🌍 #data_history

🎵 Aura от Alex-Productions
License: CC BY 3.0

🎓 #success_stories
История одного студента.

С Михаилом я познакомился примерно три года назад. Десять лет в разработке — плюсы, Python, уверенная работа с базами данных, опыт в проектировании систем. На первый взгляд Миша — человек, которому уже мало что нужно объяснять.

Но однажды перед ним встала конкретная рабочая задача: проанализировать поведение пользователей в приложении и найти аномалии. Звучит буднично для человека с таким бэкграундом.

Михаил, не долго думая, нашёл нужные библиотеки и набросал структуру кода, примерно понимая, что должно получиться на выходе. Всё бы ничего, но работа встала намертво, когда дело дошло именно до интерпретации результатов.

Нормальное распределение, z-оценка, p-value и др. — слова знакомые, но что за ними стоит и как с этим работать дальше — стена.

Но этот студент не из тех, кто ждёт. Начал разбираться сам: статьи, открытые курсы по статистике, документация. И достаточно быстро наткнулся на проблему, с которой сталкивается большинство людей на этом пути: статистику нельзя выучить отдельно, вырвав из контекста. Она опирается на теорию вероятностей, та — на линейную алгебру, и всё это стоит на фундаменте из функций, уравнений и базового математического аппарата, который большинство из нас оставило где-то на первом курсе универа. Одно тянет за собой другое, и без нижних этажей верхние просто не держатся.

Разбираться во всем самостоятельно он, разумеется, мог. Но как сделать это структурированно и за кратчайшие сроки, если времени в обрез?

Вот с этого и началась наша совместная работа. Программа, которую я ему предложил, была выстроена строго и последовательно, поэтому сначала закрепляли базу — степени, дроби, уравнения, работу с матрицами. Дальше — плавный переход к функциональному анализу, теории вероятностей и, наконец, статистике — уже как к рабочему инструменту.

При этом сухой теории мы старались избегать принципиально. Каждую концепцию сразу закрепляли в коде: посчитали вручную — тут же реализовали, применили к реальным данным, посмотрели на результат. Михаилу, как разработчику, такой подход зашёл сразу, ведь абстракция сразу становится понятной, когда видишь её в работе.

Уложились за полгода. Задача с аномалиями, с которой всё началось, была решена уже давно, и по окончании учебы Михаил не просто писал сложный код и создавал приложения, как раньше, но и внятно объяснял коллегам, что именно он создавал и почему была важна та или иная метрика. Кстати, сейчас он уже Team Lead, в коменде которого есть и пара математиков.

☝️☺️ В чём главное преимущество у такого руководителя? Конечно же не в том, что он может сам всё рассчитать и тут же запрограммировать. Всё гораздо глубже: делегирование задач профессионалам на их же языке — вот самый ценный навык тимлида. И авторитет на высоте, да и обмануть такого руководителя вряд ли удастся. Искренне желаем тебе успехов, Миша!

🌍 #data_history

🎵 Sweet Dreams by BatchBug
License: CC BY 3.0

📝 #data_tasks

Что такое списки в Python, для чего они применяются и в чём их практическая польза - рассказали в отдельной статье из нашей программы обучения.

Подробнее:
🔸 Статья в Дзен
🔸 Статья в ВК

🌍 #data_history

🎵 Aura от Alex-Productions
License: CC BY 3.0

📝 #data_tasks

Что такое кортежи в Python, для чего они применяются и в чём их практическая польза - рассказали в отдельной статье из нашей программы обучения.

Ссылка на предыдущий урок

Подробнее:
🔸 Статья в Дзен
🔸 Статья в ВК

📊 #data_in_action

Анализ данных в беспилотном транспорте.

🎵 The Success от Keys of Moon
License: CC BY 4.0

📝 #data_tasks

Что такое множества в Python, для чего они применяются и в чём их практическая польза - рассказали в отдельной статье из нашей программы обучения.

Ссылка на предыдущий урок

Подробнее:
🔸 Статья в Дзен
🔸 Статья в ВК

📝 #data_tasks

Как оценивать бизнес-метрики без погрешностей? 📊

При работе с данными невозможно опросить каждого клиента. Мы используем выборку, но она всегда дает искажения. Чтобы узнать реальную картину, аналитики рассчитывают доверительный интервал.

Это коридор значений, внутри которого с максимальной вероятностью находится истинный показатель (например, ваша реальная конверсия). Такой инструмент помогает оценивать A/B-тесты, избегать ложных выводов и внедрять data-driven подход.

Подписывайтесь, у нас для аналитиков припасено много полезного! 📈

🎵 Sweet by LiQWYD
License: CC BY 3.0

📊 #data_in_action

Почему твоя аналитика — это просто угадайка? 🤯

Ты можешь бесконечно учить интерфейсы BI-систем, но без базы ты не IT специалист, а просто оператор готовых отчетов.

Как только цифры ведут себя странно, «кнопочные» знания сгорают. Настоящий data analyst умеет достать сырые данные, автоматизировать расчеты и проверить гипотезы через код. Базовая математика нужна не для того, чтобы быть гением, а чтобы понимать, откуда взялись эти цифры.

Не бойся «внутрянки» — так профессия аналитик становится понятнее и честнее.

📌 Сохраняй, чтобы не потерять фундамент, и подписывайся на канал!

🎵 Life Blossom by Keys of Moon
License: CC BY 4.0

📝 #data_tasks

Что такое словари в Python, для чего они применяются и в чём их практическая польза - рассказали в отдельной статье из нашей программы обучения.

Подробнее:
🔸 Статья в Дзен
🔸 Статья в ВК

Ссылка на урок о списках
Ссылка на урок о кортежах
Ссылка на урок о множествах

#data_in_action

Как алгоритмы узнают, что тебе понравится? За 1.5 минуты разобрали, как линейная алгебра управляет стриминговыми сервисами!

Многие думают, что Netflix рекомендует фильмы только по популярности. Но если у пользователей разные просмотры и много пропусков в данных, сравнивать их напрямую бесполезно.

Решение — представить данные как матрицу (таблицу: пользователи, фильмы, оценки) и искать скрытые закономерности (SVD-разложение).

Так система понимает вкус человека и характер фильма: кто чаще выбирает напряжённые триллеры, а какой фильм похож на этот тип.

В этом и есть реальный смысл линейной алгебры в Data Science и аналитике: не зубрить формулы, а находить структуру там, где данные неполные и хаотичные.

Подписывайтесь на наш канал. Скоро здесь стартует бесплатный мини-курс по Python и алгебраическим преобразованиям 🚀

🎵 The Success от Keys of Moon
License: CC BY 4.0

📝 #data_tasks

Какие приемы ввода информации в Python пользуются наибольшим успехом у аналитиков, а какие - считаются экзотикой? Рассмотрели в отдельной статье из нашей программы обучения.

Подробнее:
🔸 Статья в Дзен
🔸 Статья в ВК

#data_in_action

Бесплатный мини-курс по Python и базовой математике @BrainsburgBot

🎵 Code Switch от Punch Deck
License: CC BY 3.0

📝 #data_tasks

📊 А/В-тест: как честно разделить пользователей на группы? Простой трюк с делением по модулю:

Проведение А/В-тестирования требует максимально точного, равномерного и стабильного разделения аудитории. Если распределить пользователей некорректно, результаты эксперимента будут искажены.

💡 Идея - деление по модулю!

В прикрепленном рилс мы разобрали эту тему более подробно, а пока давайте решим задачу, где требуется разделить аудиторию пользователей 50/50. Как это сделать?

Например, для этого можно взять уникальный идентификатор пользователя user_id и вычислить остаток от его деления на 2, то есть - user_id mod 2

Правило простое:
🔹 Если остаток = 0, то пользователь попадает в группу А
🔹 Если остаток = 1, то пользователь попадает в группу B

📉 Как это выглядит на практике (пример с ID):

* ID 1001 ➡️ остаток 1 ➡️ Группа B
* ID 1002 ➡️ остаток 0 ➡️ Группа А
* ID 1003 ➡️ остаток 1 ➡️ Группа B
* ID 1004 ➡️ остаток 0 ➡️ Группа А

✅ Почему это удобно и надежно?

* Детерминированность. Один и тот же пользователь всегда железно попадает в одну и ту же группу при повторных заходах.
* Экономия ресурсов. Метод не требует хранения дополнительных данных в базе и вычисляется «на лету».
* Масштабируемость. Алгоритм легко реализуется на бэкенде и моментально работает при любых нагрузках.

🤝 Итог: остаток от деления по модулю делает А/В-тест честным, прозрачным и максимально простым в технической реализации.

🎵 Sweet by LiQWYD
License: CC BY 3.0