Дорогие подписчики, всем доброго утра!

☺️ Мы в ЦУ создаем умного финансового помощника, который поможет:

1. Планировать финансовые цели (например, отпуск, техника, подушка).
2. Получать советы, стоит ли совершать покупку прямо сейчас и как это повлияет на цели.
3. Отслеживать прогресс, получать отчёты и рекомендации на основе своих данных и поведения других пользователей.

Ищем респондентов на кастдев!

Кого ищем:
📌 Core-аудитория (основная): 23–35 лет, доход 70–180 тыс ₽/мес, активные онлайн-покупки, карты/подписки.
📌 Дополнительная: 30–40 лет, молодая семья, детские расходы, кредиты/ипотека, сильная потребность в контроле и планировании финансов.

Длительность 30-40 минут. Формат: звонок в Zoom

☺️ В качестве благодарности готовы предоставить бесплатный доступ к сервису на 3 месяца и включить в группу Бета-тестирования (ориентировочно, конец ноября).

Для участия необходимо написать мне в личные сообщения @Pleshakovski

Upd: группу набрал

❓ Меня тут активно расспрашивали ребята про вопросы с собесов на DS/ML, и я подумал: "А почему бы и нет?"

Давайте запустим рубрику, в которой будем разбирать по 2-3 интересных вопроса с собесов разных секций: Python, ML/DS, AB tests, Тервер/Матстат, Big Data. Буду выпускать раз в неделю-две

Тервер:

Вероятность получения кошечки - 10%, вероятность собачки - 90%. Разметчик размечает со следующими вероятностями: в 90% случаев отмечает верно, а в 10% - неверно. Определить вероятность того, что на разметку пришла собачка, если известно, что фотография была отмечена как кошечка.

По формуле Байеса:
P(A | B) = P(B | A) * P(A) / P (B)
P(пришла собачка | отмечена кошечка) =
= P(отмечена кошечка | пришла собачка) * P(пришла собачка) / P(отмечена кошечка) =
= 0.1 * 0.9 / 0.18 = 0.5

ML:

Что такое ROC AUC? Как интерпретировать? Чему равен ROC AUC случайной и константной модели?

1. ROC-кривая — это график TPR (Recall) против FPR (False Positive Rate)
TPR = TP / (TP + FN) — доля правильно найденных объектов позитивного класса.
FPR = FP / (FP + TN) — доля объектов негативного класса, ошибочно отнесённых к позитивному.
ROC AUC равен площади под ROC-кривой
2. Интерпретация: вероятность, что модель присвоит случайному объекту позитивного класса более высокий скор, чем случайному объекту негативного класса.
3. ROC AUC случайной и константной модели = 0.5

Python:

Как передаются изменяемые и неизменяемые типы данных в функцию?

При вызове функции Python передаёт внутрь функции ссылку на объект, на который указывает аргумент
1. Неизменяемые типы данных (int, float, str, tuple, frozenset, bool). Если вы внутри функции меняете переменную, вы переназначаете локальное имя, но исходный объект остаётся прежним.
2. Изменяемые типы данных (list, dict, set). Ссылка на объект передаётся внутрь функции, и если вы меняете сам объект внутри функции, изменения видны снаружи.

#вопросы_с_собесов

🎯 Недавно столкнулся с ситуацией: идей в Транскрибуле всё больше, а рук по-прежнему маловато. Поэтому решил внедрить метод RICE. Итак:

Метод приоритизации RICE: как выбрать, за какие задачи браться в первую очередь

Если идей много, а ресурсов мало — нужен простой и объективный способ понять, что делать в первую очередь. Один из самых популярных методов в продуктовой разработке — RICE.

RICE помогает сравнить любые задачи или фичи по четырём параметрам (каждый — число от 0 до 10):

🌹 — Reach (Охват) (Достаточно редко используется, можно просто убрать, если продукт небольшой, а фича раскатывается на всех пользователей)
Сколько пользователей или процессов будет затронуто? Чем больше охват, тем ценнее задача.

🔤 — Impact (Влияние)
Насколько сильно задача улучшит продукт или бизнес-показатели? (Оцениваем с точки зрения влияения на нашу целевую или NSM-метрику). Оценивается от минимального (0) до масштабного (10).

🔤 — Confidence (Уверенность)
Насколько вы уверены в оценках выше? Помогает отсечь хотелки, основанные на догадках.

🔤 — Effort (Затраты)
Сколько времени и ресурсов потребуется команде? Чем меньше усилий — тем лучше.

Формула простая:
RICE = (Reach × Impact × Confidence) / Effort

Проставляется для каждой гипотезы и затем весь бэклог ранжируется по убыванию RICE. В случае, если оценивают несколько человек, полезно, чтобы каждый проставил R, I, C и E. Затем берем среднее по каждому показателю и считаем RICE по усредненным значениям — получаем более стетистически устойчивый RICE.

📌 Зачем это нужно?

* упрощает принятие решений
* убирает субъективность
* помогает фокусироваться на том, что даст максимальный результат при минимальных вложениях