«У меня были базовые знания в области анализа данных, но хотелось больше практики и отработки теории на реальных задачах»
«На текущей работе столкнулся с новой для себя задачей по машинному обучению — справиться с ней помогли кейсы из Симулятора Data Science»
«Задачи на работе уже не вызывали того энтузиазма, что раньше, начал замечать, что стагнирую в развитии»
«У меня не было опыта работы в IT, хотя за плечами было множество пройденных курсов»
после симулятора data science
> Использую линтеры, документирую весь код в едином стиле, аннотирую типы, тестирую код через Pytest
до симулятора
> Хаотично пишу код на Python, редко пишу документацию, тестирую код в голове и через print
> Владею SQL на базовом уровне, боюсь вложенных запросов
> Не знаю, что такое t-test и p-value
> В ML знаю только fit-predict
> Спокойно пишу большие SQL-запросы с CTE, JOIN и оконными функциями
> Понимаю статистические критерии и знаю, как связать их с моделями машинного обучения
> Умею проводить A/B-тесты
> Могу реализовать кастомные метрики и алгоритмы, построить эмбеддинги
> Могу деплоить модели и сервисы
> Получил хорошие стартовые знания по Docker, FastApi, DVC, PySpark, MLflow
«У меня были базовые знания в области анализа данных, но хотелось больше практики и отработки теории на реальных задачах»
«На текущей работе столкнулся с новой для себя задачей по машинному обучению — справиться с ней помогли кейсы из Симулятора Data Science»
«Задачи на работе уже не вызывали того энтузиазма, что раньше, начал замечать, что стагнирую в развитии»
«У меня не было опыта работы в IT, хотя за плечами было множество пройденных курсов»
до симулятора
> 2 года проходил стажировку и полгода работал ML-инженером
> Знал базу классического ML, работал с CV
> Не знал, как решить рабочую задачу, связанную с рекомендательными системами
после симулятора data science
> Разобрался в основах рекомендательных систем, в частности метриках, запустил на работе персональные рекомендации и рекомендации сопутствующих товаров
> Научился строить эмбеддинги, которые используются для рекомендаций и прогнозирования спроса
> Улучшил навыки использования сложных SQL-запросов
> Устроился на работу в Ozon
«У меня были базовые знания в области анализа данных, но хотелось больше практики и отработки теории на реальных задачах»
«На текущей работе столкнулся с новой для себя задачей по машинному обучению — справиться с ней помогли кейсы из Симулятора Data Science»
«Задачи на работе уже не вызывали того энтузиазма, что раньше, начал замечать, что стагнирую в развитии»
«У меня не было опыта работы в IT, хотя за плечами было множество пройденных курсов»
до симулятора
> 1,5 года работал на позиции Middle ML Engineer в аутсорс-компании
> Устал от однообразных задач на работе и хотел сменить работу
после симулятора data science
> Расширил кругозор в ML-задачах
> Нашел новую работу благодаря сообществу, спустя время сам собеседовал студентов симулятора
«У меня были базовые знания в области анализа данных, но хотелось больше практики и отработки теории на реальных задачах»
«На текущей работе столкнулся с новой для себя задачей по машинному обучению — справиться с ней помогли кейсы из Симулятора Data Science»
«Задачи на работе уже не вызывали того энтузиазма, что раньше, начал замечать, что стагнирую в развитии»
«У меня не было опыта работы в IT, хотя за плечами было множество пройденных курсов»
до симулятора
> Не имел опыта работы в IT
> Прошел курсы по ML
после симулятора data science
> Погрузился в работу ML-инженера
> Понял, как и зачем применять конкретные технологии на практике
> Хотел закрепить знания на практике и поработать с задачами, приближенными к реальным, чтобы найти работу
> Обрел уверенность в своих силах и прошел собеседование
