Performance review на примере компании чуть поменьше😐

На Матемаркетинге в этом году был целый отдельный трек выступлений, посвящённых перфомансу, увольнениям и ревью. Не будем сегодня в очередной раз обсуждать, сколько окладов просить, если что — я посмотрела более любопытный доклад от хэда аналитики 🔖. Сейчас отдел аналитики в этой компании оценивается в ~40 человек, растёт, но всё ещё в разы меньше Авито или даже какого-нибудь одного юнита Яндекса.

Поэтому потребность в ревью и оно само появились там только в этом году. Любопытно, как попытались сочетать практики из бигтехов и при этом закрыть хотя бы часть болей, которые они порождают. Вот некоторые примеры:

➡️ Из очень похожего на Авито👍 очевидно выделяются компетенции, оцениваемые по баллам (в том числе хардовые), а также формулировка «сеньорный проект» (серьёзная задача, которую необходимо решить для повышения до Senior, а также периодически каждому синьору для «подтверждения» грейда), даже приведены примеры: улучшение эвристики is_bot, внедрение куда-то ИИ (куда — NDA) — актуальненько🤓

➡️ Понравился поинт, что среди компетенций в матрице присутствуют врéменные (связанные с текущими фокусами отдела, которые потом, предположительно, уйдут) компетенции, а также сложно проверяемые артефактами (софты, в таком случае смотрят на ОС) и наоборот бинарные да/нет (например, проводит ли человек собесы, там не может быть баллов, эта доп. активность либо есть, либо нет, и если были бы жалобы на проведение, то человека бы убрали из пула).

➡️ При этом, обратную связь не возводят в абсолют, так как тот, кто её пишет, не будучи руководителем или прямым заказчиком, далеко не всегда компетентен оценивать навыки коллеги, и ещё так в оценку не примешивается личный фактор. Хотя на моём опыте в бигтехах не пользуются «возможностью» друг другу насолить плохими отзывами не по делу😄

➡️ В связи с небольшим размером отдела есть возможность не калибровать сотрудников. Вот это реально прикольно, потому что все мы наслышаны о том, что калибровки съедают целые дни (а то и пару недель) у каждого лида, про миллионы нервных клеток промолчим🚨 Кроме того, были подчёркнуты очевидные минусы калибровок — у чужих лидов часто недостаточно контекста, присутствует токсичный вайб при сравнении аналитиков между собой. Таким образом, кроме защиты синьорных проектов, финальное решение за лидом и хэдом.

➡️ Для перехода на грейд выше, как обычно, нужно поработать на него авансом. Для этого можно взять дополнительные командные активности (онбординг новичков, собесы), задачи смежных направлений (например, если в твоей группе нет A/B-тестов) и «ничейные» перспективные проекты из общего пула. Ну это база, к сожалению, повышения так везде работают.

Моё мнение — любопытный кейс, но не понятно, можно ли сохранить такую прозрачность и отсутствие калибровок при росте отдела от 100 человек в будущем, например📈

Что думаете? Адекватная система у хехе.ру? А как у вас?⬇️
😎 — норм придумали, 🤓 — лучше всё же без этих ваших реву

#карьерный_путь #жизнь_в_бигтехах
@analytess 👩

Разбираю доклад с ММ25 про безопасность ИИ-агентов🤖

Принесла вам ещё кое-что прикольное с Матемаркетинга, благо позавчера открылись все записи тем, у кого были билеты😎 Докладчик — ИИ-директор из Okko Евгений Ильюшин, он также преподаёт на ВМК МГУ и занимается вопросами безопасности искусcтвенного интеллекта. Полное название доклада: «Безопасность агентов ИИ: недетерминированные алгоритмы в нестационарной среде или есть ли границы автономии?»

Опустим технические подробности и сложные термины, приведу тут основные поинты по сути. Итак, многие западные компании — не только технологические гиганты — взяли себе путь к AI-трансформации. И если с LLM мы вроде как разобрались, что это просто штуки, которые возвращают вероятное продолжение фразы, то что по поводу ИИ-агентов? То есть программ, которые умеют «приспосабливаться» к среде и учиться на опыте.

➡️ В реальности большие модели не полностью детерминированы (доля случайности весов в обучении, особенности параллелизма на GPU, неассоциативность операций с вещественными числами).
Но и наш мир тоже эволюционирует со временем — тренды меняются, происходит взаимодействие агентов между собой, ненадёжная информация накапливается в памяти и интернете.

➡️ Чем автономнее модель, тем сложнее (а то и нереально) становится её валидировать. ИИ самостоятельно строит план решения, он получается разным при одних и тех же входных данных (см. также параметр температуры у LLM).

И вот это уже может пугать, хотя и не очень хорошо работает (пока?). Но бояться сегодня предлагаю не «восстания машин» и замены всех нас на рынке труда, а кое-чего уже реального.

Есть большой разбор (ссылка ниже) потенциальных угроз от ИИ-агентов, которые могут быть использованы для причинения умышленного вреда в виде распространения некорректной информации или взломов, то есть ведут к огромным убыткам📉

Приведу тут несколько примеров — далеко не все:

🌟 Отравление памяти — если источник, который часто используется и считается доверенным, будет скомпрометирован злоумышленниками.
🌟 Перехват управления агентом (на картинке) через тот же фишинг, но не заметный глазу (невидимый шрифт и т.д.). Юзер даже может не узнать, что его данные ушли злоумышленникам по пути, ведь конечный ответ модели «правильный»😀
🌟 Компроментация доступов — например, когда из-за неправильной настройки в агенте злоумышленник может выполнять запросы в базе данных RAG для доступа к файлам и данным, к которым он не должен иметь доступа.
🌟 Каскадные атаки галлюцинациями — а что, если продавец билетов заставит ИИ говорить пользователям, что для путешествия в определённую страну не нужна виза (а она нужна), и можно будет продать сильно больше перелётов?🥲

➡️ источник на английском — 48 страниц разных угроз от ИИ и о том, как с ними можно побороться и смягчить последствия

А вывод-то какой? ИИ нынче действительно может многое, но худшее, что можем сделать мы с вами — это расслабиться и доверить реально важные решения. Конечно, доклад касается больше непосредственно разработчиков ИИ и тех, кто его внедряет, но думаю, что инфа небесполезная для всех, кто просто пользуется, но доверяет какие-то важные данные🌟

@analytess 👩

Про рефералки: как это (не) работает на самом деле 🥲

Я сама всё время предлагаю зареферить вас в Авито🌍, и ко мне в лс приходит много людей, но мне кажется честным наконец написать, чем рефералка является, а чем — точно нет.

История «найду контакт внутри, и меня точно возьмут» может быть актуальна, если вы идёте в команду к своему знакомому-тимлиду, да и то скорее всего он не всемогущ, и условные алгосы вы не скипнете. Или в местах, куда не принято рефералить «абы кого», но об этом дальше⬇️

➡️ На РФ рынке труда давно произошла инфляция рефералок — из-за того, что за приведённого будущего сотрудника рефералу может быть выдан бонус (мерч, ачивка или даже настоящая денежная премия вплоть до половины оклада), многие люди в чатах рады тратить 5 минут на то, чтобы закинуть даже абсолютно незнакомых людей в свою компанию. А если ты хотя бы чуть-чуть знаешь, что этот знакомый прикольный по вайбу/общим чатам, то вдвойне приятно😎

С одной стороны, из этого следует, что получить рефку легко. С другой стороны, за вас никак не ручаются в рабочем плане — и поэтому это не является реальным плюсом при рассмотрении на вакансию😐

Итак, рефералка — не волшебная таблетка, если:
⭐️ у вас ещё не закончился фриз (полгода-год) после неуспешных собеседований;
⭐️ вы откликались и взаимодействовали с компанией пару месяцев назад сами, но не срослось;
⭐️ вы боитесь/не хотите проходить алгосы или какой-то ещё из базовых этапов отбора;
⭐️ вы не нашли для себя роль на сайте с вакансиями, и надеетесь на что-то инсайдерское (но тут есть исключения)

Когда рефералка реально полезна:
⭐️ вы откликаетесь только через 🔖 (не надо так) или даже через сайт компании, и всё время не успеваете быть в числе первых, и ваше резюме тонет в пучине аналогичных кандидатов или даже ботов;
⭐️ вы хотите добиться хоть какой-то обратной связи, почему нет, или боитесь повторения негативного опыта, когда ответы от рекрутера затягиваются;
⭐️ вы договорились попилить бонус со своим другом😄

Исключения из описанного выше:
⭐️ вакансии в закрытых чатах (например, я как-то откликалась в чате выпускников ШАДа на вакансию, которую разместили именно для целевой аудитории с таким образованием)
⭐️ западные бигтехи (я слышала, там не будет рефералить кто попало того, с кем не работал)
⭐️ маленькие компании, где людям тоже жалко своего/тимлида времени на собесы рандомных людей, и пытаются привести релевантных кандидатов — тогда тоже рефка что-то значит

Как правильно просить рефералку (ребята, ничего личного, но вижу некоторые паттерны, так как получила с полсотни запросов за время работы в Авито)🚨
Я отвечаю всем, но другие не факт, что будут)
➡️ не пишите «привет» и ничего больше до ответа — это по нынешним меркам вайб телеграм-скама🥺
➡️ в идеале пишите сразу с резюме и ссылкой на вакансию, не заставляйте спрашивать, они очевидно в любом случае нужны
➡️ если пишете незнакомому (кто не писал в пабликах, что рекомендует туда-то), особенно на линкедине, представьтесь, напишите, что у вас общего и где этого человека нашли (вы однокурсники? вы в одном чате? кто-то дал контакт?) и приложите тоже сразу всю инфу. «Привет, ты рекомендуешь в company_name?» это лишняя итерация, ну правда😬

Подведём итог: рефералка — это не проходной билет, а максимум возможность получить прослойку в виде человека внутри компании, который пинганёт рекрутера в случае, если вас совсем потеряют. Она не лечит немэтч с компанией и не устраняет, к сожалению, человеческий фактор (на некоторых моих работах рефералки всё равно терялись, так бывает).

Такие дела. Надеюсь, было полезно👍
Делитесь своим опытом — реферили знакомых? Сами устраивались так?

#найм_и_собесы #карьерный_совет
@analytess 👩

Вот что на самом деле выдаст тебя на собесе😐📉

Недавно поспорила с другом, нужно ли наказывать кандидата в аналитики данных за = в питоне вместо == и подобные ошибки. На одной чаше весов — «это мелочь, IDE такое подчеркнёт, ну заволновался человек», и вообще — «зато сам, GPT бы так не ошиблась». А на другой — «может ли тот, кто повседневно сталкивается с языком программирования, допустить такую ошибку в 2+ местах программы и не заметить?».

Ведь и правда, цель собеседований в стиле «код на листочке» отнюдь не в том, чтобы заставить вас ответить порядок аргументов в библиотечной функции наизусть и нюансы применения оператора :=, и с какой версии он появился. На них прежде всего смотрят, насколько вообще свободно кандидат обращается с инструментом (языком Python или SQL), с которым придётся работать. И тут нет однозначных критериев.

С другой стороны, пришла в голову такая аналогия:
➡️ когда мы пытаемся определить, сгенерирован ли текст ИИ, наш мозг (лучшая нейронка по определению!) прекрасно замечает это по стилю, а потом уже пытается объяснить какими-то более формальными признаками вроде тех же длинных тире и точек над ё (тогда как дело не в них, но мы любим критерии)🧠

Так же и тут:
⭐️ нормально не импортить функцию для какого-то специфичного рандома каждый день,
⭐️ нормально даже забыть, как с нуля писать заголовок класса,
но вот эти штуки уже не забудутся, если есть реальный опыт:
*️⃣ как расставить отступы в коде на питоне,
*️⃣ чем отличаются присваивание и равенство,
*️⃣ какие типы данных (неизменяемые, так как они хэшируемы) бывают ключом к словарю, и можно ли обратиться по индексу к элементу множества (нет, нельзя, это не список!)

Кроме того, есть вещи, которые я бы заметила в положительном ключе — например, уместное использование collections. Или то, что человек привык думать сам об O-оценке сложности алгоритма, а не угадывать её, когда уже спросили. Или способность даже в классических задачах на алгосы задавать правильные вопросы и предлагать разные варианты решения.

В кодинге и математике гораздо больше доля образа мышления, чем зазубривания типов задач и тем более конкретных ключевых слов. Это касается и других типичных тем для собеседований — всё чаще вижу, что задачи уже не просто на зубодробительный подсчёт дробей для теоремы Байеса в уме, а на понимание того, что лежит за концепцией вероятности / матожидания / AB-тестов. И это звучит как компромисс — формулу можно погуглить, а подсчёт запрогать, но продуктовый вывод делать всё равно аналитику😎

➡️ Что думаете? Есть ли, на ваш взгляд, сдвиг в сторону собесов на глубокое понимание темы, и согласны ли со мной по поводу базы, которая не забывается, как = и ==?😄

#найм_и_собесы #непопулярное_мнение
@analytess 👩

Выжить в декабре💀🔥

Уже скоро все будут подводить итоги года (если уж не в соцсетях, то мысленно, так мы устроены) — и я тоже не удержусь. И у многих они будут похожи на «успешный успех» — и мои для кого-то тоже. НО: это всё верхушка айсберга, и, к счастью, многие уже честно пишут и про обратную сторону медали🌟

Этот тренд мне очень нравится. Я действительно считаю, что декабрь стоило бы объявить не месяцем рьяного доделывания всего подряд, а месяцем выполнения базового минимума, во имя ментального здоровья😬
Конечно, этот минимум будет у каждого свой. Но, так или иначе:

нельзя впихнуть невозможное в 1 месяц из 12, в целом уже понятно, что мы за год посеяли и что пожнём.

Так что предлагаю разрешить себе...
⭐️ не геройствовать на работе каждую неделю, а красиво завершить то, что уже точно-точно запланировано
⭐️ всё задокументировать и довести до логичного рубежа — вот за это точно скажете себе спасибо в середине января
⭐️ отложить побочные проекты из категории nice to have
⭐️ не бежать на каток, фотодень на ярмарке и десятый предновогодний ужин, если хочется только лечь спать

Лично на своём примере добавлю такие пункты👩
⭐️ не ставить рекорд по продажам в блоге именно в декабре — всех денег не заработать, и я вижу, что другим уже не до постов
⭐️ не держать темп постинга, который я сама себе придумала
⭐️ не определяться с планом путешествий даже на Q1 2026

Короче, устроить бы себе рутину здорового человека, а не марафон к выгоранию🔥 Что я в это вкладываю:
🫧 вернуть себе нормальный сон (последние пара недель были тяжёлыми в этом плане из-за того, что практически нет солнца, а вечера иногда насыщенные)
🫧 питаться не только мандаринами и кофеинами☕️
🫧 двигаться: дойти куда-то пешком, выйти из дома без повода
🍋‍🟩 оставить только те встречи, которые реалистично вписываются в график и при этом заряжают
🫧 делать хотя бы 1-2 важных небольших шага из списка дел — и это уже в бесконечность раз больше, чем ничего

Ноябрь и декабрь — реально очень выгорабельные месяцы. Так может, в этот раз нашими главными итогами станут не обширный список достижений, а адекватное ментальное и физическое состояние к концу года? Большие планы могут и подождать января, где будет время их упорядочить и обдумать👍

➡️ Что думаете? Как ваше настроение и состояние?🚨

#лайфстайл_и_личное
@analytess 👩

Ещё раз про когнитивные искажения в вопросах карьеры🚨
часть 1 от августа тут

В этот раз хочу зайти больше со стороны манипулятивных аргументов в информационном поле. Лично я стала сидеть в разного рода чатах и читать каналы достаточно много в последние полтора года, как завела свой. И хотя это наверное лучше, чем не знать, что происходит в индустрии дальше своей работы, так легко и обрести некоторые заблуждения🌟

➡️ Апелляция к большинству📊
Самый популярный пример сейчас, пожалуй — «классическая аналитика данных уходит в прошлое и заменена LLM, срочно изучайте AI/ML». Во-первых, это касается разве что аналитики данных в стиле «SQL monkey» (не является оскорблением кого-либо🙊), во-вторых, базовый ML уровня import-fit-predict ничем не лучше, в-третьих, к запихиванию AI везде есть вопросы.

(Это не значит, что я призываю аналитиков не прокачивать свои навыки, это в любом случае нужно для рынка труда и для себя)

➡️ Аргумент к личности😎
«Зачем ты меня расстроил? Чего ты добился?»

Аргумент к личности удобен тем, что позволяет вообще не обсуждать суть изначального тезиса, если с ней трудно поспорить, но очень хочется😀

Буквально недавно читала, как человек, представившийся айти ментором по успешному успеху, сеньором с годом опыта в 20 лет и вот это вот всё, утверждал, что нанимающие менеджеры в бигтехах не могут знать рынок, ведь сами неприлично давно не были там (= не меняли работу 2-5 лет)😬
Все совпадения с реальными людьми случайны…

Ну, и в обратную сторону — что ты вообще можешь знать об ожиданиях от грейда senior, если сам ещё официально не там?

➡️ Ложная дилемма/дихотомия💊
Якобы есть только два радикально противоположных мнения/стратегии, и быть где-то между ты не можешь.

Заикнулся, что у ситуации с чьим-то увольнением есть две стороны? Ну всё, тебя поработили бигтехи / мнение куплено / ты сам не добился (см. выше) и теперь про других не допускаешь

Предложил попробовать найти сначала работу без накрутки? Ну, вы поняли☠️
В этом вопросе я вообще, получается, профессионально балансирую на двух стульях (видимо, офисном Herman Miller и каком-то из кофейни на Бали с чилловой стороны) — топлю за традиционный путь через стажировки и бигтехи, но при этом консультирую по упаковке резюме (см. чем отличается от накрутки опыта). Штош😐

Подводя итог, во всех этих искажениях меня больше всего пугает не их наличие, а то, как легко они влияют на реальные карьерные решения и появление стереотипов в комьюнити…

Ваши мнения, примеры, дополнения очень приветствуются, как и всегда🥰

#непопулярное_мнение #карьерный_путь
@analytess 👩

Факты про A/B-тесты, которые лучше понять, чем заучить😎
проверь себя и перешли другу, который ищет работу!

➡️ Почему нужна поправка на множественное тестирование, и какая из ошибок при нём становится вероятнее?💊

Вот тут разбирала комикс по теме. Если коротко, то растёт вероятность ошибки первого рода — когда мы ошибочно видим эффект, которого нет. Пусть она была, как обычно, p = 0.05, тогда вероятность не ошибиться 1 - p = 0.95, а не ошибиться на обеих тестовых выборках уже (1 - p)^2 = 0.9025, то есть вероятность ошибки I рода выросла с 5 аж до 9,75%!

➡️ Как распределено p-value в A/A-тесте?⚖️

Здесь для подробностей сошлюсь на статью от X5. Обратимся к классическому определению p-value (мой пост про него тут) — вероятность получить такое же или более экстремальное значение статистики, если верна нулевая гипотеза. В A/A-тесте она заведомо верна (иначе мы как раз докажем таким тестом, что с критерием или сплитовалкой что-то пошло не так), поэтому
P(p <= alpha | H_0) = alpha
Буквально по определению — слева формула функции распределения случайной величины p, и для любого alpha из отрезка [0,1] она соответствует равномерному распределению.

➡️ Fun fact: любую метрику из классических типов (то есть не какую-то хитрую квантиль) можно свести к ratio-метрике😐

С одной стороны, казалось бы, зачем — от них одни мучения, как мы знаем (все эти бутстрапы, дельта-методы и линеаризации вместо стандартного t-теста сразу), но с другой стороны, это полезно осознавать и может быть удобно при написании общего кода для анализа A/B-экспериментов. Так вот: чтобы это сделать, бинарные метрики (конверсии и доли) запишем в общую дробь как 1 в знаменателе и 0/1 в числителе соответственно, непрерывные (выручка, количество товаров и так далее) — в числитель, а в знаменатель единичку. Вуаля💅

➡️ Узнали или вспомнили что-то новое и актуальное?😎
Ставьте реакции, если сохранили — так я пойму, что надо продолжать такое писать!

#найм_и_собесы #хардов_пост
@analytess 👩

У вас есть только 10 рублей, соберите себе конец года🎄

❄️ корпоратив, на который не надо сдавать деньги — 3 рубля
❄️ начальник и смежники уходят в отпуск с 26 числа — 4 рубля
❄️ больше нет горящих адхоков — 13 рублей
❄️ в офисе никто не кашляет и не чихает — 7 рублей
❄️ мандарины на кофепоинте — 1 рубль
❄️ на вас не влияет фриз кодовой базы — 5 рублей
❄️ пользователи ведут себя, как обычно — 9 рублей
❄️ всем подарят промокод на продукты компании — 2 рубля
❄️ никто из команды не увольняется в этом году — 6 рублей
❄️ настоящий глинтвейн на кофепоинте — 11 рублей
❄️ продакт не предлагает ничего потестить до НГ — 4 рубля
❄️ все встречи после 20 декабря отменены — 20 рублей

Итак, делитесь своими наборами⬇️ Брать в кредит нельзя🤓

мем украден у @productsmemes🍊

@analytess 👩

Поговорим про ротацию внутри компании🔄

Простыми словами, это смена команды внутри компании по инициативе сотрудника (тут есть нюанс, но об этом ниже), в отличие от реорганизации (когда отдел переформировывают сверху). И у бигтехов есть свои правила игры на этот счёт. Я сама не ротировалась, но наслышана, и как раз расскажу, почему нет.

Как правило, эта опция становится доступна через год работы в организации и при оценках на ревью не ниже ожиданий, в случае невыполнения одного из условий нужно согласование🤵

Плюсы ротации:
➕ хорошая возможность фактически сменить работу, если через увольнение это нежелательно (у вас IT ипотека / копится стаж / другие обстоятельства)
➕ возможность найти команду, с которой будет больше мэтча (с руководителям или по задачам)

Минусы ротации:
➖ зарплата часто фиксируется, чтобы «богатые» команды не перекупали сотрудников внутри — риск увеличить отставание от рынка, тогда как внешний офер хотя бы 10-20%, но добавил бы
➖ при этом вы получите все «прелести» адаптации
➖ может не решить проблему, которая побудила к ротации, и вы всё равно уволитесь, но потеряете несколько месяцев нервов

Тут, конечно, очень важно учесть, что мотивация к ротации есть позитивная (я очень классный, но перерос команду и ищу новое место, чтобы достигать📈) и негативная (хотят сократить, но так и быть дали время поискать другую должность внутри):

😎 в первом случае сотрудник находится в сильной позиции, возможно, действительно не гонится за деньгами в моменте, и может себе позволить именно пойти делать новый проект, которым загорится — а там и повышение не за горами.
Репутация, стаж, уважение в компании растут — профит

🚨 во втором случае велика вероятность, что вы просто будете тянуть время перед неизбежным, особенно если уже есть фидбек, что вы «ниже ожидаемого». Просто смоделируйте со стороны будущего лида, который видит, что к нему переходит тот, кого другой лид из этой компании оценивает как «не очень ценного», вы совсем не будете предвзяты? Короче, найти команду и тем более быстро там вырасти бывает сложно.
Что не отменяет наличия исключений, когда люди расцветают.

➡️ Иногда у меня спрашивали на собесах, почему я не ротировалась в том же Яндексе, ведь я так любила компанию в целом и проработала там три года с норм оценками📱
В моём случае мотивация была прежде всего финансовая, так как я была мидлом, то рынок предлагал относительно лёгкие x1,5💸 При внутреннем переходе даже при скором грейдапе я бы вряд ли столько получила. Сейчас, приближаясь к потолку дохода линейного сотрудника, я бы задумалась и над ротацией.

➡️ В целом же, это просто инструмент, один из возможных вариантов развития, который может стать актуальнее, если рынок труда и процессы поиска работы продолжат ухудшаться, поэтому его полезно в фоновом режиме иметь в виду😀

Меняли команду внутри компании? Знаете чужие прохладные истории? Делитесь, интересно, кто что думает об этом👍⬇️

👩 — крутая тема от выгорания, 🤓 — склоняюсь, что ловушка

#жизнь_в_бигтехах #карьерный_совет
@analytess 👩

И всё-таки, нужно ли знать ML аналитику?📈

TL;DR: моё мнение — не всем, и не в том понимании, которое часть людей себе представляет. Теперь разверну мысль:

действительно, многие вакансии уровня Middle+ и тем более Senior подразумевают, что вы понимаете, как работают базовые алгоритмы ML, и когда применяются.

НО это не означает, что естественной траекторией роста из Middle+ аналитика является перекат в DS, ни в коем случае. Вот мой постик, почему так рассуждать вообще не очень.

Что чаще всего реально пригождается аналитикам:
⚪️ применение готовых методов и моделей для задач регрессии, кластеризации и предсказания временных рядов;
⚪️ умение рассуждать в терминах метрик качества ML-моделей: не путать precision и recall (они, кстати, очень связаны с ошибками I и II рода), знать что-то про R^2, MAE/MAPE/MSE.
⚪️ понимание пайплайна создания ML-модели: какие задачи вообще так можно решать, какие они бывают (классификация, регрессия, ранжирование, определение объектов и так далее), что такое тренировочные, валидационные и тестовые датасеты
⚪️ что такое LLM, и чем они не являются, почему их не получается запихнуть везде и наобум🚨

Конечно, можно разобраться и глубже, чем import-fit-predict, но это точно не единственный вариант специализации. При росте выше мидла вы можете с тем же успехом выбрать более разработческую, более исследовательскую или более product owner-скую ветвь, но это уже стоит отдельного поста🤵

Подборка материалов, которые я считаю полезными:
➡️ бесплатный хэндбук по ML от Яндекса. Формально с нуля, но не совсем «для чайников» — много формул, подразумевается, что вы в них ориентируетесь на уровне студента, который прошёл пару семестров высшей математики в универе;

➡️ (по цене обеда в Кофемании простите🤓)
Машинное обучение в Python: большой курс для начинающих на платформе Stepik. 50 часов видео, дада, но вам нужно не всё и сразу — по ощущениям, там проще понять основные темы без бэкграунда, чем в яндексовом хэндбуке, как раз можно понять упомянутую выше базу (регрессии, деревья, кластеризацию);

➡️ ещё со Stepik-а могу посоветовать курсы от этих создателей:
тут, скорее, если хотите углубиться во что-то конкретное, также есть бесплатный курс по MLOps — как автоматизированно обучать модели и версионировать эксперименты;

➡️ (сильно платно, но вдруг ваш работодатель щедрый)
Симулятор ML/AI для продактов от GoPractice. Не реклама, из-за формата (без обратной связи и вообще развёрнутых проверок) не могу советовать вам приобретать его, но ставит мозги на место именно в плане связи алгоритмов ML и бизнеса. Если метите в овнеры направления с ML, то может и согласуют💸

Что скажете? Используете ли ML, и где изучали, если да?😎⬇️
(не забывайте, пожалуйста, реакцию, если сохранили пост😬)

#непопулярное_мнение #найм_и_собесы
@analytess 👩