Разбираем с PROфессиональной точки зрения все нюансы общения с Big DATA. Как подойти, влюбиться и остаться навсегда. Наши эксперты – люди из профессии, которые объясняют сложные вещи простыми словами. Помогаем сориентироваться в большом мире хаотичных данных и узнать больше о внутренней кухне DATA-практики. PROработу PROтулы PROэкспертизу PRODATA
Language
🇷🇺
Publishing Since
12/8/2020
Pitch yourself as a guest, propose sponsorships, or reach out directly to the host.
September 6, 2021
<p>Что такое DataOps? Этому направлению еще нет и 10 лет, а оно уже стало востребованным среди заказчиков. Ведь если DevOps занимается предоставлением бизнесу работающего ПО, то DataOps концентрируется на оперативной доставке актуальных рабочих данных каждому участнику корпоративных процессов. В новом выпуске подкаста ведущие Евгений Никифоров и Данила Голощапов вместе с гостем выпуска Александром Кучиным, руководителем Data DevOps-направления в EPAM, разбираются в тонкостях этой специальности.</p> <p>Бонусом – рассказы о собственных нестыдных фейлах и факапах с проектов по BigData. Слушайте и не повторяйте. 😉</p> <p>Таймкоды:</p> <p>0:43 – О госте</p> <p>1:25 – В чем разница между системным инженером и DevOps</p> <p>2:27 – Особенности работы в Data DevOps</p> <p>5:32 – Граница между системным аднимистратором и DevOps</p> <p>7:25 – Какие инструменты есть сейчас</p> <p>9:15 – Что встречается чаще: программирование или декларативный силь описания?</p> <p>10:39 – «Хардкор» в работе</p> <p>11:45 – Как складываются отношения с DevOps-девелоперами</p> <p>16:30 – Как разговаривать с заказчиком о сложных инфраструктурных кейсах</p> <p>21:38 – Как уберечься от ошибок?</p> <p>25:20 – Что если в облаке что-то взорвется?</p> <p>26:31 – Про стоимость простоя</p> <p>27:40 – «Уверенность произрастает из опыта»</p> <p>29:09 – Истории факапов</p> <p>33:19 – Про «костыли и палки» на проектах – истории от всех</p> <p>41:56 – Про особенности автоматизации</p> <p>44:03 – Есть ли что-то такое, что вообще не автоматизируется?</p> <p>46:02 – Советы молодым специалистам. Как прийти в эту сферу?</p>
May 27, 2021
<p>Как разобраться с гигантским объемом данных, построить на их основе работающую рекомендательную систему и помочь бизнесу заказчика? Слушайте новый выпуск подкаста о Data Science. Узнайте, почему это направление всегда будет актуально в нашем цифровом мире, как с его помощью меняются целые области научных знаний, и что нужно уметь, чтобы устроиться на работу по этой специальности. В гостях – Татьяна Бородина, старший аналитик данных в компании EPAM. Ведущие – Евгений Никифоров и Данила Голощапов.</p> <p>Таймкоды:</p> <p>0:35 – Как Татьяна пришла в Data Science</p> <p>2:05 – Кто такой дата-сайентист?</p> <p>4:46 – В чем специфичные отличия Data Science</p> <p>11:08 – Почему Data Science стала популярной именно в момент наибольшего интереса к Data-технологиям</p> <p>16:33 – Про сложности в общении пользователей и роботов, созданных благодаря Data Science моделям</p> <p>24:19 – Является ли проблемой неприятие пользователями созданных Data Science моделей</p> <p>25:35 – Как устранять ошибки в выводах, которые делает модель</p> <p>27:48 – Когда не хватает данных, на чём обучать модель?</p> <p>31:16 – Приходится ли сталкиваться с проблемами личной этики при работе с большими данными в Data Science?</p> <p>35:22 – Насколько реально использовать созданные модели не по назначению</p> <p>39:20 – Области, где Data Science вносит существенные изменения уже сейчас, и области, где перемены только предстоят</p> <p>43:35 – Есть ли области, где Data Science вообще не нужен?</p> <p>46:54 – Полезные рекомендации тем, кто хочет попасть в Data Science</p>
March 29, 2021
<p>Поговорим про качество данных? Гостем нового выпуска подкаста PRODATA стал руководитель направления Data Quality EPAM Роман Юшин. Из выпуска узнаете: чем отличается Data QA от классического тестирования, каким образом тестировать Cloud, а также как можно стать Data QA инженером. Ведущие подкаста - Евгений Никифоров и Данила Голощапов.</p> <p>Таймкоды:</p> <p>0:55 – Старт направления Data Quality</p> <p>3:00 – Специфика обучения Data-направлению</p> <p>4:34 – Чем Data QA отличается от классического тестирования</p> <p>7:40 – Где обязанности Data Quality инженеров расходятся с QA</p> <p>13:10 – Какие есть методы проверок</p> <p>15:40 – Бывают ли в Data Quality ручные проверки</p> <p>18:00 – Что тестировать сложнее всего</p> <p>18:42 – Несколько инсайтов Data Quality</p> <p>21:05 – Как выстраивать параллельные процессы с другими командами</p> <p>22:30 – Как Data Quality проявляет себя на начальных стадиях проекта</p> <p>26:03 – Как собрать Data-set, чтобы наиболее точно отразить данные заказчика</p> <p>30:05 – Про инфрастуктуру</p> <p>31:30 – Про Cloud. Как тестировать</p> <p>39:39 – Истории проектов</p> <p>42:55 – Советы начинающим Data QA инженерам</p>
Have a different question and can't find the answer you're looking for? Reach out to our support team by sending us an email and we'll get back to you as soon as we can.
Разбираем с PROфессиональной точки зрения все нюансы общения с Big DATA. Как подойти, влюбиться и остаться навсегда. Наши эксперты – люди из профессии, которые объясняют сложные вещи простыми словами. Помогаем сориентироваться в большом мире хаотичных данных и узнать больше о внутренней кухне DATA-практики.
PROработу
PROтулы
PROэкспертизу
PRODATA
This podcast updates daily.
This podcast is available on 4 platforms including Apple Podcasts, Spotify, and more. You can also use the RSS feed directly.
Yes, this podcast regularly features guests.
Pod Engine is not affiliated with, endorsed by, or officially connected with any of the podcasts displayed on this platform. We operate independently as a podcast discovery and analytics service.
All podcast artwork, thumbnails, and content displayed on this page are the property of their respective owners and are protected by applicable copyright laws. This includes, but is not limited to, podcast cover art, episode artwork, show descriptions, episode titles, transcripts, audio snippets, and any other content originating from the podcast creators or their licensors.
We display this content under fair use principles and/or implied license for the purpose of podcast discovery, information, and commentary. We make no claim of ownership over any podcast content, artwork, or related materials shown on this platform. All trademarks, service marks, and trade names are the property of their respective owners.
While we strive to ensure all content usage is properly authorized, if you are a rights holder and believe your content is being used inappropriately or without proper authorization, please contact us immediately at hey@podengine.ai for prompt review and appropriate action, which may include content removal or proper attribution.
By accessing and using this platform, you acknowledge and agree to respect all applicable copyright laws and intellectual property rights of content owners. Any unauthorized reproduction, distribution, or commercial use of the content displayed on this platform is strictly prohibited.