• Вертикальная и горизонтальная карьера в сфере Data Science
    +1

    Я понимаю о чем речь: любой рост нами рассматривается по вертикальной оси. Тут однако, человек растет именно в профессиональной плоскости как специалист, а не как управленец. И на моменте Senior DS он должен по сути принять решение, куда ему дальше двигаться: продолжать расти как специалист или начать развиваться вертикально как управленец.

  • Data Engineer – самая сексуальная профессия XXI века
    +1

    Можно и так сказать, но в моем понимании сисадмин находится на инфраструктурном уровне, DE на сервисном, а DS на пользовательском.

  • Data Engineer – самая сексуальная профессия XXI века
    +1

    В данном случае Data Scientist более раскручен, чем Data Engineer. Все хотят быть первыми, а не вторыми. Даже в крупных компаниях бывает: если ты DS, вот тебе MacBook, а если DE, тебе не положено. В итоге и видим, что часть DE хотят стать DS.

  • Как спроектировать идеальное занятие
    0

    Да, согласен. Поэтому я начал c:


    Предположим, что ты выступаешь впервые перед этой аудиторией.

    Если не первый раз, то конечно, это можно скипануть.


    Про ожидания от курса – да. Мы просто берем это на себя и рассылаем опросник перед стартом программы, плюс на первом занятии участники еще все представляются и говорят про свои цели.


    С опоздавшими, честно говоря, не очень понятно, что делать. С одной стороны, он сам виноват, что опоздал, в результате чего пропустил часть материала. С другой стороны, как-то помочь ему, конечно, тоже надо. У нас эту проблему можно решить с трансляцией: то есть опаздываешь – подключаешься к трансляции, и потом заходишь в аудиторию, ничего не пропустив. Либо уже потом смотришь в записи.

  • Как я узнал, что моя виза не готова, сообщением в Slack
    0
    И ведь не автоматизируешь это
  • Как я узнал, что моя виза не готова, сообщением в Slack
    0
    Спасибо)

    P.S. Это ж воскресенье в нерабочее время)
  • 1-я лабораторная работа программы Data Engineer
    0
    Нет, другие лабораторные будут доступны непосредственно на нашей программе ¯\_(ツ)_/¯
  • 1-я лабораторная работа программы Data Engineer
    0
    Конечно :)

    Что мы хотим сделать в целом — это построить пайплайн обработки данных: от их сбора с нашего сайта (кликстрим) до их визуализации в каком-нибудь BI-инструменте. В промежутке разный ML.

    Соответственно, в нашей первой лабе мы только начинаем этот процесс. Разворачиваем кластер со всеми сервисами, которые могут понадобиться позднее. Поднимаем «учебный сайт», с которого и будем собирать данные и т.д.
  • Data Science Week 2017. Обзор второго и третьего дня
    0
    Нет, это разные вещи. PCA нам позволяет перейти из исходного признакового пространство в другое путем преобразований и получить компоненты, которые являются линейной комбинацией исходных признаков.

    А LibFM такую трансформацию не производит, а добавляет в обыкновенную линейную регрессию факторное взаимодействие исходных признаков.
  • Российские девушки в Data Science
    +1
    Иногда «выпячивать» надо, чтобы привлечь в эту среду таких же и просто продемонстрировать «есть такой путь, не надо у себя в голове выстраивать границы, что ты не сможешь».

    Как пример из другой плоскости. Публикации про школьников-программистов популяризируют программирование среди школьников, показывая что нет причин, почему это невозможно для них. Когда пишут про школьников-программистов, то в том числе поэтому подчеркивают, что они школьники.
  • Генератор кликов на Python для программы Data Engineer
    –1
    Ну да, наверное, терминологически правильнее «генератор переходов по ссылкам».
  • Анализируем карьеру игроков NHL с помощью Survival Regression и Python
    0
    Нет, наоборот. Вероятность среднестатистического 50-летнего дожить до 80 лет выше, чем у младенца.
  • Анализируем карьеру игроков NHL с помощью Survival Regression и Python
    0
    Если я правильно понял, то в этом случае речь идёт об условной вероятности дожития. К примеру, вероятность дожить до 80, при условии, что человек дожил до 50, будет выше, чем вероятность дожития до 80 лет младенца.

    Но исходная функция выживаемости показывает как раз вторую ситуацию.
  • Анализируем карьеру игроков NHL с помощью Survival Regression и Python
    0
    Да, функция выживаемости, действительно, должна быть невозрастающей. В данном случае мы словили баг библиотеки, который в новой версии разработчики обещают пофиксить.

    Стоит отметить, что кривая выживаемости задается непараметрически, поэтому гипотетически она может возрастать, что как раз и возникает в экстремальных ситуациях (продолжительность карьеры больше 23 сезонов), когда доверительный интервал для статистики Каплана-Мейера может искажаться из-за малого количества игроков, завершивших карьеру.
  • Поддержка исследователей в области Deep Learning
    –2
    Да, мы расматриваем такую возможность. Хотим посмотреть, насколько это вообще интересно сообществу. Так что это можно рассматривать как эксперимент/пилот.
  • Конфигурирование Spark на YARN
    0
    Да, есть некоторый workaround, на митапе он как раз обсуждался — что можно по частям передавать данные на драйвер, потому что памяти на драйвере и правда не напасешься порой.
  • Конфигурирование Spark на YARN
    0
    На предыдущих запусках использовали Cloudera. В этот раз просто переезжали с одного кластера на другой и решили попробовать HortonWorks. Не могу сказать, что заметил сильно принципиальные различия. Интерфейс другой :) Есть Tez.
  • 7 кейсов использования технологий Big Data в сфере производства
    0
    Илья, спасибо за комментарий! В общем-то все, что вы написали в предыдущем комментарии — верно. Компании не очень любят публиковать в открытом доступе детали своих кейсов, и, действительно, бывает сложно понять — какой объем данных они обрабатывают, в real-time или нет и т.д.

    По текущему комментарию. Пунктов много, попробую ничего не упустить из вида.

    1. Аргументы для работодателей. Мы их даем, но не в каждом посте просто. Например, в нашем выступлении на Data Science Weekend такая аргументация была. Аргумент-то довольно простой — либо вы сейчас внедряете у себя data science, либо внедрит конкурент и обыграет вас. На мой взгляд, это особо разжевывать не надо уже сейчас. Многие уже это и так понимают, поэтому неоднократно к нам отправляют обучать своих сотрудников.

    2. Схема отбивки — интересная мысль, пожалуй, возьмем на вооружение. По факту те, кто к нам приходят, ее и так для себя уже сформировали, но возможно для других будет полезно.

    3. Есть соглашение с рекрутинговой компанией, которая оказывает помощь в трудоутройстве: помогает сформировать правильное резюме, подготовиться к собеседованию, найти заинтересованного работодателя. В общем, весь процесс под ключ.

    4. Про Spark — у нас весь второй модуль, 1.5 месяца проходит на нем. Действительно, это быстро развивающаяся область, поэтому мы постоянно адаптируем программу. Как пример — тот же Spark. Во время предыдущего запуска вышла версия 2.0, мы переделали все наши учебные материалы под датафреймы.

    5. Соглашаться или не соглашаться — во-первых, ваше право. Во-вторых, вы, действительно, можете знать больше о каких-то кейсах.

    6. Data Science Week — мы выбрали для себя правильным организацию конференции для широкой аудитории, поэтому продвинутому человеку, как вам, там может быть порой, действительно, скучно. Таким же образом, не очень продвинутому будет скучно на DataFest, потому что он ничего не понимает, о чем говорят.

    7. Ок. Не очень понимаю, смысл этих расчетов. Да, посчитали чистое время аудиторной работы. Во-первых, если просто весь материал уложить в 11 дней подряд по 8 часов, то выхлоп будет намного хуже, чем от размеренного распределения. Во-вторых, аудиторная работа — на нашей программе, это второстепенная часть. Довольно много работы проходит дома над нашими лабораторными заданиями. Это еще примерно 20 часов в неделю.

    8. Ок. Пускай ставка такая же. Но через эти пресловутые 11 дней расходы на обучение закнчиваются.

    9. Про уникальность — фитнес-центров, школ рисования и т.д. намного больше, чем буткэмпов по data science. Поэтому уже здесь уникальность закладывается.

    10. Проблема в том, что вы сравниваете нас с сайтами. Они для нас конечно конкуренты, но второго уровня. Конкуренты первого уровня — это все буткэмпы, которые готовят людей на текущий момент в сфере data science. Я уже писал в комментарии к одному из постов, что в нашем случае есть добавленная ценность по сравнению с онлайн-курсами, за которую человек и платит. Продублирую и здесь:

    1. Упаковка продукта происходит таким образом, что человек получает нужную инъекцию знаний и навыков, которая позволяет ему совершить переход с одной карьерной траектории на другую гораздо быстрее и в более приятном с точки зрения процесса варианте. Чтобы упаковать продукт таким образом, нужно быть хорошим специалистом в области современного (!) образования. И в этом вопросе вообще далеко не каждый разбирается — как правильно организовать программу, как правильно выстроить занятие и т.д.

    2. Вероятность того, что человек пройдет программу до конца и получит то, зачем пришел существенно выше. В онлайн-курсах, например, процент людей, которые доходят до конца — в среднем 15%. Редкие курсы способны преодолеть порог в 40%. Их единицы. Вся проблема в том, что доходят люди, обладающие высоким уровнем дисциплинированности. Своего рода супермены. За что бы они не взялись, они доводят до конца. Это те люди, которые всегда доедают блюдо, потому что просто они не могу его не доесть, им по барабану на свои желания. Ничего плохого против них не имею, как и не считаю, что остальные люди ущербные.

    3. Нетворк. Важная часть, которая порой недооценивается. Люди приходят не за знаниями и навыками, люди приходят за изменениями. Знания и навыки — это только ингридиенты, которые помогают эти изменения совершить, но не единственные. Часто я проходил онлайн-курсы, заканчивал и оставался с вопросом «А дальше-то что?» Куда бежать, кому показывать (ни для кого онлайн-курсы не являются значимым фактором для того, чтобы взять человека на работу). Нетворк — это именно тот дополнительный ингридиент, который помогает дальше воплощать желаемые изменения в жизнь — что бы это не было: трудоустройство, запустить новое направление на текущем месте работы, запилить стартап — что угодно.

    11. По поводу кредита. Во-первых, мы предоставляем беспроцентную рассрочку. Во-вторых, люди и больше 10к на другие нужды как-то отбивают. Но по разбивке — да, еще раз — идея хорошая. Возьмем на вооружение.

    12. Да, это инвестиции в человеческий капитал. Как показывает практика — навыки, востребованные. Как пример, один из работодателей уже 3 раз отправляет к нам учиться своих сотрудников. Их уже под 10 человек будет. Сейчас уже идет 6 запуск программы. С плохим продуктом вряд ли бы нам это удалось.

    Еще раз спасибо за вопросы, хоть и действительно неудобные. Извиняюсь, что не ответили более оперативно. Тоже нас поймите, что вокруг полно троллей, не готовых обсуждать что-то конструктивно, порой бывает непросто отличить тролля от обычного человека.
  • Обзор буткэмпов в области data science за рубежом
    0
    Павел, конечно же мы видели ваши комментарии. Вы не обходите нас никогда стороной. Проблема в том, что чтобы написать ответ на такой вопрос, требуется достаточное количество текста и времени. Судя по всему, вам действительно интересен ответ на этот вопрос, поэтому отвечаю.

    Ваш вопрос касается темы экономики и бизнеса. Не все люди на земле могут в этом разбираться, да и нет в этом необходимости. Как сказал кто-то умный, «все мы невежды только в разных областях». Так случилось, что в этой области у меня и образование (я экономист-математик и у меня в этой же сфере есть ученая степень), плюс какое-то количество лет у меня был свой бизнес. Говорю об этом не для того, чтобы похвастаться (тут хвастаться особо нечем), а чтобы было понятно, почему к моему мнению стоит прислушаться в этом вопросе.

    В экономике одно из базовых понятий — это закон спроса и предложения. Есть классический график, по осям которого расположены цена и объем спроса. С ростом цены спрос обычно падает, а с ее падением — спрос обычно растет. Функция обычно нелинейная и существует максимум произведения цены на объем спроса, что есть доход. Производитель пытается этот максимум найти, аргумент этого максимума — та цена, которую производитель для себя выбирает.

    Но это не единственный подход к определению цены. Товары, которые обладают низкой ценой и высоким спросом называются товарами массового спроса. Товары, которые обладают высокой ценой и низким спросом, попадают в категорию премиум-товаров. Чтобы запустить товар массового спроса, необходимы значительные инвестиции (построить завод к примеру), чтобы запустить товар премиум-качества завод не всегда необходим, у человека может быть небольшая мастерская, которая делает штучный и очень классный товар. Как видите, второй вариант теоретически может быть более подходящим, если нет гигантских инвестиций.

    После того как производитель понял, что ему все-таки больше подходит производство товара премиум-качества, он должен хорошо подумать о том, как сделать так, чтобы товар был действительно качественным. Нельзя же все-таки взять и повесить просто на тот же товар массового производства ценник с большей ценой. Поняв, что какую реальную добавленную ценность можно предложить, производитель выводит свой продукт на рынок и смотрит, насколько это вообще востребовано. Если никто не покупает его, то значит дела плохи. Если же продукт покупают, оставляют положительные отзывы, получают ценность от него в течение сколько-нибудь длительного промежутка времени, то значит продукт успешен. Все довольны, клиенты получают необходимую ценность и готовы платить за нее, производитель получает в обмен на эту ценность деньги. С точки зрения одной категории производителя товар премиум-качества кажется чем-то чересчур и заоблачным, а с точки зрения другой категории — все отлично, они понимают за что платят.

    Примерно так работает экономика. Буткэмпы — это премиум-продукты, как видно по ценнику. И они несут в себе добавленную ценность. Как я уже сказал, есть 3 главных преимущества (их больше и список неисчерпывающий).

    1. Упаковка продукта происходит таким образом, что человек получает нужную инъекцию знаний и навыков, которая позволяет ему совершить переход с одной карьерной траектории на другую гораздо быстрее и в более приятном с точки зрения процесса варианте. Чтобы упаковать продукт таким образом, нужно быть хорошим специалистом в области современного (!) образования. И в этом вопросе вообще далеко не каждый разбирается — как правильно организовать программу, как правильно выстроить занятие и т.д.

    2. Вероятность того, что человек пройдет программу до конца и получит то, зачем пришел существенно выше. В онлайн-курсах, например, процент людей, которые доходят до конца — в среднем 15%. Редкие курсы способны преодолеть порог в 40%. Их единицы. Вся проблема в том, что доходят люди, обладающие высоким уровнем дисциплинированности. Своего рода супермены. За что бы они не взялись, они доводят до конца. Это те люди, которые всегда доедают блюдо, потому что просто они не могу его не доесть, им по барабану на свои желания. Ничего плохого против них не имею, как и не считаю, что остальные люди ущербные.

    3. Нетворк. Важная часть, которая порой недооценивается. Люди приходят не за знаниями и навыками, люди приходят за изменениями. Знания и навыки — это только ингридиенты, которые помогают эти изменения совершить, но не единственные. Часто я проходил онлайн-курсы, заканчивал и оставался с вопросом «А дальше-то что?» Куда бежать, кому показывать (ни для кого онлайн-курсы не являются значимым фактором для того, чтобы взять человека на работу). Нетворк — это именно тот дополнительный ингридиент, который помогает дальше воплощать желаемые изменения в жизнь — что бы это не было: трудоустройство, запустить новое направление на текущем месте работы, запилить стартап — что угодно.

    Как я сказал, пунктов еще много, чем буткэмп может быть лучше, чем небуткэмп. Но если подводить итог, то это премиум-продукт с соответствующим качество, за которое отдельный сегмент людей готов платить.

    Надеюсь, я ответил на ваш вопрос.

    P.S. У нас в программе 36 занятий, поэтому если поделить сумму на количество, то будет 5000 руб. за занятие. Не то чтобы это было очень важно, просто больше соответствует реальности.
  • Учиться можно увлекательно, учиться можно эффективно
    –2
    Есть кое-какие данные в этом посте. Новый опрос будем делать в этом году. Большинство продолжает работать в своих текущих компаниях и развивать это направление у себя. А так, позиции разные в зависимости от опыта, диапазон: от junior data scientist до CIO.
  • Данные лучше, чем нефть, или шестой набор на программу по big data
    +1
    Целиком спрос на тех или иных специалистов — это открытые вакансии, это корпоративное обучение и это аутсорсинг. В зависимости от зрелости рынка, процентное соотношение этих частей различается.

    Мысль была в том, что есть зрелые рынки труда — как рынок бухгалтеров, есть молодые рынки — как рынок data scientists. На рынке бухгалтеров все четко понимают чего хотят и если нужен бухгалтер, то просто открывают вакансию. Ни у кого нет даже мысли в таком случае отправлять кого-то из текущих сотрудников, чтобы сделать из него бухгалтера.

    С data science не совсем так. Работодатель еще до конца не понимает, чего он хочет и как это развивать. Он берет отправляет своего CTO или разработчика на обучение, чтобы тот посмотрел, что со всем этим можно сделать в их компании, и стал драйвером изменений. После этого конечно уже могут появиться вакансии в компании.
  • Предсказание тяжести страховых требований для компании Allstate. Дипломный проект нашего выпускника
    0
    Да, на версии 2.7. Кирилл, здесь вот указывал как раз свою конфигурацию, в том числе софтверную.
  • Как мы запускали программу Deep Learning
    0
    Получается, что да) Новость об этом видели, но пока в нашей учетке не увидели реальную возможность создать NC или NV виртуалку в указанных регионах. Может быть, пока плохо пытались)

    Про Хосткей — спасибо, изучим!
  • Как мы запускали программу Deep Learning
    0
    Возможно, тоже хороший вариант. Но в данном случае нам не хотелось сильно привязываться к Tensorflow, а хотелось показать его как часть общей мозаики в области DL. Хотелось дать общий фреймворк работы.
  • Обзор курсов по Deep Learning
    –1
    Давайте начнем с того, что мы не претендуем на истину в последней истанции. Любой обзор чего угодно содержит в себе степень субъективизма и любой читатель, а тем более человек разбирающийся в этой области как вы, имеет полное право с чем-либо не согласиться. Для этого и есть комментарии, в которых участники обогащают общую картину мира, как это и происходит сейчас.

    1) У меня нет точного знания, почему преподаватели топовых вузов выбирают эти датасеты. Причин может быть масса: нет доступа к другим датасетам; они уже однажды были хорошо разобраны и нет смысла что-то менять (path dependence); они удобны по каким-то другим причинам. Мы можем только догадываться.

    2) Конечно, вводный. Я так и написал, что теории ровно столько, чтобы начать решать задачи в этой области. Мы стремимся дать базу, с которой можно работать дальше. Попробовать deep learning на практике на нескольких задачах, убедиться, что это не страшно, и выстроить в голове фреймворк, который дальше можно целенаправленно заполнять, уже понимая, что к чему в этой области. Понятно, что за два дня невозможно стать экспертом в области, но начать им становиться можно.

    3) Конечно, не массовый, это же очное участие.

    4) По количеству студентов — согласен, тут может быть перегнули.

    Спасибо за участие в дискуссии и вопросы!
  • Обзор курсов по Deep Learning
    –1
    Постарался выделить объективные параметры.

    Сложность: средняя. Преподаватель очень хорошо умеет объяснять сложные вещи простыми словами, а не наоборот, умеет доносить интуицию, которая скрывается за тем или иным алгоритмом. Тем не менее, есть требования для входа: человек должен уже обладать знаниями в области машинного обучения + уметь пользоваться Linux.

    Упор: практика и бизнес. Теории ровно столько, чтобы уметь решать практические задачи. Серия разборов кейсов — как это все применять в бизнесе и какие есть подводные камни.

    Инфраструктура: виртуальная машина с GPU, на которой всю неделю 24/7 можно решать лабораторную работу по классификации изображений.

    Поддержка: преподаватель и координатор будут на связи постоянно, помогая в непонятных моментах.

    Нетворк: знакомство с людьми, которые развиваются в том же направлении.

    Стоимость: программа платная в отличие от большинства онлайн-курсов.

    Участие: пока только очное.
  • Обзор курсов по Deep Learning
    +1
    Думали, добавлять или нет. Решили сделать подборку конкретно специализированных курсов по deep learning.
  • «Мои друзья потеряли меня из виду на 3 месяца» или как люди учатся у нас big data
    0
    Каждому свое, если честно. Если хочется быстро попасть в индустрию — наша программа подходит. Вы приобретаете опыт решения реальных задач. После этого вы уже находясь в индустрии, подтягиваете нужные фундаментальные знания, которые накладываются на вашу практику и опыт. Такой формат зачастую эффективнее обучению «впрок» и «потом поймете зачем».

    Это не секрет, что после нашей программы выпускники продолжают учиться чему-то на тех же онлайн-платформах, но точку входа в индустрию они получили, получили набор связей, получили представление о том, что знают и чего не знают, умеют решать реальные задачи.
  • «Мои друзья потеряли меня из виду на 3 месяца» или как люди учатся у нас big data
    0
    Программа в настоящий момент выглядить несколько иначе, чем в марте 2015. Самое заметное изменение в том, что теперь не 3 кейса разбирается, а 2, убрали кейс про социальные сети. Той строгости в отношении сдачи лаб, которая описана в том посте, тоже нет и на самом деле не было — еще до первого набора мы отказались от этого.

    Наша программа не про хантинг. Да, у нас есть партнеры, все спикеры из индустрии больших данных, программа практикоориентирована, каждую неделю человек решает реальную задачу из бизнеса. В конце программы у него есть неплохое портфолио того, что он умеет делать. Мы в группе выпускников периодически постим какие-то вакансии. Все это способствует трудоустройству. То, что вы перечислили — это онлайн-курсы. Они хороши, но в большей степени в теоретическом аспекте. По окончании них у вас точно не будет хороших связей в индустрии и понимания того, как все происходит на самом деле. Прохождение онлайн-курсов — это хороший плюсик для работодателя, но не более. Прохождение нашей программы дает (особенно среди тех компаний, где наши выпускники уже работают) весомый плюс, но по-прежнему многое зависит от самого соискателя. Именно поэтому сложно давать гарантию трудоустройства.
  • Анализ логов с помощью Hadoop/Python
    0
    Нет.
  • Анализ логов с помощью Hadoop/Python
    0
    Существуют разные бизнес-модели. Например, есть газета «Метро» — бесплатная для читателей, есть газеты, за которые, наоборот, люди платят деньги! Есть бесплатное телевидение, есть то, за которое люди платят.

    Существуют разные целевые аудитории. Те уважаемые образовательные проекты, которые вы указали, предлагают в большинстве своём — очные 2-3 летние программы. Это означает, что они изначально направлены на студентов и аспирантов. Там нужно сдавать сложные экзамены вступительные. По их итогам вы получаете прекрасный фундамент. Практическая и бизнес-сторона там представлена хуже.

    У нас другая история. У нас есть человек, который имеет хороший профессиональный опыт. У него нет времени на очные программы, на подготовку к экзаменам. Он хочет освоить для себя новую профессию, прокачаться в короткий срок и быстро получить эффект в виде трудоустройства, развития нового направления в компании, повышения в должности, зарплате. Обучение практико- и бизнесориентированное. Вот и все.

    На этом предлагаю перенести нашу увлекательную дискуссию в приватное общение. В моем профиле можно найти ссылку на мой Фейсбук. Буду рад пообщаться!
  • Анализ логов с помощью Hadoop/Python
    0
    Спасибо за вопрос по теме) А расскажите чуть подробнее, как бы вы решали эти же задачи вашим способом?
  • Анализ логов с помощью Hadoop/Python
    –1
    От себя добавлю, что многие из указанных минусов были исправлены на втором наборе.
  • Анализ логов с помощью Hadoop/Python
    –4
    Никто и не заявляет, что мы сделали из ничего из себя не представляющих людей хороших специалистов. Мы изначально берём к себе людей, уже много добившихся в своей области, профессионалов, людей, которые умеют и любят учиться. На нашем курсе они получают новые знания и навыки, которые дают эффект.

    А с конспирологией, действительно, можно далеко уйти. Даже может показаться, что вы — наш подсадной человек, который помогает нам в комментах рассказать чуть больше о своём курсе)
  • Анализ логов с помощью Hadoop/Python
    0
    Берут за знания и умения, а не за диплом или сертификат или ещё какую-то бумажку.
  • Анализ логов с помощью Hadoop/Python
    0
    Абсолютно верно! Map-reduce мы даем в качестве базы, которую ну просто должен знать каждый человек, который имеет отношение к большим данным. После некоторого момента наши слушатели делают лабораторные уже на hive или impala и не пишут map-reduce ручками, а делают несколько sql-like запросов, получая тот же результат.

    А Спарку у нас посвящен целый второй модуль. Полностью согласен, что можно решать эту задачу и при помощи этого замечательного инструмента.
  • Анализ логов с помощью Hadoop/Python
    –3
    Курс помогает получить необходимые знания и навыки, которые дальше повышают вероятность трудоустройства по соответствующим позициям. Наши выпускники после прохождения курса устроились в такие компании как Glowbyte Consulting, Dream Industries, одна из DMP-систем, розничная сеть, несколько стартапов. Пара человек уехали за границу.

    На самом деле смена работы — это далеко не единственный эффект, который возникает после обучения. Многие говорят, что смогли у нас прокачаться и запустили новый проект на текущем месте работы. стали приносить больше пользы и получили повышение в должности/зарплате, получили грант на исследование.

    Отвечая на другой ваш комментарий. Действительно, я не являюсь преподавателем. Я занимаюсь организацией обучения. Вот небольшой список наших преподавателей: Александр Петров, Григорий Сапунов, Диляра Хакимова, Александр Крот, Владимир Лесниченко, Максим Лапань, Петр Ермаков, Антон Пилипенко, Николай Марков. Еще много людей «из бизнеса», которые проводят мастер-классы, делясь опытом и рассказывая о подводных камнях, с которыми столкнулись, применяя те или иные инструменты.

    Вообще, это действительно оффтоп уже, поэтому приглашаю вас на наш День открытых дверей, который состоится 23 сентября, на котором сможете задать все волнующие вас вопросы, пообщаться с преподавателями и выпускниками.
  • Анализ логов с помощью Hadoop/Python
    –1
    Да, спасибо! Хорошая мысль.