Почему классические метрики вроде RMSE не всегда подходят для задач прогнозирования спроса. Обсуждаем альтернативы и подходы из практики.
Подробнее о курсе «Продвинутое машинное обучение»: https://to.karpov.courses/iajqnA
Что помогает резюме выделяться среди сотен откликов и какие ошибки чаще всего мешают пройти первый этап отбора.
Полная версия вебинара: https://www.youtube.com/live/sqJjttEOdJM?si=vQ1CtHijDMMf2v01
Как компании сегодня отбирают кандидатов: этапы интервью, тестовые задания и критерии оценки специалистов.
Полная версия вебинара: https://www.youtube.com/live/sqJjttEOdJM?si=vQ1CtHijDMMf2v01
Разбираем ключевые ошибки, которые допускают при построении моделей ценообразования: от неверных метрик до игнорирования бизнес-ограничений.
Подробнее о курсе «Продвинутое машинное обучение»: https://to.karpov.courses/iajqnA
Какие навыки и компетенции работодатели сейчас ждут от аналитиков данных и что стало новым стандартом рынка.
Полная версия вебинара: https://www.youtube.com/live/sqJjttEOdJM?si=vQ1CtHijDMMf2v01
Какие настройки модели влияют на качество, скорость и стоимость её работы — и как ими управлять в реальных задачах.
Сервис машинного обучения в облаке Evolution ML Inference: https://to.karpov.courses/REjtAA
Почему решения, которые хорошо работают в теории или онлайне, не всегда переносятся в оффлайн-задачи. Разбираем ограничения и реальные причины.
Подробнее о курсе «Продвинутое машинное обучение»: https://to.karpov.courses/iajqnA
Как AI-инструменты повлияли на найм, отклики и поиск работы в IT в 2026 году — и что теперь важно для кандидатов.
Полная версия вебинара: https://www.youtube.com/live/sqJjttEOdJM?si=vQ1CtHijDMMf2v01
Почему хранение секретов прямо в коде — одна из самых частых и опасных ошибок. Разбираем, как правильно работать с доступами в ML-проектах.
Подробнее о курсе «Продвинутое машинное обучение»: https://to.karpov.courses/iajqnA
Почему работодатели стали ожидать большего даже от junior- и middle-специалистов и как изменились требования к грейдам в IT.
Полная версия вебинара: https://www.youtube.com/live/sqJjttEOdJM?si=vQ1CtHijDMMf2v01
Как изменился рынок труда в IT и аналитике в 2026 году: какие специалисты стали востребованнее, а какие навыки перестали быть преимуществом.
Полная версия вебинара: https://www.youtube.com/live/sqJjttEOdJM?si=vQ1CtHijDMMf2v01
Почему без CI/CD даже рабочие ML-решения становятся нестабильными и трудно поддерживаемыми. Разбираем, как автоматизация помогает избежать ошибок и ускоряет развитие проектов.
Подробнее о курсе «Продвинутое машинное обучение»: https://to.karpov.courses/iajqnA
Первые шаги для аналитиков, которые ещё не используют ИИ в работе.
Подробнее о курсе «ИИ для анализа данных»: https://to.karpov.courses/MI8Vfg
Как использовать модели ещё до работы с данными — на этапе понимания задачи.
Подробнее: https://to.karpov.courses/AqVgWw
Обсуждаем, как меняется роль аналитика в эпоху ИИ.
Подробнее: https://to.karpov.courses/MI8Vfg
Как использовать LLM, чтобы структурировать сложные задачи и упростить анализ.
Подробнее: https://to.karpov.courses/AqVgWw
Какие большие языковые модели рассматривают и используют в MAGNIT TECH для прикладных бизнес-задач и внутренних сервисов.
Подробнее на сайте:
— Аналитик данных: https://to.karpov.courses/_rNBXQ
— Инженер машинного обучения: https://to.karpov.courses/NPxwog
Почему в эпоху LLM важнее правильно формулировать задачу, чем просто писать код.
Подробнее: https://to.karpov.courses/AqVgWw
Когда для задач ранжирования достаточно классического машинного обучения, а когда стоит использовать ИИ-агентов и большие языковые модели.
Подробнее на сайте:
— Аналитик данных: https://to.karpov.courses/_rNBXQ
— Инженер машинного обучения: https://to.karpov.courses/NPxwog
Как использовать LLM для написания кода под аналитические задачи и экономить время.
Подробнее: https://to.karpov.courses/AqVgWw