7
подписчиков
1
подписка
Мы – команда karpov.courses. Мы делаем крутую Data Science школу и бесплатно делимся полезными знаниями по аналитике, статистике и машинному обучению. Учись с нами и начни больше зарабатывать ! 👉 https://to.karpov.courses/EmPW1g
Не является индивидуальной инвестиционной рекомендацией
Посты
Ролики
karpov.courses
2 февраля
Полезные функции ClickHouse, которые ускоряют аналитику.
ClickHouse — это не просто база для логов, а инструмент, который заметно упрощает и ускоряет работу аналитика.
1️⃣ Широкие витрины — позволяют считать множество метрик в одной таблице без потерь по памяти благодаря сжатию и LowCardinality.
2️⃣ Расширенные аналитические возможности — в одном запросе можно получать топы и общие итоги без сложных конструкций.
3️⃣ Агрегации с условиями — функции countIf, sumIf, uniqIf избавляют от вложенных CASE и SQL-матрешек.
4️⃣ Работа с алиасами — рассчитанные колонки можно использовать сразу в том же SELECT.
5️⃣ argMax и argMin — удобное решение для поиска значений с максимумом и минимумом в пару строк.
6️⃣ Приятный SQL — запросы можно писать в нижнем регистре, что упрощает ежедневную работу.
Эти функции — лишь верхушка айсберга. На курсе мы разбираем, как:
• Проектировать отказоустойчивые системы/хранилища
• Оптимизировать запросы на больших данных
• Строить BI-системы, которые не ломаются под нагрузкой
Освойте архитектуру и оптимизацию ClickHouse за 7 недель — старт 6 февраля.
#аналитика #карьеравIT #IT
karpov.courses
13 ноября 2025
Если вы начинающий айтишник, продакт или маркетолог, то наверняка сталкивались: на собеседовании эйчар просит реальные кейсы с А/Б-тестами и задаёт вопросы, на которые без опыта сложно ответить. Кейсов у вас пока нет, но теорией вы хорошо владеете. Есть два варианта развития событий:
1️⃣Ходить на собеседования в ожидании, когда одна из компаний поверит в вас. Но будет ли это компания мечты?
2️⃣Дать себе время, чтобы добыть эти нужные-важные кейсы. И уже с ними идти с на собеседования в компании, которые интересны.
Оба пути рабочие. Но если выбирать второй — то встаёт вопрос: где практиковать А/Б-тестирование? Один из вариантов — у нас в «Симуляторе А/Б-тестов». Он сделан специально для тех, кому до трудоустройства или карьерного шага не хватает только практики.
Внутри симулятора — кейсы из реального бизнеса, которые далеки от хрестоматийных примеров из статей в духе «10 секретов А/Б-тестов». Вам предстоит их решить. Есть две версии: базовая — для диджитал-специалистов и продвинутая — для айтишников.
Выбирайте свой трек, записывайтесь и практикуйтесь. Ссылка на сайт - в описании профиля.
Всем оффера мечты 🧡
karpov.courses
24 октября 2025
🔔Кейс: Анализ настроения в Telegram-чатах — проекты MoodMeter и VibeCheck
Задача
Перед студентами стояла задача разработать сервисы, способные анализировать настроение в Telegram-чатах — будь то рабочие группы или студенческие сообщества. Системы должны были собирать динамику настроения, выявлять конфликтные темы и предупреждать пользователей о повышенной токсичности, помогая улучшить коммуникацию и атмосферу в чатах. Мы пообщались с участниками команд и узнали подробности.
Реализация в командах
1️⃣ MoodMeter (команда Вадима Самойлова)
Команда создала проект, запускающийся через Docker на Linux, с использованием PostgreSQL и Telegram-бота. Особое внимание уделялось удобству и интуитивности управления, что сделало продукт доступным для конечных пользователей. Ментор Богдан помог структурировать работу по принципу MoSCoW — сначала реализовали минимально необходимый функционал, затем поэтапно улучшали проект. Команда работала распределенно через GitHub, эффективно расставляя задачи и обмениваясь идеями.
Вадим отвечал за эксперименты с моделями BERT, интеграцию бота и визуализацию через Streamlit, а также оптимизацию архитектуры для стабильной работы в Docker. Проект выиграл защиту, подтвердив высокое качество технической реализации и решение бизнес-задач. В планах — интеграция LLM и системы RAG для более глубокого анализа сообщений и рекомендаций администраторам чатов.
2️⃣ VibeCheck (команда Сергея Савинова)
Проект сосредоточился на создании Telegram-бота для отслеживания настроений участников чата с помощью ML-алгоритмов. Сергей занимался разработкой метрики токсичности и ее визуализацией, изначально в DataLens, а затем — непосредственно в Telegram через команды бота. Команда экспериментировала с обучением ruBERT, но в итоге использовала prompt-интерфейс к chatgpt 4o-mini для оценки токсичности. Важным стал учет веса последних сообщений и усиленное влияние токсичных сообщений на метрику.
В работе применялись триггеры и функции PostgreSQL для расчета метрики. Помимо технических навыков, Сергей отметил ценность командной работы и коммуникации, а также опыт доведения проекта до результата.
Вывод
Обе команды успешно создали работающие сервисы для анализа настроения в Telegram-чатах, решив сложную задачу мониторинга и предупреждения о токсичности. Этот проект на симуляторе DS ярко продемонстрировал, что практика — это не просто выполнение технической задачи, а комплексное развитие профессиональных навыков. Работа в условиях, максимально приближенных к реальным, помогает студентам также отточить умение эффективно взаимодействовать в команде, планировать работу и учитывать приоритеты благодаря менторской поддержке.
Симулятор создает пространство для формирования ключевых компетенций: структурированного подхода к решению задач, коммуникации и совместного поиска оптимальных решений. Такой опыт крайне важен для успешного старта в индустрии, ведь он позволяет не просто получить знания, а научиться применять их в реальных условиях, создавая востребованные и удобные для пользователей продукты.
karpov.courses
21 октября 2025
Какие софты прокачивать специалисту❓
Недавно мы провели опрос про двух аналитиков с разным уровнем hard и soft skills. Спасибо вам за комментарии: дискуссия получилась очень интересной. Мы прочитали разные мнения, и хотим поделиться своим.
Самое важное — отталкиваться от задач, которые будет решать новый человек. Но все-таки подтянуть харды обычно проще, чем развивать софты. С таким походом найм специалиста — игра в долгую. Лида вполне можно вырастить из линейного сотрудника, если у него хорошо развиты навыки обучения и общения с людьми.
Стоит четко понимать, какие именно мягкие навыки нужны на вакантной позиции. Человеку с развитыми лидерскими качествами будет очень сложно на линейной позиции без перспективы роста в ближайший год. В результате вы получите немотивированного сотрудника с отличными софтами.
Вывод — везде ищите баланс. И листайте карточки: в них рассказали, какие soft skills важны для специалиста. Развивайте их, это точно поможет в построении карьеры. Навыки связаны между собой и усиливают друг друга. Например, с развитием критического мышления и коммуникативных навыков будет проще управлять проектами.
karpov.courses
18 октября 2025
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.
karpov.courses
7 октября 2025
📌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.
Тем, кто только начинает путь в Data Science, бывает сложно определиться с направлением. Рассказываем, чем отличаются курсы «Инженер данных с нуля» и «Инженер машинного обучения», чему на них учат и как определиться с программой.
Чем отличаются профессии
⭐️ Инженер данных создает инфраструктуру для работы с массивами информации: базы, пайплайны. Его главная цель — обеспечить надежное хранение и обработку данных для аналитики и машинного обучения.
⭐️ Инженер машинного обучения разрабатывает и внедряет ML-модели. Его цель — создать алгоритм, который решает конкретную задачу. Например, прогнозирование продаж.
Чем отличаются программы
⭐️ На курсе «Инженер данных с нуля» вы научитесь очищать, трансформировать, перемещать и хранить данные. Для этого освоите инструменты: SQL, Python, Airflow, Spark, Kafka, Docker. На практике построите ETL-систему и хранилище данных, потренируетесь в их обработке.
⭐️ На курсе «Инженер машинного обучения» узнаете, как готовить данные для ML-моделей, извлекать признаки и обучать нейросети. Овладеете инструментами: Python, Pandas, NumPy, Scikit-learn, PyTorch, TensorFlow. На практике поработаете с датасетами, создадите и внедрите ML-модель.
Как определиться
Ответьте на пару вопросов:
1. Нравится анализировать, преобразовывать и структурировать информацию? Если да, вам подойдет курс «Инженер данных с нуля».
2. Мечтаете создавать и обучать нейросети вроде Алисы и ChatGPT? «Инженер машинного обучения» — для вас.
Выбирайте курс и призодите к нам учиться! Где искать ссылку на сайт вы уже знаете 😉
10 вопросов, котор...
karpov.courses
6 октября 2025
Куда пойти работать?
Многие думают, что стартап — это свобода, а корпорация — стабильность. Но все ли так однозначно?
На этот вопрос ответит Анатолий Карпов — ведущий российский эксперт в сфере аналитики по данным NEWHR, СЕО Karpov.Соurses и автор курса «Аналитик данных».
Ставьте 🔥, если вы за корпорации, ❤️ — если за стартапы, 🐳 — если для вас важнее интересные задачи.
karpov.courses
30 сентября 2025
Время, когда профессию выбирали на всю жизнь, прошло? 🤔
Преимущественно да. Новые технологии и искусственный интеллект трансформируют рынок труда куда мощнее, чем в свое время это сделал ткацкий станок Жаккара. Мы буквально живем в эпоху ежегодных перемен.
Профессии меняются на глазах и вполне нормально:
— постоянно доучиваться и менять работу внутри направления;
— кардинально менять сферу деятельности, потому что а) это интересно б) вы можете себе позволить. Раньше было сложнее.
⭐️ Какие установки ушли в прошлое:
— Выбор нужно сделать как можно раньше. Нет, самый лучший — осознанный выбор
— Профессию выбирают раз и навсегда. Нет, вы сами решаете, сколько профессий хотите сменить за жизнь
— Хорошо зарабатывают только белые воротнички. Нет, недавно курьеры превзошли по зарплате врачей, журналистов и IT-шников.
📌 На что опираться теперь:
— Надо постоянно учиться. Даже в границах одной профессии. Новые подходы и технологии требуют от специалистов новых навыков.
— Вузовский диплом не гарант карьеры. Это бонус. С большим интересом работодатели смотрят на практику, опыт и вовлеченность.
— Некоторые профессии скоро исчезнут. Но благодаря технологиям еще больше направлений появится.
Ставьте в комментариях:
🔥 если меняли профессию
⚡️ если планируете перейти в IT из другой сферы
🐳 если ничего не меняли
karpov.courses
28 сентября 2025
Всем привет!)
Мы растем — и вместе с этим увеличивается потребность делиться знаниями. Поэтому на мы выходим в Пульс, где будем публиковать полезный контент о профессиях, развитии карьеры и навыков.
На какие темы было бы интересно прочитать статьи? Пишите в комментариях.
