24558
Школа DATA SCIENCE для любого уровня подготовки Учим актуальным навыкам с акцентом на практику Чат @karpovcourseschat Полезные ссылки: https://linktr.ee/karpovcourseschannel №5108892927
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.
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 🧡
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!
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!)
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
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
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.
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
🔥 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.
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!
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.
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.
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]
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]
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!
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
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⬇️
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.
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
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.
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!
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.
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».
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.
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 🧡
Привет! У нас временные неполадки с загрузкой мобильной версии сайта на устройствах Apple. Уже работаем над их устранением 🤓
Читать полностью…
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
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]
