JOIN.

Когда в LEFT JOIN заметили проблему с Key management, команда подобрала альтернативный инструмент, который позволил эффективнее решить задачу, — это Secret Manager. Сервисы похожи, но у них есть особенности, которые важно учитывать.

— Key Management позволяет управлять криптографическими ключами, шифровать данные и подписывать документы;
— Secret Manager используется для безопасного хранения секретной информации, такой как пароли, API-ключи или токены доступа.

Теоретически сервисы можно использовать вместе — Key management шифрует данные, Secret Manager хранит их. Но в данном кейсе Key management не подошел, из-за того что замедлял работу: шифровал данные в несколько «заходов». Каждый стоил заказчику денег.

Secret Manager сохранил в себе ключи, которые мы потом использовали для шифрования. Шифровать данные самим или на месте и хранить ключи в Secret Manager было более верным решением со стороны алгоритмов и бюджетов, чем пихать кусками данные в Key management.
Инженер данных в LEFT JOIN

Главный вывод из этого кейса — нужно всегда объективно оценивать требования заказчика, разбираться в предложенных им подходах и стеке, смело предлагать альтернативные варианты уже на старте. Всему этому научим на курсе «Инженер данных». Записывайтесь и получите возможность попасть в команду LEFT JOIN на позицию Middle Data engineer.

Как получить оффер в LEFT JOIN? Приходите сегодня на бесплатный вебинар и узнайте из первых уст. СЕО и основатель компании Николай Валиотти поделится деталями совместной программы трудоустройства и расскажет, чем занимаются инженеры данных.

В программе:
— Какие hard и soft скиллы нужны для старта;
— Как строить карьеру в сфере;
— Какие задачи решают инженеры данных каждый день.

Записаться на вебинар

В чем отличие между учебными и реальными задачами инженера данных? Приходите на вебинар и узнайте о нюансах работы, про которые редко говорят на курсах.

СЕО и основатель дата-консалтинга LEFT JOIN Николай Валиотти и CEO karpov.соurses Анатолий Карпов на примерах расскажут:

— Где используются реляционные и MPP СУБД;
— Почему Airflow стал стандартом для оркестрации ETL-процессов;
— Что важно знать при проектировании архитектуры хранилищ данных;
— Насколько глубоко нужно погружаться в BI;
— Как безопасно управлять данными и почему маркетинг и финансы не должны видеть одну и ту же аналитику.

24 марта в 18:00 по Мск. Прямо в нашем тг-канале.
Планируйте в календаре!)

こんにちは
Коннитива! Узнайте, как научить ИИ распознавать визуал на примерах из аниме «Наруто». Приходите 27 марта в 19:00 мск на бесплатный вебинар.

Наша преподавательница и Head of Research Projects в VisionLabs Анастасия Белозерова расскажет:

— Что такое Deep Learning и Computer Vision;
— Как начать карьеру в сфере глубокого обучения;
— Какие задачи предстоит решать каждый день;
— Как работают нейронные сети и как их обучать (примеры из аниме).

[Записаться на вебинар]