биг дата обучение в москве

Добро пожаловать в учебный центр

«Школы Больших Данных»

+7 (495) 41-41-121

О компании

Почему вы получите отличные результаты обучения
в нашем учебном центре

Профессиональные инструкторы

предлагая ограниченный перечень курсов, мы фокусируемся только на технологиях Big Data, не размениваясь по другим направлениям

Подробные учебно-методические пособия

Полностью выполнить каждый шаг любой практической работы вам помогут детальные инструкции по всем образовательным программам для руководителей проектов цифровизации, аналитиков Big Data, исследователей, администраторов и инженеров больших данных

Профессиональное партнерство с лидерами отрасли

Будьте в курсе последних тенденций применения информационных технологий к прикладным бизнес-задачам благодаря нашему партнерству с ведущими разработчиками и вендорами Big Data решений (отечественная компания Arenadata и международный институт бизнес-анализа IIBA®)

Удобная образовательная среда

Получайте новые знания в просторных учебных классах нашего комфортного офиса с индивидуальными рабочими местами и современным оборудованием. Для тех, кто предпочитает онлайн, предлагаем дистанционное обучение в режиме интерактивного удаленного взаимодействия, а также проводим корпоративные курсы на территории заказчика

Контакты авторизированного учебного центра
«Школа Больших Данных»

Адрес:

127576, г. Москва, м. Алтуфьево,
Илимская ул. 5 корпус 2, офис 319, БЦ «Бизнес-Депо»

Телефон:

+7 (495) 414-11-21
+7 (995) 100-45-63

E-mail:

Часы работы:

ОСТАВЬТЕ СООБЩЕНИЕ, И МЫ ПЕРЕЗВОНИМ ВАМ
В ТЕЧЕНИЕ РАБОЧЕГО ДНЯ

Наши преподаватели

С вами будут делиться своими знаниями и практическим опытом ведущие разработчики Big Data решений, отраслевые эксперты, опытные администраторы кластеров, сертифицированные специалисты в аналитике больших данных и цифровой трансформации бизнеса

Комиссаренко Николай

Основатель Школы Больших Данных и ведущий преподаватель курсов по администрированию Big Data кластеров.

Ермилов Дмитрий

Ведущий Data Scientsit в ФГУП “Центр информационных технологий”, Москва. Автор и преподаватель курсов Big Data Science Machine Learning.

Олег Конорев

Руководитель группы Data Science в НИИ “Квант”, Москва. Автор и преподаватель курсов Big Data Science Machine Learning.

Королев Михаил

Руководитель проектов с корпоративными данными, ведущий Data Engineer АО “Альфастрахование”, Москва. Ведущий преподаватель курсов по Apache Spark.

Станьте частью команды Школы Больших Данных!

Открытые вакансии:

Требуемый опыт работы: 3–5 года

Полная занятость, гибкий график

Требования:

Условия:

Требуемый опыт работы: желательно студент профильного вуза или специальности

Требования:

Условия:

Источник

Девять лучших курсов по Big Data для дата-сайентистов и менеджеров

Редактор раздела «Технологии»

Специалисты по большим данным востребованы в ритейле, банковской сфере, E-Commerce и многих других областях. Мы отобрали девять коротких курсов, которые помогут научиться применять навыки и инструменты Big Data в реальных проектах.

Дата-сайентист — одна из самых высокооплачиваемых и востребованных профессий за рубежом и в России. Специальные подразделения для разработки data science-проектов в последние годы открывают многие крупные компании: от «Яндекса» до X5 Retail Group.

В подборку Rusbase вошли самые известные курсы для руководителей таких проектов и их разработчиков — начиная с бесплатных для новичков и заканчивая углубленными программами с акцентом на проекты конкретных отраслей.

Для менеджеров и руководителей:

1. A crash course in Data Science на Coursera

Для кого этот курс: этот курс — первый из пяти курсов группы Executive Data Science («Большие данные для руководителей»), разработанный в университете Джона Хопкинса. Он предназначен для тех, кто хочет быстро разобраться в том, что такое большие данные и где можно их применять.

Слушатели изучат основные термины и инструменты, которые используют дата-аналитики, и способы оценки успешности data science-проектов. Для этого у них будут видеолекции и материалы для самостоятельного изучения. Курс идет на английском, но есть субтитры на русском языке.

Продолжительность: 1 неделя, 4-6 часов.

Даты: курс стартовал 20 августа, но на него еще можно записаться.

Стоимость: первый курс — бесплатно. Для обучения на следующем курсе придется заплатить 2468 рублей за месяц. Этого хватит на все оставшиеся четыре курса — каждый из них длится неделю.

2. Курс Business Analytics в Udacity

Для кого этот курс: для новичков. Здесь они смогут получить навыки анализа больших данных и изучить инструменты, которые помогут в любой области: будь то инженерное дело, продажи, маркетинг или что-то еще. В рамках программы они изучат Excel, SQL и Tableau, и научатся анализировать данные для того, чтобы принимать лучшие стратегические решения.

Программа является подготовительной для двух других курсов Udacity — Data Analyst и Business Analyst Nanodegree programs. Студентам доступны видеолекции, текстовые инструкции и консультации менторов. Обучение ведется на английском.

Продолжительность: 3 месяца, 10 часов в неделю. После окончания программы студентам дается еще около 4 недель (130 часов) на завершение всех проектов.

Даты: запись открывается 21 августа.

Стоимость: 599 долларов (около 40 тысяч рублей).

3.

Data MBA Школы анализа данных

Для кого этот курс: для тех, кто хочет научиться применять инструменты Big Data в зависимости от индустрии и конкретной бизнес-задачи. Среди основных тем: как повысить продажи, управлять лояльностью, рисками, предсказывать эффективность кандидата для HR-менеджеров, делать банковский скоринг и т. д.

Продолжительность: 5 недель, 10 занятий.

Даты: 28 августа.

Стоимость: 100 тысяч рублей.

4.

Курс «Аналитика для руководителей» на «Нетологии»

Для кого этот курс: для коммерческих директоров, директоров по маркетингу, а также руководителей и владельцев бизнеса. В рамках курса они должны научиться исследовать рынок и выявлять тренды, прогнозировать продажи, проводить сегментацию клиентов, а также набирать команду для проектов с использованием больших данных и ставить задачи для разработчиков.

Программа состоит из нескольких блоков: BI аналитика в Tableu (построение дашбордов и интерактивных отчетов), data-driven менеджмент (разработка стратегии улучшения бизнес-процессов на основе этих отчетов), продуктовая аналитика, машинное обучение для бизнеса и др. Лекцию в рамках программы читает директор по маркетингу сервисов компании «Яндекс» Андрей Себрант.

Для дипломной работы потребуется спроектировать аналитическую структуру для своей компании или отдельного продукта/проекта, а также настроить дашборды в BI Tableau Software по ключевым метрикам. После окончания программы обещают помощь в трудоустройстве.

Продолжительность: 8 недель. Занятия проходят офлайн в кампусе Нетологии дважды в неделю по три часа. Видеозапись и материалы после каждого занятия добавляются в личный кабинет участника.

Даты: 23 августа — 14 октября.

Стоимость: 100 тысяч рублей.

Продолжительность: 5 недель, 10 занятий.

Даты: с 28 августа.

Стоимость: 100 тысяч рублей.

5. Курс «Специалист по большим данным 9.0» от «Лаборатории Новых Профессий»

Для кого этот курс: Для разработчиков, аналитиков и продакт-менеджеров. Курс состоит из двух модулей, первый из которых посвящен технологиям больших данных и машинному обучению, а второй – рекомендательным системам для e-commerce, медиа, соцсетей, банкинга и рекламы.

Продолжительность: три месяца. Курс достаточно интенсивный: лекции и мастер-классы проходят три раза в неделю по три часа, для решения лабораторных работ надо еще минимум 5-7 часов в неделю. При желании можно заниматься онлайн.

Даты: 20 сентября — 11 декабря.

Стоимость: 200 тысяч рублей, при оплате в августе — 170 тысяч рублей.

Для разработчиков:

1. Dataquest

Для кого этот курс: для новичков в Data Science — включая тех, кому большие данные необходимы для работы над бизнес-проектами. При выборе программы студент должен определить, насколько ему знаком Python. После этого ему предлагается отнести себя к одной из пяти групп:

Если знаний Python совсем нет, начинать придется с азов. Программа будет состоять из девяти курсов, в каждом из которых — по 2-3 блока занятий по отдельным темам (каждый блок состоит из 10 уроков). Ближе к середине обучения можно будет потренироваться в разработке data science-проектов с использованием машинного обучения. Обучение ведется на английском.

Продолжительность: проходить «квест» можно в своем темпе, отслеживать свой прогресс — на инфографике.

Дата: в любое время.

Стоимость: бесплатно.

2. «Введение в машинное обучение» от «Яндекса» и ВШЭ на Coursera

Для кого этот курс: для тех, кого не пугают слова «матрица», «вектор» и «производная». Для выполнения практических заданий потребуются базовые навыки программирования. Очень желательно знать Python. Задания рассчитаны на использование этого языка и его библиотек numpy, pandas и scikit-learn.

Чтобы успешно завершить курс, нужно набрать проходную сумму баллов за тесты и практические задания, а также выполнить финальный проект, посвящённый решению прикладной задачи анализа данных.

Продолжительность: 7 недель, 3-5 часов в неделю.

Даты: курс стартовал 6 августа, но на него еще можно записаться.

Стоимость: бесплатно, сертификат для подтверждения окончания курса стоит 1835 рублей.

3. «Машинное обучение и анализ данных» от «Яндекса» и МФТИ на Coursera

Для кого этот курс: для дата-сайентистов, которые смогут применять свои навыки в бизнес-проектах. Для обучения им требуются базовые знания математики и основ программирования. Основные темы обучения: современные методы классификации и регрессии, поиск структуры в данных, построение выводов, базовая фундаментальная математика и основы программирования на Python.

В конце программы слушатели должны будут применить свои знания в работе над реальным проектом. На выбор предлагается несколько областей: E-Commerce, социальные медиа, информационный поиск и бизнес-аналитика. Выпускники могут воспользоваться программой трудоустройства «Яндекса».

Продолжительность: все зависит от собственного темпа обучения. В среднем на это надо 3-6 месяцев.

Даты: в любое время.

Стоимость: первые 7 дней — бесплатно, после этого — 5000 рублей в месяц. Можно выбрать не все курсы специализации, а только один.

4. Школа анализа данных

Для кого этот курс: для тех, кто знаком с математической статистикой и имеет навыки программирования на Python. Кроме лекций, в программу входит решение реальных бизнес-задач. Тем, у кого навыков программирования пока нет, разработчики предлагают сначала пройти курс «Введение в Data Science».

Продолжительность: 3,5 месяца. Занятия проходят по будням два раза в неделю с 19.00 до 21.00. Учиться можно онлайн.

Стоимость: 100 тысяч рублей.

Если вы вспомнили другие российские и зарубежные курсы для дата-сайентистов и менеджеров, пишите о них в комментариях.

Источник

Биг дата обучение в москве

Станьте аналитиком Big Data с нуля

Как вы найдете работу с помощью GeekBrains

Гарантия трудоустройства закреплена в договоре. Если после успешного обучения вы не найдёте работу, мы вернём вам деньги

Наши студенты достигают успеха

Программа обучения

Подготовительный блок

Фундамент анализа данных

Сбор, обработка и хранение данных

Алгоритмы обработки и анализа данных. Совместно с компанией X5 Retail Group

Системы машинного обучения. Рекомендательные системы

Аналитика Big Data для бизнеса

Курсы со свободной датой старта

Вас будут обучать топовые эксперты

Вместе мы позаботимся о вашем профессиональном будущем

Ваше резюме после обучения

Вы получите диплом о профессиональной переподготовке

Мы дарим подарки всем студентам

Факультет аналитики Big Data

Вы научитесь собирать и анализировать данные, извлекать полезную информацию и находить закономерности. После обучения сможете проверять гипотезы и помогать бизнесу принимать взвешенные решения.

Алексей Старцев

О неоконченном высшем образовании

Моя история начинается в Красноярске, где в разное время я учился на трех факультетах Сибирского федерального университета. Сначала — на математическом. Там было тяжело, преподаватели строгие, но я здорово продвинулся в интеллектуальном плане и получил первый опыт программирования на С++. Теперь ценю это. К сожалению, из-за высокой нагрузки пришлось перевестись на философский факультет. Я проучился там до ухода в армию, а после возвращения отчислился — нужно было работать.

На этом историю с вузом можно было закончить, но я поддался общему мнению, что без высшего образования карьеру не сделать. Поступил на специальность «менеджмент качества» — быстро осознал, что зря, и ушел. Как показала жизнь, мой путь к хорошей работе и зарплате лежал в другой стороне.

Рекламная аналитика

Затем я стал аналитиком в рекламном агентстве. Нужно было составлять отчеты по рекламе и попутно решать административные задачи. Работа оказалась нервной и слишком «клиентоориентированной»: деньги ставились выше здравого смысла. Где-то через год я понял, что не привыкну.

Несколько раз приходилось видеть, как люди эмоционально выгорали. Их склад ума и психики не подходил для работы в рекламе, где сплошные авралы и дедлайны. И после очередного такого случая я твердо решил искать другое занятие. Чтобы изменить свою жизнь, мне понадобилось два года.

Учеба и первые результаты

В 2017 году один товарищ порекомендовал мне бесплатные экспресс-курсы GeekBrains. Я записался и прошел интенсив по Java, но с покупкой платного курса не спешил — изучал отзывы в сети. Они были противоречивыми, но хороших оказалось больше. И еще я заметил, что авторы самых негативных отзывов не были знакомы с моделью обучения на платных курсах.

Я записался на факультет Java, потому что читал об этом языке как об инструменте «боевого» дата-инжиниринга. Дальше стал изучать Scala, и эта связка помогла мне разобраться в анализе больших данных на уровне начинающего специалиста. Я уже примерно понимал, что мне по силам, а за что пока лучше не браться.

К слову, изучать Java я начал еще во время работы в рекламном агентстве. Тут же стал применять новые знания на практике: автоматизировал свои рабочие процессы, снизил повседневную нагрузку. Результаты порадовали и еще больше убедили развиваться в выбранном направлении.

После курса Java я поступил на факультет BigData и быстро ощутил, как здорово прокачиваю аналитику. Новые знания ложились на каркас практики, который у меня уже был.

А еще я начал понимать исходный код программ, даже если он на другом языке.

Стало ясно, что со знанием концепций программирования осваивать новые языки и инструменты — дело техники.

На простейшем уровне я был знаком с Python и SQL еще до GeekBrains. Но это были фрагментарные знания. Обучение на курсах дает теоретическую и практическую подготовку, с которой можно трудоустроиться.

В Питер — за перспективами

Весной 2018 года я решился на переезд в Санкт-Петербург, где возможностей, конечно, побольше, чем в Красноярске. На тот момент у меня было уже три года опыта в рекламном агентстве. За месяц до отлета я предупредил руководство, что ухожу, подготовил себе замену, разработал должностные инструкции и передал все дела.

В Питере я практически сразу нашел компанию, где я могу стать аналитиком с базовыми навыками программирования. Это было бутиковое рекламное агентство закрытого типа. На собеседовании они смотрели на мои рабочие навыки и на то, как я усваиваю новую информацию и взаимодействую с коллективом. Программирование их интересовало скорее на перспективу. Ведь даже рекламная аналитика — это не только Google Analytics, Яндекс.Метрика и Excel, но и автоматизация. Ожидание оффера затянулось на месяц, но цель была достигнута.

К сожалению, примерно через год компания объявила о скором закрытии. Отдел аналитики распустили, и до середины июня я ходил по собеседованиям. После одного из них меня взяли на испытательный срок.

Знаний Python, SQL и Power BI хватило, чтобы справился с тестовым заданием. Еще были вопросы на рабочую логику — тут пригодился опыт аналитика.

Я увидел, что буду работать с адекватными и спокойными людьми. Руководитель сам в прошлом был рекламным аналитиком в агентстве, и мы отлично поняли друг друга.

Еще понравилось, что со мной не торговались по зарплате. На рынке аналитики, особенно в рекламе, не всегда адекватно оценивают твой труд. Многие пытаются сбивать цену фразами типа «Вы же готовы к даунгрейду в первое время?». Как человек с опытом, я сразу понимаю, что «первое время» затянется. А здесь мне позволили самому доказать, сколько я могу сделать и заработать.

Как я работаю

Сейчас я аналитик в управляющей компании в kassir.ru — зарабатываю в 2,5 раза больше, чем на прошлом месте. Но главное — получаю удовольствие от того, чем занимаюсь.

Я работаю над сайтами экосистемы компании: использую SQL и Python, R (на нем написан legacy-код), PowerBI, MS Azure, Google Analytics. Это единственное, что могу рассказать о своих задачах, так как в компании я подписал NDA. Добавлю только, что опыт в рекламной аналитике пригодился.

Большую часть дня я провожу в офисе, и здесь мне очень нравится атмосфера. Никто не нервничает: рабочие процессы отлажены и даже сложные задачи решаются в разумный срок. Нет давящей корпоративной культуры. Поэтому я спокоен и сконцентрирован на деле, а не на выживании.

Сейчас я на испытательном сроке и активно вникаю в новые для себя сферы. Пока анализирую не столько большие, сколько средние данные. Мне предоставили необходимую свободу и поддержку: никто не стоит над душой, следят только за результатами.

Что касается программирования, я самостоятельно практикуюсь в Java, планирую ближе знакомиться с Clojure и Scala, продолжаю изучать Python и SQL в GeekBrains.

Что я понял на своем опыте

Если боитесь пробовать себя в IT, значит, пока не понимаете, чем предстоит заниматься. По-моему, лучший способ это прояснить — съездить на конференцию и познакомиться с разработчиками. Они расскажут, чем занимаются на практике и какие видят перспективы по своему направлению.

Как проходить собеседования

Я советую ходить на собеседования не по принципу «лишь бы взяли», а смотреть на компанию и всерьез думать, хотите ли вы у них работать. Потому что бывают очень неприятные собеседования в духе «чего приперся?!». Если люди с порога вызывают негатив, не надейтесь, что все наладится. Просто ищите дальше — сбережете время и нервы. Без уважения в команде нормальной работы не бывает.

И не стоит бояться, что вы чего-то не знаете. Даже если накосячите пару раз, получите хороший опыт — и потом, на нужном собеседовании, ответите правильно.

Как адаптироваться на новом месте

Когда выходишь на новую работу, кажется, что вот сейчас возьмешься, за две недели во всем разберешься и покажешь, какой ты крутой специалист. Это иллюзия! Не надо торопиться: если подготовка нового сотрудника рассчитана на квартал — значит, все это время надо будет напряженно учиться.

Чтобы вникнуть в серьезный продукт, нужно минимум два месяца! Это при условии, что у вас адекватное начальство и вас поддерживают коллеги. Плюс по ходу дела придется уточнять очень много деталей и ждать, когда все это осядет в голове.

Как не потерять интерес

На первых порах учеба будет отнимать у вас основную часть времени и жизненных сил. Вы не сможете уделять достаточно внимания семье, друзьям и увлечениям. Но потом многое можно будет наверстать. На мой взгляд, в IT стоит идти хотя бы за тем, чтобы делать жизнь вокруг удобнее и совершеннее. Конечно, здесь и платят неплохо, но деньги — временный мотиватор. Чтобы стать успешным специалистом, надо жить своим делом. Именно это дает силы для постоянного развития.

Ярослав Стеценко

Начать свое дело‍

Пять лет назад я решил основать собственный бизнес. До этого с момента окончания вуза я работал программистом 1С, прошел путь от рядового сотрудника до руководителя проектов. За несколько лет в этой сфере я изучил подводные течения рынка, проблемы и потребности клиентов. Из-за медлительности исполнителей, лишней функциональности ПО и банальных сбоев системы крупные компании за одну ночь могли лишиться миллионной прибыли. Со временем у меня сформировалась идея, как автоматизировать типовые процессы в финансовом учете. Чтобы заняться этим, надо было перестать быть наемным сотрудником — лоббирование идей часто отнимает больше сил, чем их воплощение.

Я хотел начать собственный бизнес, связанный с 1С, не столько из-за финансов, сколько из желания предоставлять качественные услуги и идти в ногу со временем. Поэтому и получилось развить свое дело, нанять штат специалистов, сотрудничать с крупными клиентами. Этот же подход и высшее образование программиста всегда помогали мне следить за трендами в IT и управлении бизнесом. Я заинтересовался технологиями интеграции машины и человека, мобильными приложениями, интерфейсами и автоматизацией.

Понять, чему учиться дальше‍

Этот интерес привел меня к тому, что пару лет назад я увлекся разработкой приложений на iOS. Изучая материалы в интернете, наткнулся на портал GeekBrains. Посмотрел несколько вебинаров, изучил блог и описания курсов. В итоге начал обучение по профессии «iOS-разработчик». Вскоре отметил, насколько качественно и быстро сегодня можно получить специальность в IT.

В итоге получилось несколько мобильных приложений для клиентов. Одно из них для сети кофеен — помогает принимать товар с завода через мобильный, быстро отмечать информацию о расхождениях, а также фотографировать брак, данные о котором тут же отправляются в базу завода.

Наша компания специализируется на автоматизации финансового и управленческого учета, бухгалтерском и управленческом аутсорсинге. Поэтому мне хотелось разобраться, куда движется сфера финансов. Основные тренды сводились к оптимизации и автоматизации процессов. Так я погрузился в блокчейн-технологии, а затем и в Data Science.

В стратегию бизнеса на ближайшие пять лет я включил внедрение в делопроизводство машинного обучения. Мне это интересно не только как человеку из IT — я действительно вижу в этом возможность для бизнеса перейти на качественно новый уровень.

Мы занимаемся корпоративным сопровождением — у наших клиентов (каждый — от 20 пользователей) ежедневно возникают вопросы и задачи. И большинство из них — типовые, которые можно легко сортировать и решать без участия человека. Это может здорово сэкономить время и ресурсы, необходимые для расширения клиентской базы, улучшения качества услуг. А в итоге — увеличить прибыль.

Я начал читать книги и статьи. Но в этой области без фундаментального образования не обойтись. А в GeekUniversity как раз стартовал факультет искусственного интеллекта. Я планировал отправить на обучение нескольких сотрудников, но захотелось сначала попробовать самому. Так в апреле 2019 года я снова стал студентом, на этот раз в онлайне.

Просыпаться и заниматься‍

Имея свой бизнес, невозможно выделять время на обучение каждый вечер. Так что я сдвинул режим сна и стал заниматься по утрам. Теперь ложусь в 23 часа и встаю в 5. Есть очевидный плюс: когда занимаюсь, голова свежая и никто не беспокоит. Вебинары просматриваю на удвоенной скорости — удобно при дефиците времени.

Больших сложностей в обучении нет, мне хватает 4–8 часов в неделю, в том числе на практические задания. Но иногда требуется намного больше — особенно когда берешься за задачи «со звездочкой». Скорее всего, дальше будет сложнее, так как пока мы прошли только вводную часть. Но польза от обучения уже есть. По подаче и актуальности курс мне нравится. Уже думаю над тем, кого из сотрудников наградить поступлением в GeekUniversity.

И сразу использовать знания‍

Изученные возможности я уже внедряю в бизнес. В компании мы запустили процессы DevOps. Много времени уходит на организацию совместной разработки и загрузки изменений в продакшн у клиента. Особенно когда клиент работает с раннего утра до 23 часов — тогда возможность внести изменения в его базу есть только ночью. Внедрение Git и сопутствующих технологий позволило автоматизировать процесс и разгрузить разработчиков.

На Python пишем нагрузочные тесты для веб-сервисов. Получается хорошо — благодаря простому и удобному синтаксису, а также богатым библиотекам.

По мотивам курса по Linux и облачным вычислениям меняем свою инфраструктуру. Мы разрабатываем свой сервис для корпоративной поддержки клиентов, поэтому задача по организации базы для этого сервиса очень кстати.

Вообще мне кажется, что технологии искусственного интеллекта и машинного обучения рано или поздно проникнут во все сферы и любой бизнес. И это не страшилка о том, что роботы заменят людей, — напротив, спрос на человеческие ресурсы только вырастет.

Но что произойдет точно, так это улучшится качество услуг. В 1С вижу огромный потенциал для развития как на стороне клиентов, так и на нашей — у интегратора. Сейчас много времени тратится на однотипную работу. Внедрение машинного обучения в работу по обращениям пользователей — наш следующий шаг. Далее — онлайн-отслеживание ошибок на стороне клиента.

Константин Воронков

— Давайте начнем с классического образования. Где и на кого вы учились после школы?

После школы я поступил в Сибирский государственный университет телекоммуникаций и информатики (СибГУТИ) на факультет «Экономика и управление по отраслям». На тот момент казалось, что быть экономистом очень хорошо и перспективно. Ну и родители подсказали.

— С чего началась и как развивалась карьера?

Начинал я менеджером по продажам в компании «Телетрейд». Но быстро понял, что продаю услугу по законному отъему денег у доверчивых людей, и ушел из компании.

Изначально хотелось связать жизнь с финансовыми рынками, числами и красивыми графиками, но в своем городе найти работу мечты не удалось. В итоге устроился менеджером по продажам в компанию «Лабатон», она занималась продажей и сервисным обслуживанием офисной техники. Спустя некоторое время я стал ее директором и учредителем.

— Как она изменилась с тех пор?

Та компания, в которую я устраивался, и текущая — это, как говорится, две большие разницы. Я начал развивать оказание IT-услуг, создание инфраструктурных проектов. Добился высокой степени автоматизации компании, и это сказалось на численности и составе персонала — его стало заметно меньше. Сейчас в компании работает 5 человек.

— Что за IT-проекты, расскажите, что делаете и для кого?

Один из первых наших проектов был для Новосибирского монтажного техникума. Для них была внедрена инфраструктура на базе MS Windows 2008R2: два доменных контроллера, DHCP. Файрвол — Allied Telesis, фильтрация контента — UserGate Web Filter.

Cтуденты техникума — это довольно агрессивная среда в плане информационной безопасности, так что мы реализовали групповые политики, сильно ограничивающие действия студентов. Для разных студентов — разные политики.

Сейчас мы запускаем свой сервис облачного видеонаблюдения с сильной видеоаналитикой. Например, распознаванием лиц и объектов, подсчетом посетителей, распознаванием автомобильных номеров.

Даже продажи многофункциональных печатающих устройств с системами управления документами (доступ к МФУ по карте, квотирование печати, подсчет затрат на печать) становятся иногда емкими ИТ-проектами, потому что включают развертывание инфраструктуры на базе MS Windows Server 2016, MDS и программного обеспечения для автоматического распознавания текста и таблиц.

— Вы сильно изменили профиль компании. Наверное, многому приходилось учиться в процессе?

В 33 года я прошёл курс повышения квалификации в НГТУ «Программист за 1 год». Помимо программистских навыков, в 2015 году получил степень MBA в Московской бизнес-школе, где также прошёл много небольших курсов, в том числе по интернет-маркетингу, HTML и CSS.

— Ваша компания была на «Цифровом прорыве» в Казани. Какой проект там представляли?

Мы показывали там проект для «Газпрома» — прогнозирование ширины стенки трубы нефтепровода, исходя из показаний датчиков дефектоскопа. В финале в Казани мы заняли седьмое место в своей категории, а на региональном этапе до этого были победителями. Для участия построили прогнозную модель аварийности в ЖКХ. Взаимодействие с моделью производилось через web-сервис, созданный нами. И в финале, и на региональном этапе конкурса я был лидером команды и специалистом по машинному обучению.

— Интересный опыт! А какие у вас повседневные рабочие обязанности?

Также для тестирования тех или иных бизнес-идей необходимо задействовать инструменты интернет-маркетинга. Сайты я делаю сам. Часто и инструменты продвижения выбираю, и настраиваю их самостоятельно. Ну и конечно, на мне управление персоналом: планирование, организация, мотивация, контроль.

— Хм, вас можно назвать профессионально состоявшимся человеком. Зачем тогда вы пошли учиться в GB?

Мне работать до пенсии еще 29 лет. За 29 лет изменится вся наша жизнь — как трудовая, так и личная. Когда я учился в 2000 году на первом курсе, самым современным средством коммуникации был пейджер. А сейчас уже мало кто вспомнит, что это вообще такое.

Я хотел бы возглавить изменения, происходящие в нашей жизни. Мне нужны были знания в области искусственного интеллекта, ведь он будет внедряться в личной и корпоративной жизни все больше и больше. Именно поэтому я выбрал именно это направление для обучения. GeekBrains я предпочел из-за фундаментального подхода к обучению, здесь одинаково хорошо даются азы и продвинутая часть материала.

— Раньше самостоятельно что-то изучали в области искусственного интеллекта?

Я начинал самостоятельно изучать статистику, комбинаторику, теорию вероятностей. Прошел курс Python для Data Science на Coursera. Последний хоть и позиционировался для всех, но математику там давали очень поверхностно, упор делался уже на прикладную часть. Обучение шло долго и не очень результативно. Но статистику я хорошо освоил.

— Что было самым интересным во время обучения в GeekBrains, какие задания нравилось выполнять?

Больше всего нравилось выполнять задания, привязанные к жизни. Например, прогнозирование цены квартиры, исходя из определенных параметров.

— Руководители компаний обычно заняты весь день. Как удавалось совмещать работу и учёбу?

Иногда обучение проходит иногда вечерами, но чаще я просыпался на 1,5 часа раньше и слушал лекции или выполнял задания. Из-за разницы во времени я почти никогда не слушал преподавателей в реальном времени. Только в записи.

— Какие приёмы помогали справляться с нагрузкой?

Самые продуктивные часы – это утренние часы. Старайтесь сложные задания или лекции выполнять именно в часы наивысшей продуктивности. Если задача не решается вообще, оставьте её на день, решение обязательно придет.

— Что и как из новых знаний вы применяете в своей компании?

Сейчас я использую методы машинного обучения в анализе внутренних и внешних данных компании для прогнозирования спроса на продукцию и услуги. Создаю системы для автоматического сбора информации.

У нас небольшая компания, и когда дело касается сбора информации, ее анализа и построения прогноза, я все делаю сам. Собираю информацию, анализирую движение товаров у поставщиков (благо у многих есть API). Соотношу эту информацию с отгрузками в своей компании.

Есть ещё один проект, который пока не реализован в полной мере. Я собираю информацию о продаже коммерческой и некоммерческой недвижимости и обобщаю её. Веду мониторинг количества вакансий в регионе, а также мониторинг экономических показателей региона. Имея всю эту информацию, можно искать зависимости с целью прогнозирования спроса.

Машинное обучение я также использую на финансовых рынках для статистических арбитражных стратегий, прогноза цен активов, исходя из большого количества факторов.

Вообще, при появлении нового бизнес-процесса в компании я в первую очередь думаю, как его реализовать без или с минимальным участием человека. И в этом мне очень помогают инструменты ИИ.

Александр Вайншток

Всем привет. Меня зовут Александр Вайншток, и я хотел бы поделиться своим опытом повышения квалификации. Я занимаюсь аналитикой — это непростая специальность, в которой, как говорила героиня Льюиса Кэрролла, «нужно бежать со всех ног, чтобы только оставаться на месте, а чтобы куда-то попасть, надо бежать как минимум вдвое быстрее».

Немного предыстории

К аналитике я пришёл не сразу. Получил образование биохимика и востоковеда в Нью-Йоркском университете (эти две программы я оканчивал параллельно), потом — MBA по специальности «финансы и банки» в Высшей школе экономики. Когда нам читали курс по управлению рисками, меня заинтересовали математические модели, которые кредитные организации используют для оценки своих клиентов. Нам рассказали о практическом применении регрессии и деревьях решений. Было даже немного информации о нейронных сетях. Я понял, что больше всего в широкой сфере экономики меня интересует прогнозирование и математическое моделирование — возможность через цифры влиять на бизнес-решения.

Несколько лет назад я устроился аналитиком цепи поставок в молодую производственную компанию. Я был там первым аналитиком. Всё началось с простой аналитики продаж: мы с руководством разработали и запустили систему отчётности и оценки, подбирали метрики, собирали информацию.

Накопленные данные использовали для прогнозирования продаж будущих периодов. Со временем к моим прямым обязанностям добавилась ещё и аналитика производства и логистики. Здесь требовалось планировать оптимальный объём и время заказа сырья, рассчитывать запасы с учётом производственного цикла. Кроме того, нужно было точно определять, когда отправлять заказ на производство той или иной продукции. Всё это должно работать в связке с продажами, чтобы не допустить переизбытка товара на складе.

Фактически мы внедряли ряд элементов системы Kaizen и Lean manufacturing. Не на таком уровне, как, например, у Toyota, но для нашего производства и этого было вполне достаточно.

Повышение уровня

В 2017 году я понял, что традиционных инструментов мне не хватает. Основным был Excel, и его возможностей было уже мало — требовались более гибкие и мощные. К слову, подходы Data Science тогда уже были у всех на слуху и считались «серебряной пулей». Сейчас хайп немного поутих.

Три года назад я начал искать в интернете доступную информацию по теме больших данных и Data Science. Хотелось понять, как всё это можно использовать в моей работе.

В сети попалась реклама GeekBrains, факультета Python-разработки. Я связался с менеджером, и тот ответил мне, что на этом факультете готовят разработчиков. Я же планировал оставаться аналитиком, поэтому тогда отказался от идеи поступить на курсы. Но через год мне перезвонили и рассказали, что открылось новое направление — факультет искусственного интеллекта.

Я решил начать учебу. Прекрасно понимал, что современный бизнес не сможет существовать без эффективных методов планирования и прогнозирования, настроенных рекомендательных систем, автоматизации всех возможных процессов. Хороший пример — Amazon. Эта компания начала автоматизировать свою логистику с 2009 года. И не только она: например, компания Linde проектирует комплексные решения по автоматизации складской работы.

Ну а чтобы всё это правильно настроить и связать воедино все производственные и логистические процессы, нужна уже помощь ИИ-технологий — включая компьютерное зрение.

Смена работы

Незадолго до поступления на курсы я поменял работу, с учёбой эти изменения связаны не были. Устроился в новую компанию, тоже аналитиком, и, обучаясь, стал применять полученный опыт и знания на практике. Компания занимается организацией акций лояльности в сетевой рознице.

Нам постоянно требуется прогнозирование. Для него используем анализ временных рядов. К слову, на нынешнем месте работы есть полноценный отдел Data Science, и мне удалось принять участие в тестировании написанных ранее моделей.

Интересно, что кроме технических скилов и знания ИИ-технологий, в этой работе важно умение общаться с людьми. Нередко приходится встречаться с клиентами, объяснять суть процессов. Например, почему мы приняли те или иные решения. Всё это позволяет не превратиться в стереотипного «айтишника» из анекдотов. Расчёты могут быть идеальными, но если не донести до коллег или клиента их смысл, то нет гарантий, что они пойдут в работу.

Могу сказать, что мой новый опыт и знания дают возможность работать там, где ни один проект не похож на предыдущий. Здесь в каждой новой программе своя изюминка. Как аналитик я занимаюсь расчётами, моделированием и многим другим.

Кстати, работаю я в Москве и как-то заинтересовался, сколько есть вакансий по специальности «аналитик данных» здесь и в Нью-Йорке. Оказалось примерно поровну. На мой взгляд, Москва не уступает другим крупнейшим городам мира в вопросе информационных технологий. Для анализа я использовал данные порталов hh.ru и monster.com.

Советы коллегам

В ходе обучения я прочитал много интересных книг. Считаю максимально полезными вот эти:

Взгляд на развитие технологий анализа данных и ИИ

Расскажу, как вижу тенденции развития технологий анализа данных и искусственного интеллекта. Я замечаю ряд параллелей с первой волной информатизации в конце 80-х — начале 90-х годов прошлого века. Тогда умение работать с ПК считалось чем-то вроде тайного знания, чуть ли не каждая фирма считала своим долгом иметь в штате программиста, а сами компьютеры считались чем-то вроде философского камня.

То же происходило с ИИ и анализом данных. Технологии из этой сферы позиционировались как волшебная таблетка для компаний. Сегодня этот флёр таинственности и романтики начинает спадать — и это на пользу индустрии в целом. При этом сама сфера анализа данных никуда не делась. Системы, которые можно в широком смысле назвать искусственным интеллектом, находят всё более широкое применение. А если учесть, что ИИ был практически открыто назначен одним из приоритетов развития российской экономики, то можно быть уверенными: эта область будет только расширяться.

Так или иначе бизнесу всегда будут нужны специалисты, умеющие извлекать из неструктурированных данных закономерности, которые имеют прямое отношение к финансовым результатам компании. Стоит ещё учитывать, что в XXI веке технологии развиваются с невообразимой скоростью. И если сегодня вам хватает для работы условных ARIMA/SARIMA, то завтра рынку может потребоваться что-то другое. Так что учиться надо постоянно. Это относится не только к ИИ или даже IT в целом, а вообще к любой современной профессиональной нише. Мир меняется всё быстрее, так что нужно соответствовать новым реалиям.

Источник