Guest
Илья Езепов — data scientist в Google, преподаватель (и выпускник) ЦМФ 0:10 Абсолютное первое место на межнаре по естественным наукам 1:53 Почему Факультет наук о материалах МГУ 3:06 Учёба на ФНМ 4:32 ММАЭ ЭФ МГУ 6:20 “Странные были курсы по выбору, где ты ничего не выбираешь“ 7:42 Куда катится наш любимый МГУ 9:55 “Я больше фанат самообразования“ 11:05 Могут ли школьники работать в data science 12:46 Московская биржа 14:21 Как пришёл к data science 15:37 “Про R есть отличная шутка: у этого языка программирования самая сильная сторона - что его придумали хардкорные математики, а самая слабая сторона - что его придумали хардкорные математики“ 16:50 Как попал в Яндекс 19:13 Яндекс Крипта 20:25 От стажёра до Team lead в Яндексе 22:34 Задача в Яндексе 24:22 Зарплаты в Яндексе 26:29 Agoda - азиатский Booking 28:46 “Дневники Ильи в Тайланде“ 31:54 Задачи в Agoda 35:43 Почему Google 37:44 Почему Швейцария 40:02 Как в Google и Facebook выбираются задачи 42:06 Собеседования в Big Tech (Google, Facebook, Amazon) 45:44 Как придумать твиттер (интервью по архитектуре) 49:57 Grokking the system design interview 52:50 Машинное обучение на собеседованиях 53:58 В Big Tech на одном ML уехать далеко не получится 55:14 “Leetcode: открываете и просто решаете оттуда задачи“ 55:46 Почему выбрал Google, а не Facebook 56:56 “Когда собеседуетесь, собеседуйтесь во много компаний, если у Вас на руках несколько оферов - это добавляет колоссальное количество сил к переговорам“ 58:02 Google Assistant на Android 58:15 “А какая будет погода на выходных?“ 59:28 “Я делаю самые разные штуки: и придумываю фичи, и тюню модельки (такой классический data science) и довольно много я начал в Google заниматься мониторингами качества - разрабатывать метрики для A/B-тестов, когда кто-то сделает новую версию модели, как понять что она лучше или хуже работает“ 59:50 “Всё своё, ничего опенсорсного почти что нет“ 1:00:29 Python vs. Java, C , Go 1:02:00 Машинное обучение на девайсе 1:02:40 “Задачи в Google, в принципе, ты выбираешь сам, по крайней мере, если совсем, вдруг стало плохо, то можно ротироваться внутри Google между командами“ 1:04:05 Менеджеры & tech lead'ы, Agile, Scrum, Спринты & стендапы 1:05:12 Performance review & повышения 1:05:58 Data science и прога в работе 1:07:20 Типичный рабочий день 1:08:35 “У меня гибкий график“ 1:09:25 Насколько просто перейти в поиск или Youtube 1:10:10 Нужна ли релокация при переходе на другой проект 1:11:21 DeepMind 1:12:25 “Privacy - это огромная история“ 1:13:08 Mission Control в Google 1:14:30 Google vs. Яндекс 1:15:38 “Если работать в России, я бы работал в Яндексе, я думаю“ 1:15:55 Зарплаты в Big Tech 1:17:31 Zebra 1:18:53 Собственный стартап 1:19:51 Data science - спорт, наука, искусство или рутинная работа? 1:22:08 “Почти всегда время, потраченное на поиск новых данных, оно будет эффективнее, чем на придумывание новых фичей“ 1:23:38 Kaggle Competitions Master 1:24:12 “Во многом благодаря Kaggle новые архитектуры быстрее намного попадают в продакшн“ 1:24:50 Для кого Kaggle 1:25:58 “Мне кажется, какое-то время назад на Kaggle произошёл сдвиг и крутые data scientist'ы уступили крутым спортсменам“ 1:27:05 Появление трансформеров 1:28:48 Академический data science 1:29:51 “У меня есть патент за работу в Яндексе“ 1:30:38 Спортивный, академический и индустриальный data science 1:33:01 Как изменился data science (и как повлияли hard и soft) 1:36:20 Трансформеры: как работают и какие задачи решают 1:37:26 «Attention is all you need» 1:40:07 Передний край data science: трансформеры и обучение с подкреплением 1:42:25 Каким будет data science и какими будут data scientist'ы в будущем 1:43:55 В чём драйв в занятии data science 1:45:38 Долгосрочные цели 1:47:01 Почему ещё не Ironman 1:48:01 В чём смысл жизни и в чём смысл жизни data scientist'a 1:49:21 “В ЦМФ был огромный акцент на полезность знаний“ 1:50:38 О своём подходе к преподаванию на ЦМФ 1:52:18 “Это было супер полезно для меня в плане структурирования знаний и какие-то связи я приобрёл ценные“ 1:53:15 Советы студентам 1:56:48 “В IT минимальную роль будет играть диплом“
