ВС
Olga Goleva
Валентина, я вас помню, мы с вами в 18 когорте вместе были, я перевелась в 19, не успевала из-за второго проекта и нагрузки на работе)
Вот начинаем рынок прощупывать)
Size: a a a
2021 March 11
OG
Валентина Солдатова
Вот начинаем рынок прощупывать)
Валентина, да, действительно) Ничего, не добежим, так доползем до работы мечты 😄
MG
Olga Goleva
Подскажите, а адекватная математическая подготовка это какая? Хочу понять, какие моменты нужно подтягивать. Некоторая математическая подготовка на курсе у практикум есть, но что-то мне подсказывает, что нужно что-то ещё.
В первую очередь прикладной теорвер:
- когда какие распределения можно применять и какие допущения в них зашиты
- различные представления функций распределения
- дискретные и непрерывные вероятностные процессы (Ито-анализ не нужен :) )
- операции над распределениями, нормировка распределений, ограниченные распределения, многомерные распределения
Базовый математика для обработки данных:
- фитинг параметров
- анализ goodness of fit и т.д.
- методы обработки сигналов
- анализ корреляций
- кластеризация
- бутстрепинг
- понимание экстраполяции, интерполяции
- понимание как работает нормировка
- анализ зависимости ошибок от объемов выборки, анализ достаточности данных
- unseen species анализ
- работа с окнами (и когортами), ресамплинг данных
- подготовка данных к ML, feature engineering, регуляризация, выбор целевых метрик и функций
Базовое понимание математических моделей динамических систем:
- в каких случаях в продукте и в маркетинге возникают дифференциальные уравнения
- как подробрать простую модель для таких случаев и проверить ее адекватность
- понимание фазового пространства динамической системы
- понимание как получить стационарное решение и определить границы переходных процессов
- умение находить уравнения связи и граничные условия
Численное моделирование:
- Монте-Карло симуляции
- Простые алгоритмы численного интегрирования
- анализ сходимости, поиск оптимального шага моделирования и временных нормировок
- аглоритмы численной оптимизации и оптимального управления (какие когда и как использовать)
______________________________________
Это все используется активно на практике. В идеале стажер, который выучился, но не имеет опыта, должен был в рамках учебы попробовать самостоятельно решить как минимум одну-две иллюстративные задачи (руками или через код) на каждый из этих пунктов. Это не должно быть чем-то совершенно неизвестным. Далее работа в компании уже учит как применять это в бою в реальных задачах. Кто-то поспорит, что не которые вещи редко возникают, но даже если какой-то вопрос возникнет раз в год, нужно не попадать в полный тупик из-за недостатка образования. Хуже всего, когда из-за недостатка базы специалист не может разглядеть, где какой метод мог бы здорово срезать углы и упростить решение задачи. Такой аналитик регулярно изобретает велосипеды или буксует.
- когда какие распределения можно применять и какие допущения в них зашиты
- различные представления функций распределения
- дискретные и непрерывные вероятностные процессы (Ито-анализ не нужен :) )
- операции над распределениями, нормировка распределений, ограниченные распределения, многомерные распределения
Базовый математика для обработки данных:
- фитинг параметров
- анализ goodness of fit и т.д.
- методы обработки сигналов
- анализ корреляций
- кластеризация
- бутстрепинг
- понимание экстраполяции, интерполяции
- понимание как работает нормировка
- анализ зависимости ошибок от объемов выборки, анализ достаточности данных
- unseen species анализ
- работа с окнами (и когортами), ресамплинг данных
- подготовка данных к ML, feature engineering, регуляризация, выбор целевых метрик и функций
Базовое понимание математических моделей динамических систем:
- в каких случаях в продукте и в маркетинге возникают дифференциальные уравнения
- как подробрать простую модель для таких случаев и проверить ее адекватность
- понимание фазового пространства динамической системы
- понимание как получить стационарное решение и определить границы переходных процессов
- умение находить уравнения связи и граничные условия
Численное моделирование:
- Монте-Карло симуляции
- Простые алгоритмы численного интегрирования
- анализ сходимости, поиск оптимального шага моделирования и временных нормировок
- аглоритмы численной оптимизации и оптимального управления (какие когда и как использовать)
______________________________________
Это все используется активно на практике. В идеале стажер, который выучился, но не имеет опыта, должен был в рамках учебы попробовать самостоятельно решить как минимум одну-две иллюстративные задачи (руками или через код) на каждый из этих пунктов. Это не должно быть чем-то совершенно неизвестным. Далее работа в компании уже учит как применять это в бою в реальных задачах. Кто-то поспорит, что не которые вещи редко возникают, но даже если какой-то вопрос возникнет раз в год, нужно не попадать в полный тупик из-за недостатка образования. Хуже всего, когда из-за недостатка базы специалист не может разглядеть, где какой метод мог бы здорово срезать углы и упростить решение задачи. Такой аналитик регулярно изобретает велосипеды или буксует.
OG
В первую очередь прикладной теорвер:
- когда какие распределения можно применять и какие допущения в них зашиты
- различные представления функций распределения
- дискретные и непрерывные вероятностные процессы (Ито-анализ не нужен :) )
- операции над распределениями, нормировка распределений, ограниченные распределения, многомерные распределения
Базовый математика для обработки данных:
- фитинг параметров
- анализ goodness of fit и т.д.
- методы обработки сигналов
- анализ корреляций
- кластеризация
- бутстрепинг
- понимание экстраполяции, интерполяции
- понимание как работает нормировка
- анализ зависимости ошибок от объемов выборки, анализ достаточности данных
- unseen species анализ
- работа с окнами (и когортами), ресамплинг данных
- подготовка данных к ML, feature engineering, регуляризация, выбор целевых метрик и функций
Базовое понимание математических моделей динамических систем:
- в каких случаях в продукте и в маркетинге возникают дифференциальные уравнения
- как подробрать простую модель для таких случаев и проверить ее адекватность
- понимание фазового пространства динамической системы
- понимание как получить стационарное решение и определить границы переходных процессов
- умение находить уравнения связи и граничные условия
Численное моделирование:
- Монте-Карло симуляции
- Простые алгоритмы численного интегрирования
- анализ сходимости, поиск оптимального шага моделирования и временных нормировок
- аглоритмы численной оптимизации и оптимального управления (какие когда и как использовать)
______________________________________
Это все используется активно на практике. В идеале стажер, который выучился, но не имеет опыта, должен был в рамках учебы попробовать самостоятельно решить как минимум одну-две иллюстративные задачи (руками или через код) на каждый из этих пунктов. Это не должно быть чем-то совершенно неизвестным. Далее работа в компании уже учит как применять это в бою в реальных задачах. Кто-то поспорит, что не которые вещи редко возникают, но даже если какой-то вопрос возникнет раз в год, нужно не попадать в полный тупик из-за недостатка образования. Хуже всего, когда из-за недостатка базы специалист не может разглядеть, где какой метод мог бы здорово срезать углы и упростить решение задачи. Такой аналитик регулярно изобретает велосипеды или буксует.
- когда какие распределения можно применять и какие допущения в них зашиты
- различные представления функций распределения
- дискретные и непрерывные вероятностные процессы (Ито-анализ не нужен :) )
- операции над распределениями, нормировка распределений, ограниченные распределения, многомерные распределения
Базовый математика для обработки данных:
- фитинг параметров
- анализ goodness of fit и т.д.
- методы обработки сигналов
- анализ корреляций
- кластеризация
- бутстрепинг
- понимание экстраполяции, интерполяции
- понимание как работает нормировка
- анализ зависимости ошибок от объемов выборки, анализ достаточности данных
- unseen species анализ
- работа с окнами (и когортами), ресамплинг данных
- подготовка данных к ML, feature engineering, регуляризация, выбор целевых метрик и функций
Базовое понимание математических моделей динамических систем:
- в каких случаях в продукте и в маркетинге возникают дифференциальные уравнения
- как подробрать простую модель для таких случаев и проверить ее адекватность
- понимание фазового пространства динамической системы
- понимание как получить стационарное решение и определить границы переходных процессов
- умение находить уравнения связи и граничные условия
Численное моделирование:
- Монте-Карло симуляции
- Простые алгоритмы численного интегрирования
- анализ сходимости, поиск оптимального шага моделирования и временных нормировок
- аглоритмы численной оптимизации и оптимального управления (какие когда и как использовать)
______________________________________
Это все используется активно на практике. В идеале стажер, который выучился, но не имеет опыта, должен был в рамках учебы попробовать самостоятельно решить как минимум одну-две иллюстративные задачи (руками или через код) на каждый из этих пунктов. Это не должно быть чем-то совершенно неизвестным. Далее работа в компании уже учит как применять это в бою в реальных задачах. Кто-то поспорит, что не которые вещи редко возникают, но даже если какой-то вопрос возникнет раз в год, нужно не попадать в полный тупик из-за недостатка образования. Хуже всего, когда из-за недостатка базы специалист не может разглядеть, где какой метод мог бы здорово срезать углы и упростить решение задачи. Такой аналитик регулярно изобретает велосипеды или буксует.
Ой-ей, тут большое поле для работы. Спасибо! Сохраню себе и по изучаю.
VN
В первую очередь прикладной теорвер:
- когда какие распределения можно применять и какие допущения в них зашиты
- различные представления функций распределения
- дискретные и непрерывные вероятностные процессы (Ито-анализ не нужен :) )
- операции над распределениями, нормировка распределений, ограниченные распределения, многомерные распределения
Базовый математика для обработки данных:
- фитинг параметров
- анализ goodness of fit и т.д.
- методы обработки сигналов
- анализ корреляций
- кластеризация
- бутстрепинг
- понимание экстраполяции, интерполяции
- понимание как работает нормировка
- анализ зависимости ошибок от объемов выборки, анализ достаточности данных
- unseen species анализ
- работа с окнами (и когортами), ресамплинг данных
- подготовка данных к ML, feature engineering, регуляризация, выбор целевых метрик и функций
Базовое понимание математических моделей динамических систем:
- в каких случаях в продукте и в маркетинге возникают дифференциальные уравнения
- как подробрать простую модель для таких случаев и проверить ее адекватность
- понимание фазового пространства динамической системы
- понимание как получить стационарное решение и определить границы переходных процессов
- умение находить уравнения связи и граничные условия
Численное моделирование:
- Монте-Карло симуляции
- Простые алгоритмы численного интегрирования
- анализ сходимости, поиск оптимального шага моделирования и временных нормировок
- аглоритмы численной оптимизации и оптимального управления (какие когда и как использовать)
______________________________________
Это все используется активно на практике. В идеале стажер, который выучился, но не имеет опыта, должен был в рамках учебы попробовать самостоятельно решить как минимум одну-две иллюстративные задачи (руками или через код) на каждый из этих пунктов. Это не должно быть чем-то совершенно неизвестным. Далее работа в компании уже учит как применять это в бою в реальных задачах. Кто-то поспорит, что не которые вещи редко возникают, но даже если какой-то вопрос возникнет раз в год, нужно не попадать в полный тупик из-за недостатка образования. Хуже всего, когда из-за недостатка базы специалист не может разглядеть, где какой метод мог бы здорово срезать углы и упростить решение задачи. Такой аналитик регулярно изобретает велосипеды или буксует.
- когда какие распределения можно применять и какие допущения в них зашиты
- различные представления функций распределения
- дискретные и непрерывные вероятностные процессы (Ито-анализ не нужен :) )
- операции над распределениями, нормировка распределений, ограниченные распределения, многомерные распределения
Базовый математика для обработки данных:
- фитинг параметров
- анализ goodness of fit и т.д.
- методы обработки сигналов
- анализ корреляций
- кластеризация
- бутстрепинг
- понимание экстраполяции, интерполяции
- понимание как работает нормировка
- анализ зависимости ошибок от объемов выборки, анализ достаточности данных
- unseen species анализ
- работа с окнами (и когортами), ресамплинг данных
- подготовка данных к ML, feature engineering, регуляризация, выбор целевых метрик и функций
Базовое понимание математических моделей динамических систем:
- в каких случаях в продукте и в маркетинге возникают дифференциальные уравнения
- как подробрать простую модель для таких случаев и проверить ее адекватность
- понимание фазового пространства динамической системы
- понимание как получить стационарное решение и определить границы переходных процессов
- умение находить уравнения связи и граничные условия
Численное моделирование:
- Монте-Карло симуляции
- Простые алгоритмы численного интегрирования
- анализ сходимости, поиск оптимального шага моделирования и временных нормировок
- аглоритмы численной оптимизации и оптимального управления (какие когда и как использовать)
______________________________________
Это все используется активно на практике. В идеале стажер, который выучился, но не имеет опыта, должен был в рамках учебы попробовать самостоятельно решить как минимум одну-две иллюстративные задачи (руками или через код) на каждый из этих пунктов. Это не должно быть чем-то совершенно неизвестным. Далее работа в компании уже учит как применять это в бою в реальных задачах. Кто-то поспорит, что не которые вещи редко возникают, но даже если какой-то вопрос возникнет раз в год, нужно не попадать в полный тупик из-за недостатка образования. Хуже всего, когда из-за недостатка базы специалист не может разглядеть, где какой метод мог бы здорово срезать углы и упростить решение задачи. Такой аналитик регулярно изобретает велосипеды или буксует.
Благодарю вас за столь подробное объяснение! 🙏
MG
Благодарю вас за столь подробное объяснение! 🙏
Спасибо!)
K
Да, это интересно. Спасибо @maximgodzi
K
Что-то известно, пойду остальное зубрить.
MG
Olga Goleva
Ой-ей, тут большое поле для работы. Спасибо! Сохраню себе и по изучаю.
Не переживайте в плане масштабности списка, многие пункты сходятся в каких-то задачах и сильно взаимосвязаны.
Воспринимайте это не как нудную учебу, а как возможность интересно провести некоторые вечера. Задачи на эти темы бывают правда очень захватывающие. Я очень советую попробовать многие из тем осваивать через код на Python или Wolfram Mathematica (редкий зверь, но в ней очень круто даные иллюстрированные примеры и особые кейсы, с очень красивой графикой и инструментами для аналитического символьного решения).
Кроме этого задачки на brilliant.org и видео на Youtube, ну и конечно Википедия.
Без задачек и кода, очень тяжело действительно освоить что-то.
Не комплексуйте если одну тему придется пробовать освоить много раз, прежде чем получится. Это нормально.
Обычно учебник по математике читается много раз, с разных мест, часто заново проходятся главы в начале, когда уже в курсе контекста последующих глав. Это не должно демотивировать.
Воспринимайте это не как нудную учебу, а как возможность интересно провести некоторые вечера. Задачи на эти темы бывают правда очень захватывающие. Я очень советую попробовать многие из тем осваивать через код на Python или Wolfram Mathematica (редкий зверь, но в ней очень круто даные иллюстрированные примеры и особые кейсы, с очень красивой графикой и инструментами для аналитического символьного решения).
Кроме этого задачки на brilliant.org и видео на Youtube, ну и конечно Википедия.
Без задачек и кода, очень тяжело действительно освоить что-то.
Не комплексуйте если одну тему придется пробовать освоить много раз, прежде чем получится. Это нормально.
Обычно учебник по математике читается много раз, с разных мест, часто заново проходятся главы в начале, когда уже в курсе контекста последующих глав. Это не должно демотивировать.
MG
Что-то известно, пойду остальное зубрить.
👍
OG
Не переживайте в плане масштабности списка, многие пункты сходятся в каких-то задачах и сильно взаимосвязаны.
Воспринимайте это не как нудную учебу, а как возможность интересно провести некоторые вечера. Задачи на эти темы бывают правда очень захватывающие. Я очень советую попробовать многие из тем осваивать через код на Python или Wolfram Mathematica (редкий зверь, но в ней очень круто даные иллюстрированные примеры и особые кейсы, с очень красивой графикой и инструментами для аналитического символьного решения).
Кроме этого задачки на brilliant.org и видео на Youtube, ну и конечно Википедия.
Без задачек и кода, очень тяжело действительно освоить что-то.
Не комплексуйте если одну тему придется пробовать освоить много раз, прежде чем получится. Это нормально.
Обычно учебник по математике читается много раз, с разных мест, часто заново проходятся главы в начале, когда уже в курсе контекста последующих глав. Это не должно демотивировать.
Воспринимайте это не как нудную учебу, а как возможность интересно провести некоторые вечера. Задачи на эти темы бывают правда очень захватывающие. Я очень советую попробовать многие из тем осваивать через код на Python или Wolfram Mathematica (редкий зверь, но в ней очень круто даные иллюстрированные примеры и особые кейсы, с очень красивой графикой и инструментами для аналитического символьного решения).
Кроме этого задачки на brilliant.org и видео на Youtube, ну и конечно Википедия.
Без задачек и кода, очень тяжело действительно освоить что-то.
Не комплексуйте если одну тему придется пробовать освоить много раз, прежде чем получится. Это нормально.
Обычно учебник по математике читается много раз, с разных мест, часто заново проходятся главы в начале, когда уже в курсе контекста последующих глав. Это не должно демотивировать.
Спасибо большое за поддержку! По нескольким темам есть представлением именно на Python, поскольку на нем все обучение в Я.Практикуме строится, в т.ч. основы статистики и теории вероятностей, но большая часть незнакома. Буду разбираться понемногу, аналитика меня затягивает 😊 Ещё раз спасибо за такой подробный и обстоятельный ответ! Он мне очень поможет! 😊
MG
Olga Goleva
Спасибо большое за поддержку! По нескольким темам есть представлением именно на Python, поскольку на нем все обучение в Я.Практикуме строится, в т.ч. основы статистики и теории вероятностей, но большая часть незнакома. Буду разбираться понемногу, аналитика меня затягивает 😊 Ещё раз спасибо за такой подробный и обстоятельный ответ! Он мне очень поможет! 😊
👍👍👍
AK
Olga Goleva
Спасибо большое за поддержку! По нескольким темам есть представлением именно на Python, поскольку на нем все обучение в Я.Практикуме строится, в т.ч. основы статистики и теории вероятностей, но большая часть незнакома. Буду разбираться понемногу, аналитика меня затягивает 😊 Ещё раз спасибо за такой подробный и обстоятельный ответ! Он мне очень поможет! 😊
Эти вещи там на ДС разбирают. Но сразу скажу, что не половина и скорее всего даже не треть из этого списка (часть про математику).
K
Основы статистики на трех разных ресурсах познавал, чтобы понять ее, услышать под разными взглядами, чтобы отложились термины.
ИК
В первую очередь прикладной теорвер:
- когда какие распределения можно применять и какие допущения в них зашиты
- различные представления функций распределения
- дискретные и непрерывные вероятностные процессы (Ито-анализ не нужен :) )
- операции над распределениями, нормировка распределений, ограниченные распределения, многомерные распределения
Базовый математика для обработки данных:
- фитинг параметров
- анализ goodness of fit и т.д.
- методы обработки сигналов
- анализ корреляций
- кластеризация
- бутстрепинг
- понимание экстраполяции, интерполяции
- понимание как работает нормировка
- анализ зависимости ошибок от объемов выборки, анализ достаточности данных
- unseen species анализ
- работа с окнами (и когортами), ресамплинг данных
- подготовка данных к ML, feature engineering, регуляризация, выбор целевых метрик и функций
Базовое понимание математических моделей динамических систем:
- в каких случаях в продукте и в маркетинге возникают дифференциальные уравнения
- как подробрать простую модель для таких случаев и проверить ее адекватность
- понимание фазового пространства динамической системы
- понимание как получить стационарное решение и определить границы переходных процессов
- умение находить уравнения связи и граничные условия
Численное моделирование:
- Монте-Карло симуляции
- Простые алгоритмы численного интегрирования
- анализ сходимости, поиск оптимального шага моделирования и временных нормировок
- аглоритмы численной оптимизации и оптимального управления (какие когда и как использовать)
______________________________________
Это все используется активно на практике. В идеале стажер, который выучился, но не имеет опыта, должен был в рамках учебы попробовать самостоятельно решить как минимум одну-две иллюстративные задачи (руками или через код) на каждый из этих пунктов. Это не должно быть чем-то совершенно неизвестным. Далее работа в компании уже учит как применять это в бою в реальных задачах. Кто-то поспорит, что не которые вещи редко возникают, но даже если какой-то вопрос возникнет раз в год, нужно не попадать в полный тупик из-за недостатка образования. Хуже всего, когда из-за недостатка базы специалист не может разглядеть, где какой метод мог бы здорово срезать углы и упростить решение задачи. Такой аналитик регулярно изобретает велосипеды или буксует.
- когда какие распределения можно применять и какие допущения в них зашиты
- различные представления функций распределения
- дискретные и непрерывные вероятностные процессы (Ито-анализ не нужен :) )
- операции над распределениями, нормировка распределений, ограниченные распределения, многомерные распределения
Базовый математика для обработки данных:
- фитинг параметров
- анализ goodness of fit и т.д.
- методы обработки сигналов
- анализ корреляций
- кластеризация
- бутстрепинг
- понимание экстраполяции, интерполяции
- понимание как работает нормировка
- анализ зависимости ошибок от объемов выборки, анализ достаточности данных
- unseen species анализ
- работа с окнами (и когортами), ресамплинг данных
- подготовка данных к ML, feature engineering, регуляризация, выбор целевых метрик и функций
Базовое понимание математических моделей динамических систем:
- в каких случаях в продукте и в маркетинге возникают дифференциальные уравнения
- как подробрать простую модель для таких случаев и проверить ее адекватность
- понимание фазового пространства динамической системы
- понимание как получить стационарное решение и определить границы переходных процессов
- умение находить уравнения связи и граничные условия
Численное моделирование:
- Монте-Карло симуляции
- Простые алгоритмы численного интегрирования
- анализ сходимости, поиск оптимального шага моделирования и временных нормировок
- аглоритмы численной оптимизации и оптимального управления (какие когда и как использовать)
______________________________________
Это все используется активно на практике. В идеале стажер, который выучился, но не имеет опыта, должен был в рамках учебы попробовать самостоятельно решить как минимум одну-две иллюстративные задачи (руками или через код) на каждый из этих пунктов. Это не должно быть чем-то совершенно неизвестным. Далее работа в компании уже учит как применять это в бою в реальных задачах. Кто-то поспорит, что не которые вещи редко возникают, но даже если какой-то вопрос возникнет раз в год, нужно не попадать в полный тупик из-за недостатка образования. Хуже всего, когда из-за недостатка базы специалист не может разглядеть, где какой метод мог бы здорово срезать углы и упростить решение задачи. Такой аналитик регулярно изобретает велосипеды или буксует.
Как много иностранных слов.
K
На ДС наверное разбирают с всеми внутренностями математическими: выводы формул и теорию. Но что-то мне подсказывает, для джуниора такого детального подхода не надо.
MG
На ДС наверное разбирают с всеми внутренностями математическими: выводы формул и теорию. Но что-то мне подсказывает, для джуниора такого детального подхода не надо.
По опыту того же Гугла, джуниор должен правда хорошо знать эту теорию. Компания не обучает же дальше теории, а только дает задачи и обратную связь. Чем дальше вверх по грейду, тем более самостоятельные задания и более верхнеуровневая обратная связь. Если вы чего-то не выучили до карьеры, то наверстывать очень тяжело, на это просто нет времени
AK
Не, прямо именно так не разбирают. Ну и покрутить прям с полной свободой тоже не получится. Почему? Потому что установлен определённый перечень задач для решения в конкретном проекте. И очень мало кто выходит за рамки этих задач и сам себе ставит ещё дополнительные. Именно поэтому все выходят с одинаковыми проектами.
MG
Aleksei Komissarov
Не, прямо именно так не разбирают. Ну и покрутить прям с полной свободой тоже не получится. Почему? Потому что установлен определённый перечень задач для решения в конкретном проекте. И очень мало кто выходит за рамки этих задач и сам себе ставит ещё дополнительные. Именно поэтому все выходят с одинаковыми проектами.
На собесах потом видно, что все происходит именно так