А завтра опубликуем ответы спикеров на вопросы, заданные вами во время конференции

Спасибо, что были с нами на первой KARPOV.CONF!

Сегодня мы вместе обсудили, как аналитика, эксперименты и ML помогают принимать точные решения, расти бизнесу и запускать технологичные продукты.
Спасибо спикерам, участникам и всем, кто подключался в эфир — вы сделали этот день по-настоящему значимым 🧡

В честь события мы запустили промокод B2HCONF10 — он даёт 10% скидку на любой курс от karpov.cоurses до 30 апреля.

И будем рады, если поделитесь впечатлениями в комментариях: что понравилось, что нового узнали, какие инсайты унесли с собой?

В 15:15 приглашаем вас на часть Владислава Пикиневича, руководителя направления аналитики в Т-Банке ⬇️

В 14:45 начнется презентация Дмитрия Казакова, директора по аналитике Kolesa Group ⬇️

В 14:15 выступит Дмитрий Юдин, Технический лидер AI, Cloudꓸru ⬇️

В 13:45 начнется доклад Романа Бунина (не в 14:00)⬇️

Через 5 минут выступит Анастасия Кузнецова ⬇️

Трансляция пройдет здесь
А еще мы подготовили для вас кружочки от экспертов🧡
Держите первое напоминание от Даниила Демитрова, Product Analyst Team Lead, Uzum Fintech

Привет, друзья! Сегодня тот самый день — KARPOV.CONF стартует в 12:00!
Что будет в программе:

Тема 1: Growth mindset: Как с помощью аналитики и ML повысить качество продукта и найти точки роста
⭐️ 12:15-12:40, Аналитика задом наперед, или как использовать ML для поиска точек роста. Даниил Демитров (Uzum)
⭐️ 12:45-13:10, Построение многомерной отчётности в ClickHouse с промежуточными состояниями функций. Александр Сидоров (ВкусВилл)

Тема 2: Business intelligence: как BI инструменты позволяют повысить скорость принятия решений
⭐️ 13:15-13:40, Почему BI-проекты проваливаются. 10 основных ошибок и как их избежать. Анастасия Кузнецова (настенька и графики)
⭐️ 13:45-14:10, Как стайлгайд позволяет быстрее создавать дашборды и принимать решения. Пример проекта в PowerBl. Роман Бунин (Reveal the Data)

Тема 3: Decision making: как с помощью данных и экспериментов принимать верные решения и растить метрики
⭐️ 14:15-14:40, Эволюция инференса LLM. Дмитрий Юдин (Cloudꓸru)
⭐️ 14:45-15:10, SPRT — Последовательное тестирование. Как принимать решения быстрее, правильно подглядывая и ускоряя А/Б-тесты. Дмитрий Казаков (Kolesa group)
⭐️ 15:15-15:40, Экосистемность партнерской лояльности: как доказать корпорации, что ваш продукт нужен всем. Путь аналитических экспериментов длиной в 2 года. Владислав Пикиневич (Т-Банк)

Тема 4: Deep learning: как нейронные сети помогают улучшать аналитические процессы и показатели
⭐️ 15:45-16:10, Как мы улучшили аналитику YandexArt с помощью Yagpt. Артур Самигуллин (Яндекс)
⭐️ 16:15-16:40, Conversational Al: юзкейсы, пользовательский опыт, ML/Al компоненты. Лола Александрова (МТС)


Не забудьте:
— Подготовить блокноты и вопросы спикерам — будет живое общение!
— Включить напоминание — начало в 12:00 (мск)
— Запастись чаем или кофе — будет жарко (в хорошем смысле)

Ставьте 🔥, если придете.
И до встречи в эфире!

Объявляем набор на новый курс по аналитике❗️
Станьте одним из первых студентов. С июня начинаем подготовку системных аналитиков — эффективных посредников между бизнесом и разработкой, которые разбираются в технологиях и наводят порядок в бизнес-процессах.

Главное о курсе «Системный аналитик»:
— Обучение длится 3 месяца;
— Подойдет тем, кто не хочет погружаться в Python — освоите только нужные инструменты: SQL, API, схемы, документацию;
— Будут практические задачи, которые можно положить в портфолио;
— Карьерный центр поможет с поиском первой работы.

Все, кто запишется на курс до конца месяца, получат скидку 10%. Оставляете заявку и приходите учиться, чтобы уже осенью выйти на рынок труда в новой роли.

Осталось всего три дня до нашей первой онлайн-конференции karpov.cоnf. Спешим рассказать, почему мы выбрали тему Data-driven for Business ⬇️

Данных у компаний сейчас столько, что, казалось бы, анализируй и процветай. Но есть два момента. Первый — данные надо правильно собрать. Второй — с пониманием использовать. К сожалению, на практике не у всякого бизнеса получается. Хотя всякий бизнес в курсе, как велик и прекрасен Data-driven подход.

Вот, например, отчет KX и The Centre for Economics and Business Research (CEBR) за 2022 год. Благодаря аналитике данных в реальном времени:
— 80% компаний увеличили доходы;
— 98% компаний отметили рост позитивных настроений среди клиентов;
— 62% компаний сообщили об улучшении внутренних процессов.

Мы знаем, как непросто компаниям поставить бизнес на Data-driven рельсы. А еще мы уверены, что обмен опытом и практиками имеет в этом вопросе решающее значение. Именно поэтому для своей онлайн-конференции мы выбрали тему Data-driven for Business и позвали опытных аналитиков для обмена полезными кейсами и мнениями. В конференции участвуют эксперты из Яндекса, Райффайзен Банка, МТС, T-Банка и других компаний.

Data-driven — это неизбежная ступень эволюции для всякой компании, которая хочет расти. Если ваш бизнес еще не ступил на нее, приходите, чтобы узнать, как и каких результатов можно добиться. А если вы уже в Data-driven, то присоединяетесь к конференции, чтобы послушать коллег и использовать их опыт для развития своей компании. Смотрите программу и регистрируйтесь.

До встречи 24 апреля!

Сегодня у нашей команды особый праздник — день рождения Анатолия Карпова!

Основатель karpovꓸсоurses, аналитик данных и предприниматель, эксперт, за которым следит больше всего аналитиков (по данным исследования NEWHR за 2024 год). Человек, благодаря которому сложилось вдохновленное комьюнити фанатов Data Science.

Давайте вместе поздравим Анатолия: выберите страну, где вы находитесь, и напишите нашему СЕО что-то приятное. Так мы покажем, что наша школа объединяет специалистов по всему миру. А кому-то помогает этот мир увидеть. Пусть Анатолий оценит, какой масштабный проект он создал!

Ждем ваших поздравлений здесь 🧡

Через час узнаем, как у курьеров получается привозить ваш кофе еще горячим и какую роль в этом играют аналитики.

Руководитель аналитики операционных продуктов в ecom.tесh Роман Стрекалов на примере сервиса «Самокат» расскажет как устроены дарксторы и логистика, как аналитики операционных продуктов улучшают процессы и как начать карьеру в этом году.

→ Присоединяйтесь по ссылке

Что внутри курса «Аналитик данных»? Какие знания получите и как сможете применить их в новой работе, узнайте в карточках.

А новый поток курса стартует уже сегодня. Записывайтесь до конца недели и присоединяйтесь к изучению аналитики данных!

Какая начинка у нашего курса «Инженер данных»? Скажем так — богатая. Знаниями, которые все до одного пригодятся в работе.

Из чего состоит курс, читайте в карточках. А полную программу смотрите на сайте.
Новый поток стартует уже 17 апреля.

Через час начинаем вебинар для тех, кто хочет стать аналитиком данных, но пока не знает с чего начать. Преподаватель karpov.cоurses Анастасия Зеленова расскажет:

— Кто такой аналитик и чем занимается;
— Какие навыки нужны для старта в 2025 году;
— Почему бизнес готов платить аналитикам;
— Какие карьерные пути есть внутри направления.

→ Записывайтесь по ссылке

Если big data — океан, то аналитики — это капитаны кораблей, которые постоянно попадают в шторм неоднородных данных. Чем масштабнее шторм, тем интереснее. Но цена ошибки может быть высокой для бизнеса.

Готовы стать капитаном аналитиком, который уверенно чувствует себя в океане big data? Объявляем набор студентов в совместную онлайн-магистратуру НИУ ВШЭ и karpov.cоurses «Аналитика больших данных».

Это программа для тех, кто хочет за два года освоить навыки в аналитике, машинном обучении и инженерии данных. Стать универсалом с дипломом магистра НИУ ВШЭ, готовым к работе в различных областях — от маркетинга до биоинформатики.

Онлайн-магистратура — это:
— Гибкий формат обучения, чтобы совмещать с работой;
— Преподаватели — эксперты с многолетним опытом;
— Практические задачи, которые можно добавить в портфолио;
— Все преимущества студентов вуза — отсрочка от армии и льготы;
— Возможность получить образовательный кредит под 3% годовых и налоговый вычет;
— Диплом магистра ВШЭ и сертификат karpov.cоurses.

В 2024 году эту магистратуру выбрали 132 студента. Приходите в 2025-м.
[Посмотреть программу обучения]

Узнайте, как аналитики помогают службам доставки привозить заказы вовремя. На следующей неделе приглашаем на два вебинара.

⭐️ Аналитик данных: все, что нужно знать для старта в профессии
15 апреля 19.00 мск

Преподаватель karpov.cоurses Анастасия Зеленова погрузит новичков в направление и расскажет, какие навыки нужны для старта карьеры в 2025 году. Посмотрите, чем занимается аналитик данных на работе каждый день, и решите, интересна вам сфера или нет.
[Записаться]

⭐️ Продуктовая аналитика «под капотом» сервиса быстрой доставки «Самокат»
17 апреля 19.00 мск

Узнайте, как аналитики развивают службы доставки на примере сервиса «Самокат». Руководитель аналитики операционных продуктов в ecоm.tеch Роман Стрекалов расскажет:
— Как устроены дарксторы и логистические процессы, скрытые за интерфейсом приложения;
— Какие инструменты помогают курьерам доставлять заказы за минуты;
— Как аналитики улучшают операционные процессы и какими метриками пользуются;
— Какие навыки нужны, чтобы стать аналитиком операционных продуктов.
[Записаться]

Через час в прямом эфире разберем, как построить модель для предсказания эффективности рекламы до ее запуска. Наш СЕО Анатолий Карпов погрузит в профессию и задачи аналитика данных, расскажет как компании используют аналитику для принятия решений и в чем особенности онлайн-магистратуры от ВШЭ и karpov.соurses «Аналитика больших данных»

Начало — 18.00 мск. Приходите!
>> Присоединиться к вебинару

Каждый ML-инженер желает знать, как спроектировать надежную систему машинного обучения.

А старший директор данных, аналитики и искусственного интеллекта в British Petroleum Валерий Бабушкин исполняет желания, получается. Записывайтесь на его новый короткий курс «ML Design: основы проектирования систем машинного обучения».

Начинаем 26 апреля. Присоединяйтесь!
Посмотреть программу «ML Design»

Что вы выберете сегодня?
Мы — отклонить все встречи

Ничего не планируйте на 24 апреля! Приходите на нашу первую онлайн-конференцию Karpov.cоnf. Для нас событие легендарное, а для вас, уверены, полезное.

Аналитики компаний Яндекса, Avito и МТС и других поделятся опытом в применении data-driven подхода. Смотрите, какая программа:
⭐️ «Можно ли в Power BI делать красиво? Пример разработки стайлгайда для компании», Роман Бунин, автор канала Reveal the Data
⭐️ «Почему BI-проекты проваливаются? 10 основных ошибок и как их избежать», Анастасия Кузнецова, автор канала «настенька и графики» и рассылки BI Bites
⭐️ «Аналитика задом наперед, или как использовать ML для поиска точек роста», Даниил Демитров, Product Analyst Team Lead в Uzum Fintech
⭐️ «Как мы улучшили аналитику YandexArt с помощью Yagpt», Артур Самигуллин, тимлид ML-аналитиков YandexArt в Яндексе
⭐️ «История о том, как дерево метрик помогает или не помогает принимать решения в компаниях», Нерсес Багиян, руководитель направления по работе с данными в Райффайзен Банк
⭐️ «Последовательное тестирование. SPRT. Как правильно подглядывать и ускорять при этом эксперименты», Дмитрий Казаков, директор по аналитике в Kolesa Group
⭐️ «Conversational AI: юзкейсы, пользовательский опыт, ML/AI компоненты», Лола Александрова, AI Product Lead в МТС

Чтобы принять участие, зарегистрируйтесь. Коллег тоже приводите. Встретимся на Karpov.cоnf!

А в комментариях уже сейчас задавайте вопросы спикерам. Передадим.

Научитесь предсказывать эффективность рекламы до ее запуска. Приходите на вебинар 10 апреля. Наш СЕО Анатолий Карпов покажет, как построить модель на стыке аналитики и машинного обучения:
С точки зрения машинного обучения, задача не самая сложная, но на этапе реализации модели есть множество подводных камней. О них и расскажу.

Еще на вебинаре вы узнаете:
— Как компании используют аналитику данных для принятия решений
— Какие сложности возникают при внедрении аналитических решений и как их решать
— Какие навыки нужны, чтобы стать аналитиком в 2025 году

[Записаться на вебинар]

На днях у нас прошёл вебинар «Первые шаги в Deep Learning и Computer Vision. Учимся распознавать героев аниме» с Анастасией Белозеровой — нашей преподавательницей и Head of Research Projects в VisionLabs.
Вы задали много интересных и глубоких вопросов. Анастасия подготовила на них ответы, делимся ⬇️

— Правда ли, что в Huawei всё пишут с нуля, без использования фреймов?
Насколько я знаю — да. Большие компании часто не используют open-source, а создают своё. Так делают и в Яндексе, и в Сбере, и в Huawei.

— Какие фреймворки вы используете и какие методы применяете? Пишете сетки с нуля или используете готовые модели YOLO, PyTorch / TensorFlow + Keras?
YOLO не используем. Для задач attribute recognition / metric learning / license plate recognition / tracking пишем свои репозитории на PyTorch. Для детекции используем mmdetection.

— Я работаю в крупной иностранной компании. Являюсь инженером по биомедицинской технике в направлении компьютерной томографии. Занимаюсь обучением врачей работе на томографах. В прошлом году прошёл курс ML engineering (совместный с ИТМО). Хочу дальше развиваться, чтобы попасть в сферу медицинского AI. Сфера довольно узкая. Насколько этот курс поможет мне в этом?
Если хотите делать CV в медицине — нужно начать с базового CV. Сегментация — это уже продвинутая тема, к ней нужно прийти через фундамент. Курс помогает именно с этим — закладывает основу.

— Распознаёте ли квадратные номера?
Да. И отличаем мотоциклетные от тракторных :)
Более того, у Хорватии номера могут быть вертикальными — из трёх строк, и с ними мы тоже справляемся. И даже с номерами США, где можно заказать себе надпись "I ❤️ CV" в качестве номера.

— Каждый нейрон — линейная модель? И как подбирается число слоёв в сетке?
Да, нейрон является линейной моделью. Нелинейность появляется только за счёт функции активации.
А количество слоёв и нейронов в каждом слое подбирается эмпирически, фиксировано только число в последнем слое :)

— Когда лучше использовать sigmoid, а когда tanh?
Sigmoid — одна из первых функций активации, и она очень удобна своей областью значений — [0,1]. Поэтому при решении задачи multi-label-классификации её, как правило, используют в последнем слое сети, чтобы выход каждого нейрона интерпретировать как вероятность.
Но у неё есть большой минус — находясь внутри сети, она провоцирует затухание градиентов и мешает сети эффективно учиться. У Tanh такой проблемы нет. Подробнее рекомендую почитать хорошую статью на Хабре.

— Почему ресайз именно 64×64?
Ресайз к 64×64 в данном случае ничем специальным не обусловлен. Поскольку инициализации в сети у нас не было, размеры можно варьировать и выбирать те, которые устраивают по скорости и дают хорошее качество.

— Интересно, уходит ли уже математика нейронных сетей на какой-то недосягаемый уровень? Такой, на котором эту математику будут понимать только несколько десятков человек во всём мире.
Если вы попробуете разобраться досконально в обосновании работоспособности лоссов для диффузионных сетей, то и правда может появиться ощущение недосягаемости :)

— Что такое ONNX, TensorRT, OpenVINO и так далее?
Коротко говоря: это фреймворки для эффективного инференса нейронных сетей. В них вы сеть не сможете обучить, но сможете уже при тестовой работе в продукте очень эффективно выполнять все операции внутри сети. Это позволяет работать быстро — чего все пользователи и хотят.

Какие темы хотите разобрать подробнее? Пишите в комментариях!

Остался час до начала вебинара «Как стать ML-инженером» с тимлидом в Raiffeisen CIB, нашим преподавателем Алексеем Биршертом.
Спикер простыми словами и на личном примере расскажет о карьере в Machine Learning. На примере реальной задачи покажет ежедневную работу специалиста и даст советы, с чего начать путь в ML. Приходите, чтобы узнать больше о профессии.

Острый голод посреди пира
Так можно описать ситуацию на IT-рынке труда, судя по последнему исследованию hh. Компаниям нужны толковые специалисты, готовые к реальным задачам. Мы готовим толковых. Приходите в апреле. Даты стартов оставили в карточке.

Сколько людей пришли в IT не из IT!
А из какой вы сферы и в какую перешли? Поделитесь в комментариях.

Время, когда профессию выбирали на всю жизнь, прошло?
Преимущественно да. Новые технологии и искусственный интеллект трансформируют рынок труда куда мощнее, чем в свое время это сделал ткацкий станок Жаккара. Мы буквально живем в эпоху ежегодных перемен.
Профессии меняются на глазах и вполне нормально:
— постоянно доучиваться и менять работу внутри направления;
— кардинально менять сферу деятельности, потому что а) это интересно б) вы можете себе позволить. Раньше было сложнее.

⭐️ Какие установки ушли в прошлое:
— Выбор нужно сделать как можно раньше. Нет, самый лучший — осознанный выбор
— Профессию выбирают раз и навсегда. Нет, вы сами решаете, сколько профессий хотите сменить за жизнь
— Хорошо зарабатывают только белые воротнички. Нет, недавно курьеры превзошли по зарплате врачей, журналистов и IT-шников.

📌 На что опираться теперь:
— Надо постоянно учиться. Даже в границах одной профессии. Новые подходы и технологии требуют от специалистов новых навыков.
— Вузовский диплом не гарант карьеры. Это бонус. С большим интересом работодатели смотрят на практику, опыт и вовлеченность.
— Некоторые профессии скоро исчезнут. Но благодаря технологиям еще больше направлений появится.

Выбирайте свою реакцию:
🔥 если меняли профессию внутри IT
⚡️ если пришли в IT из другой сферы
🐳 если ничего не меняли

Повторяем для всех желающих стать ML-инженерами: бесплатный вебинар «Как стать ML-инженером» с тимлидом в Raiffeisen CIB Алексеем Биршертом.
Записывайте в блокнотик план на 3 апреля в 19.00 мск:
✅ Познакомиться с преподавателем курса «Инженер машинного обучения»;
✅ Разобраться, кто такие ML-инженеры, какие навыки и инструменты нужны для старта;
✅ Узнать, как устроено обучение в karpov.cоurses;
✅ На примере реальной задачи посмотреть, как работает ML-инженер.

Чтобы поучаствовать, зарегистрируйтесь на вебинар

SELECT * FROM Students WHERE course = 'Симулятор SQL'
Так выглядел бы SQL-запрос, если бы мы искали всех студентов, которые обучаются на курсе «Симулятор SQL». А таких уже более 50 000!

Если хотите уверенно разбираться в SQL, вам тоже пора пройти наш симулятор. Обучение полностью бесплатное, проходит в интерактивном режиме.

А вы уже проходили курс? Делитесь впечатлениями в комментариях!

Вам не нужен этот курс, если у вас…
✅ Уже есть навыки в ML: от сбора данных и применения классических алгоритмов до обучения нейросетей и проведения A/B-тестов.
✅ Все хорошо с карьерой: успешно работаете ML-инженером несколько лет.
✅ Нет интереса к нетворкингу в Data Science.
А если хоть один пункт вызывает сомнения, присмотритесь к программе «ML Engineering: от базы до AI-продукта» от Karpov.Courses и AI Talent Hub. Мы продлили набор до 31 марта.

Что вы получите:
— Системное обучение: освоите весь цикл разработки ML-продуктов — от сбора данных до внедрения моделей в продакшн.​
— Практический опыт: поработаете над реальными проектами и сможете добавить в портфолио два полноценных MVP.​
— Диплом: по окончании программы получите диплом о профессиональной переподготовке от одного из ведущих технических вузов России — ИТМО.
— Подготовку к магистратуре: в случае успешной защиты финального проекта сможете поступить на бюджетное отделение магистратуры ИТМО AI Talent Hub без вступительных.
— Нетворкинг: заведете полезные знакомства с экспертами индустрии и найдете единомышленников.

Если ML-инженерия — ваш вектор, ждем вас на программе. Посмотреть список преподавателей и записаться можно на сайте.

Травка зеленеет,
Солнышко блестит;
Выгода от karpov.cоurses
В сени к вам летит

(Ловите эту пташку до 30 апреля тут: Hard Аналитика данных или Hard Machine Learning)

Сегодня в прямом эфире научим ИИ распознавать героев аниме «Наруто» и заодно объясним, что такое Deep Learning и Computer Vision.

Спикер — наша преподавательница и Head of Research Projects в VisionLabs Анастасия Белозерова. Расскажет, как начать карьеру в сфере глубокого обучения и покажет какие задачи предстоит решать каждый день.

Начало — 19.00 мск. Ждём!
>> Присоединиться к эфиру

Стартовал новый поток курса «Инженер данных». Тот самый, на котором наши партнёры из LEFT JOIN выберут себе в команду новых сотрудников. Несколько счастливчиков выйдут на работу мидлами, минуя стадию джуна. Да, так бывает:)

Будущие инженеры данных, присоединяйтесь! Мы продлили набор студентов до 30 марта включительно.

Узнать подробнее о программе

В начале 20 века британский статистик Уильям Госсет разработал t-критерий для оценки качества пива в компании Guinness. А сегодня t-тест — один из самых популярных статистических методов, которым пользуются повсеместно. При этом многие совершают типичные ошибки при его применении. Какие именно? Узнайте из нашего видео.

Преподаватель из karpov.courses Александр Сахнов на примерах разбирает распространенные заблуждения о t-тесте и демонстрирует, как правильно с ним работать:
YouTube
ВКонтакте

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]

Как работают дата-инженеры на самом деле?
Вчера на вебинаре Анатолий Карпов и Николай Валиотти обсудили, чем реальная работа дата-инженера отличается от учебных проектов. Делимся ключевыми моментами:

⭐️ Дата-инженерия — это не только SQL и ETL. Нужно разбираться в архитектуре данных, BI, оркестрации процессов и уметь работать с различными базами, от PostgreSQL до ClickHouse.
⭐️ Почему Airflow стал стандартом? Он помогает управлять сложными пайплайнами и является обязательным инструментом для дата-инженеров.
⭐️ Нужен ли глубокий BI? Да, инженеры работают с аналитиками и помогают строить правильные витрины данных.
⭐️ Как выбрать базу данных? PostgreSQL — индустриальный стандарт, но в крупных компаниях часто используют экосистему Hadoop для работы с большими данными и ClickHouse для быстрой работы с ними.
⭐️ Какие навыки нужны? Алгоритмическое мышление, программирование (Python, SQL), понимание DWH, ETL и архитектуры данных.

Обсудили и другие важные вопросы: масштабирование ClickHouse, работу с legacy-системами, новые технологии и даже анкор-моделирование.
Запись вебинара смотрите по ссылке: ВКонтакте, YouTube

Через 2 часа начнем разоблачать мифы о профессии инженера данных. Прямо в нашем канале СЕО и основатель дата-консалтинга LEFT JOIN Николай Валиотти и CEO karpov.соurses Анатолий Карпов расскажут:
— Чем учебные проекты отличаются от реальных;
— Насколько глубоко нужно погружаться в BI;
— Почему Airflow стал стандартом для оркестрации ETL-процессов.

Приходите, будет интересно! Вопросы для трансляции пишите в комментариях к посту⬇️

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!)

Машинное обучение окружает нас повсюду: от рекомендательных алгоритмов в соцсетях до голосовых помощников в приложениях. Почти каждая технологическая компания использует ML.
Но есть проблема: несмотря на спрос и рост индустрии, специалистов по Machine Learning все еще мало. Давайте разбираться в ситуации.

Зачем нужен ML-инженер
ML-инженер сначала создает модель, обучает и тестирует ее, внедряет в систему. А после релиза обеспечивает быструю и стабильную работу решения и масштабирует проект.

Чтобы модель стабильно работала в продакшене, нужно:
🔸 автоматизировать ML-процессы — превратить эксперименты в рабочие пайплайны;
🔸 оптимизировать модели — снизить затраты на вычисления и создать эффективную архитектуру;
🔸 обеспечивать стабильную работу — проводить мониторинг, CI/CD, A/B-тестирование.
Без ML-инженеров даже лучшие модели остаются просто строками кода. Поэтому компании высоко ценят таких специалистов.

Действительно ли есть спрос
1️⃣ Согласно исследованию TAdviser, в 2024 году 90% топ-100 крупнейших компаний России использовали ML-технологии.
2️⃣ По данным hh.ru, в 2023–2024 годах количество вакансий с упоминанием ИИ выросло вдвое. А по оценке «Работа.ру» — на 70%.
3️⃣ Знание ML позволяет IT-специалистам увеличить заработок как минимум на 25%. Например, если опытный дата-сайентист, работающий с ИИ, зарабатывает 530 000 ₽ в месяц, то специалист без такого навыка — 420 000 ₽.
Больше всего ML-специалистов нанимают банки, ритейл, e-commerce и IT-разработчики.

Если тоже хотите освоить востребованную профессию, ждем вас на программе «ML-Engineering: от базы до AI-продукта» от ИТМО и karpov.соurses.

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

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.

Полезные встречи следующей недели. Выбирайте одну или приходите на обе.

1️⃣Инструменты и технологии для инженера данных: как развиваться в профессии
18 марта 18:00 мск

СЕО и основатель дата-консалтинга и медиа LEFT JOIN Николай Валиотти погрузит в реальные задачи специалистов, расскажет о рынке труда в 2025 году и раскроет детали совместного предложения о трудоустройстве LEFT JOIN и karpov.соurses — у студентов будет шанс получить оффер на позицию Middle Data engineer.
→ Записаться

2️⃣Погружаемся в мир А/В-тестирования: от гипотез до принятия решений
20 марта 18:00 мск

Продуктовый аналитик онлайн кинотеатра Okko Вера Багрова на примерах из своей практики покажет, как проводить А/Б тесты, чтобы они приносили результат. Какие есть лайфхаки и как избежать ошибок.
→ Записаться

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.

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.

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!

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

​​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.

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.

🔥 Исследование рынка аналитиков 2024: полные результаты

Мы опросили 1293 аналитиков 6-ти специализаций и готовы рассказать вам:

➤ Какие задачи решают аналитики

➤ Что с релокацией у аналитиков

➤ Сколько зарабатывают аналитики

➤ ТОП и анти-ТОП компаний для аналитиков

➤ Что ценят в аналитической культуре

➤ За какими экспертами следят аналитики

Будем рады, если вы поделитесь результатами исследования с коллегами, знакомыми, друзьями аналитиками и всеми, кому может быть интересно 🫶

👉 Смотреть полные результаты

Все, кто принял участие в нашем исследовании и оставлял почту, проверьте её! От нас должно прийти письмо с приглашением на закрытый стрим для респондентов 🙏

💙 Команда NEWHR анализирует IT-рынок в России и других странах. Мы делаем публичные и заказные исследования для компаний (смотреть примеры). Будем рады сделать исследование вместе с вами.

📨 Пишите на почту data@new.hr

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.

Проверим, как хорошо вы знаете инструменты аналитика данных? Внимательно прочитайте описания программ и отметьте, в каких из вариантов допущены ошибки.
0️⃣PyTorch — фреймворк для машинного и глубокого обучения;
1️⃣Tableau — мощный инструмент для создания интерактивных дашбордов и визуализаций;
2️⃣MongoDB — реляционная база данных для работы со структурированными данными;
3️⃣Hadoop — экосистема для хранения и обработки больших данных;
4️⃣TensorFlow — библиотека от Microsoft для построения моделей глубокого обучения;
5️⃣Keras — высокоуровневая библиотека для работы с нейронными сетями;
6️⃣FlexFrame — библиотека для работы с разнородными данными: от текстовых файлов до потоков в реальном времени;
7️⃣NumPy — библиотека Python для научных вычислений;
8️⃣Dask — инструмент для масштабирования анализа данных;
9️⃣Granular — система для хранения и анализа больших данных, оптимизированная для высокоскоростных операций над разнородными источниками.

Пишите свои варианты в комментарии. А если возникли затруднения и желание разобраться в направлении, то приходите на курс «Аналитик данных».

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!

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.

Материал для тех, кто только входит в мир данных.
Опытные инженеры, не спешите разбирать пост на байты! О вас мы тоже помним — наши эксперты уже готовят материал про T-Test. А пока давайте поможем новичкам.

Тем, кто только начинает путь в Data Science, бывает сложно определиться с направлением. Рассказываем, чем отличаются курсы «Инженер данных с нуля» и «Инженер машинного обучения», чему на них учат и как определиться с программой.

Чем отличаются профессии
⭐️ Инженер данных создает инфраструктуру для работы с массивами информации: базы, пайплайны. Его главная цель — обеспечить надежное хранение и обработку данных для аналитики и машинного обучения.
⭐️ Инженер машинного обучения разрабатывает и внедряет ML-модели. Его цель — создать алгоритм, который решает конкретную задачу. Например, прогнозирование продаж.

Чем отличаются программы
⭐️ На курсе «Инженер данных с нуля» вы научитесь очищать, трансформировать, перемещать и хранить данные. Для этого освоите инструменты: SQL, Python, Airflow, Spark, Kafka, Docker. На практике построите ETL-систему и хранилище данных, потренируетесь в их обработке.
⭐️ На курсе «Инженер машинного обучения» узнаете, как готовить данные для ML-моделей, извлекать признаки и обучать нейросети. Овладеете инструментами: Python, Pandas, NumPy, Scikit-learn, PyTorch, TensorFlow. На практике поработаете с датасетами, создадите и внедрите ML-модель.

Как определиться
Ответьте на пару вопросов:
1. Нравится анализировать, преобразовывать и структурировать информацию? Если да, вам подойдет курс «Инженер данных с нуля».
2. Мечтаете создавать и обучать нейросети вроде Алисы и ChatGPT? «Инженер машинного обучения» — для вас.

Выбирайте курс и оставляйте заявку на программу.

Не пропустите начало занятий в марте.

А еще обратите внимание, что стартует ДПО с ИМТО «ML-Engineering: от базы до AI-продукта» (следующий набор будет только осенью), на два базовых курса можно поступить с выгодой, а на программе «Инженер данных» у студентов будет шанс получить оффер в компанию LEFT JOIN.

Выбирайте программу и оставляйте заявку.
Ждем на занятиях 🧡

Знаете, как YouTube и VK выбирают, что вам показать? У них есть рекомендательные системы, которые анализируют предпочтения пользователей: клики, лайки, репосты, комментарии, пересматриваемые моменты в видео. Так алгоритм определяем наиболее подходящие ролики для вас.

Вы тоже можете научиться создавать такие системы — на финальном проекте курса «Инженер машинного обучения». Вы будете работать над бизнес-задачей под руководством практиков из Data Science:

— анализировать пользовательские данные;
— создавать сервис, который ранжирует посты в реальном времени;
— применять модели, которые учитывают интересы и поведение пользователей;
— проверять гипотезы с помощью A/B-тестирования;
— использовать глубокое обучение для улучшения рекомендаций.

Вы сможете добавить проект в портфолио и показать будущему работодателю. Кейс покажет ваши навыки в построении моделей и их интеграции в реальный сервис — это станет вашим преимуществом перед другими кандидатами.

Подробнее о практике рассказал соавтор курса и Head of DS в Raiffeisen CIB Нерсес Багиян.
Ознакомиться с полной программой и присоединиться к ближайшему потоку можно на сайте.

Привет! У нас временные неполадки с загрузкой мобильной версии сайта на устройствах Apple. Уже работаем над их устранением 🤓

Хотите в аналитику, но не знаете, с чего начать? Присоединяйтесь на вебинар уже через час!

Разберем:
— Кто такой аналитик данных и чем он занимается;
— Какие навыки нужны для старта в 2025 году;
— Как аналитики помогают бизнесу и почему их работа высоко ценится;
— Как строится карьера в аналитике.

Спикер: Анастасия Зеленова, team lead аналитики в Raiffeisen CIB

[Участвовать]

Собрали самые полезные и интересные посты за последние месяцы. Смотрите, читайте и непременно потом сделайте упражнения для расслабления глаз.

Почему soft skills так важны для карьеры
Опытом делится Артемий Мацуев — бывший студент курса Аналитик данных, а сейчас — руководитель отдела продуктовой аналитики в Okko.
>> Смотреть

Как джуну пройти собеседование на аналитика
Наш CEO Анатолий Карпов разбирает задания от эйчаров и на примерах рассказывает, как и что решать.
>> Смотреть

Все, что вы хотели знать о дисперсии
Зачем мы вычитаем количество из размера выборки? Почему используются квадраты вместо абсолютного значения? Здесь степень свободы? Объясняем все-все-все за 40 минут.
>> Смотреть

От стажера в Samsung R&D до тимлида в VisionLabs
Своей историей карьеры делится Анастасия Белозерова — хедлайнер CV-блока на курсе Deep Learning Engineer. Рассказывает, как выбрала Computer Vision и почему работать в небольших компаниях не менее интересно, чем в больших техах.
>> Читать

В каких областях математики надо разобраться начинающему аналитику
Перечисляем, сколько всего предстоит освоить, и зовем на наш бесплатный курс по математике , где есть необходимая база по линейной алгебре и математическому анализу для дата-сайентиста.
>> Читать

7 упражнений для расслабления и увлажнения глаз
Рассказываем, как моргать, давить на веки и профессионально закатывать глаза после долгих часов работы перед экраном.
>> Сделать прямо сейчас

Если выше вы ответили неправильно, не печальтесь. Записывайтесь на курс «ML Engineering: от базы до AI-продукта» от ИТМО и karpov.соurses. Научим разбираться в MLOps, разрабатывать ML-модели, запускать их в продакшн и эффективно чинить сбои.

Вы изучите пайплайны, CI/CD, мониторинг, тестирование и внедрение ML-моделей на реальных задачах.
[Посмотреть страницу программы]

Каким будет ML в 2025 году?
Разберемся сегодня в 18:00 по Мск

Анатолий Карпов и представители AI Talent Hub в ИТМО Дмитрий Ботов и Юлия Лим расскажут о ключевых трендах в машинном обучении, новых требованиях к ML-инженерам и реальных кейсах применения ML в финтехе, ритейле и других индустриях.
А еще разберут, как получить сильное ML-образование и попасть в магистратуру ИТМО AI Talent Hub.

Присоединяйтесь, будет полезно!
[Присоединиться]

Ситуация:
Вы разработали ML-модель, которая на тестах показала 92% точности. Бизнес доволен, вы счастливы. Но проходит три месяца, и начинается какая-то чертовщина: предсказания работают хуже и хуже, клиенты жалуются на некорректную работу, заказчик в панике.

Для всех, кто хочет разобраться в машинном обучении: через час начинаем вебинар с senior ML-инженером.

Тимлид Raiffeisen CIB и преподаватель karpov.соurses Алексей Биршерт просто и понятно расскажет, чем занимаются ML-инженеры, какие навыки нужны для старта и как устроено обучение в сфере машинного обучения. А еще на реальных задачах покажет пример работы ML-инженера.

Присоединяйтесь, будет интересно!
[Ссылка на регистрацию]

Хакатон-хакатон,
Поможет всем с работой он.

Читайте вдохновляющую историю нашего студента — ML-щика Максима Юрлова, который скромно пошел на хакатон ради опыта, а вернулся оттуда с победой, глубокими знаниями о сое и уверенностью в своих силах.

В последнюю неделю зимы (да-да, она заканчивается) приглашаем на три бесплатных вебинара. Выбирайте то, что интересно, приходите, знакомьтесь с преподавателями, программами и IT-профессиями.

Как стать ML-инженером
25 февраля 19:00 мск
Техлид в Raiffeisen Алексей Биршерт познакомит со сферой Machine learning, на примере реальной задачи покажет работу ML-инженера и расскажет, как проходит обучение на практике в karpov.соurses.
>> Зарегистрироваться

ML-инженер в 2025 году: навыки, тренды, спрос
26 февраля 18:00 мск
Наш CEO Анатолий Карпов и представители AI Talent Hub в ИТМО разберут ключевые навыки для старта в профессии ML-инженера, актуальные тренды и уровень спроса на специалистов. Обсудят роль дополнительного образования в подготовке ML-инженеров и возможности поступления на бюджетное отделение магистратуры AI Talent Hub.
>> Зарегистрироваться

Аналитик данных: все, что нужно знать для старта в профессии
27 февраля 19:00 мск
Тимлид команды продуктовой аналитики в Raiffeisen CIB Анастасия Зеленова расскажет про Python, SQL, статистику, метрики, Airflow, BI и другие инструменты аналитика.
>> Зарегистрироваться