Phystech.Genesis | Channel

😱 Главный страх стажировки: отсутствие практического опыта

Знакомо? Вы отправляете резюме, проходите собеседование – и вдруг понимаете: «А что, если я не справлюсь? У меня же почти нет реальных кейсов!»

Давайте разберёмся, почему этот страх – нормален, и как с ним работать.

Почему мы его испытываем?

➡Эффект Даннинга‑Крюгера. Начинающие специалисты часто недооценивают свои сильные стороны и переоценивают требования работодателя.
➡Разрыв между теорией и практикой. В учёбе мы решаем шаблонные задачи, а на работе – реальные проблемы с кучей неизвестных.
➡Страх подвести команду. Кажется, что от вас ждут мгновенных результатов, а вы ещё учитесь.

Но вот хорошая новость: компании, которые берут стажёров, заранее знают, что опыта у вас мало. Они готовы учить – иначе зачем вообще открывать стажировку?

Что делать прямо сейчас?

1⃣ Пересмотрите резюме. Даже без официальной работы у вас есть опыт! Учебные проекты, хакатоны, пет‑проекты (например, сайт‑визитка или чат‑бот), волонтёрские задачи – всё это считается. Описывайте их через результат:
🟡«Разработал прототип веб‑приложения на Python – сократил время обработки данных на 20%».
🟡«Участвовал в хакатоне по UX/UI: создал интерфейс для сервиса доставки, получил фидбек от 3‑х менторов».

2⃣ Тренируйтесь на открытых данных. Найдите датасеты (Kaggle, Google Dataset Search), попробуйте решить задачу из реальной сферы. Добавьте результат в портфолио.

3⃣ Задавайте вопросы. На стажировке не нужно притворяться, что вы всё знаете. Грамотный вопрос показывает вовлечённость. Формулируйте так:
🟡«Я нашёл решение через метод X, но не уверен, что он оптимален. Можете подсказать, как лучше?»
🟡«Подскажите, какие ресурсы изучить, чтобы разобраться в этом быстрее?»

4⃣ Фиксируйте прогресс. Ведите дневник стажировки: что изучили, какие инструменты освоили, какие ошибки допустили и как их исправили. Через месяц вы удивитесь, сколько нового узнали.

5⃣ Найдите наставника. Если в компании нет формального ментора, попросите кого‑то из коллег иногда проверять ваши задачи. Часто достаточно 15 минут в неделю, чтобы получить ценные правки.

💡 Помните: стажировка – это не экзамен на профпригодность, а инвестиция в вас. Компании вкладывают время и ресурсы, потому что верят: из вас вырастет ценный специалист. Ваша задача – учиться, пробовать и не бояться ошибок.

Phystech.Genesis – про хакатоны, стажировки и комьюнити разработчиков

🔬 Курган, городище, аномалия или ничего: как учить нейросети для конкурса «Экспедиция. Data Science»

Идёт приём заявок на КОЗ №2 «Сканирование». Задача участников: создать ИИ-решение, которое сможет находить археологические объекты в рельефе и под землёй по данным от разных сенсоров.

Чем больше у нейросети видов информации, тем больше шансов найти закономерности, незаметные для людей. Поэтому организаторы подготовили массив из лидарных данных, аэрофотосъёмки, магнитометрии и не только. Для анализа такой ценного, но разрозненного объёма, нужен целый комплекс технологий.

Какие инструменты в руках участников, а также какие подходы в приоритете для лучшего результата — рассказывают наши коллеги — эксперты по работе с данными (Data Science).

🔍 Сегментационные модели U-Net/DeepLab
Специализированные узкие архитектуры, могут точно определить форму фундамента или рва. Однако ошибутся, если объект не похож на выборку, поэтому для обучения нужно много данных. Идеальны для магнитометрии и лидарных точек.

🔍 Модель обнаружения объектов YOLO
Быстро ищет тысячи объектов, но задаёт грубые границы и захватывает много фона. Найдёт все потенциальные курганы на спутниковом снимке города, чтобы ничего не упустить. Лучший выбор для скоростного «поиска кандидатов».

🔍 Универсальная модель сегментации (SAM)
Обучена на миллиардах изображений всего на свете и может идентифицировать почти любой объект. При этом училась на массе «лишних» данных и требует больших мощностей. Идеально уточняет границ найденных объектов.

🔍 Мультимодальные модели (VLM)
Например, GPT-4o или Gemini. Понимают и картинки, и текст. По текстовому запросу найдут курганы и объяснят свои решения, но склонны выдумывать объекты и плохо работают с гео-форматом TIFF. Пока не пригодны для потоковой обработки.

А как объединить данные для верных итоговых решений? Вот главные подходы.

1️⃣ Раннее слияние
Взять аэрофото, точки лидара и магнитометрию — и выровнять, чтобы 1 пиксель на всех картах был «равен» одной и той же точке на земле. Модель сразу увидит корреляции: горячо и высоко — значит курган. Требует идеального выравнивания и подходит для данных, которые можно привести к одной сетке.

2️⃣ Глубокое слияние
Несколько нейросетей работают каждая над своим типом данных. Например, одна извлекает признаки текстуры из аэрофото, другая добывает геометрию из облаков точек лидара. В середине сети векторы признаков смешиваются, а модель выдаёт надёжный результат. Лучшее из обоих миров, но сложно обучать.

3️⃣ Позднее слияние
Несколько независимых моделей изучают разные типы данных и оценивают вероятность объекта. Решение принимают по средней арифметической. Подход игнорирует сложные связи, но уместен, когда данные приходят из разных источников в разное время.

Мы видим лучший исход в первых двух подходах. А что выберут команды конкурса — покажет время.

☄️ Подайте заявку на участие на платформе конкурса!

🚀 ML против рынка. Готов проверить свою модель в бою?

На ArenaGo стартовал виртуальный турнир по трейдингу с денежными призами – отличная возможность устроить тест своей стратегии

Если ты давно хотел:

🔘прогнать свою ML-модель в живых рыночных условиях

🔘проверить, работает ли твой feature engineering вне бэктеста

🔘сравнить «человека vs алгоритм»

🔘или просто обогнать толпу руками

– вот он, полигон.

🔥 Участвуй в ArenaGo Open Cup и показывай, кто тут главный

Phystech.Genesis – про хакатоны, стажировки и комьюнити разработчиков

Что нормально НЕ знать на первой стажировке

Каждый первый стажёр уверен, что «все вокруг уже всё умеют». Спойлер: нет. И вы не обязаны.
Вот что абсолютно нормально не знать на первой стажировке 👇

📌 Внутренние процессы компании
- Что за что отвечает
- Кто принимает решения
- Где что лежит
Это не очевидно. Контекст появляется постепенно, когда ты в проекте не неделю, а пару циклов задач.

📌 Негласные правила команды
Когда и как писать в чат, кто и что любит в ревью, как структурировать ответ – этому не учат на курсах. Это ты наблюдаешь и тестируешь вживую.

📌 Оценивать сроки задач
Оценка опыта приходит через практику и ошибку. Переоценил – нормально. Недооценил – тоже нормально.
Главное – анализировать после.

📌 Бизнес-контекст
Зачем продукт, почему именно так, зачем ограничения – ты узнаешь это, когда будешь погружён глубже. На старте фокус на твоей зоне ответственности.

🚫 Что НЕ нормально
- Молчать, когда не понимаешь
- Бояться задавать вопросы
- Игнорировать ошибки
- Прятать прогресс/трудности
Стажировка – не экзамен, а обучающий процесс.

🧠 Что от тебя реально ждут
- обучаемость
- ответственность за свою часть
- честная коммуникация
- динамика роста
Никто не ждет уровня мидла на первой стажировке.

💡 Если ты не всё знаешь — это норм. Ненормально — не учиться, не спрашивать и не расти.

Phystech.Genesis – про хакатоны, стажировки и комьюнити разработчиков

Phystech.Genesis | Channel pinned a photo

🚀 Режим сканирования активирован — мы продолжаем экспедицию!

Задача масштабируется: предстоит разработать ПО для поиска археологических объектов в рельефе и под поверхностью земли по данным дистанционного и глубинного зондирования.

Что тебя ждет?
• Новый технический вызов в области ML/CV.
• Продолжение реального кейса для археологов.
🔥 Шанс побороться за призовой фонд — 15 000 000 ₽.

Приглашаем команды 2–5 человек уровня Middle+ в ML/CV.

📌 Формат: онлайн на DS-платформе Phystech.Genesis.

Участвовать могут как физические лица, так и компании.

⌛ Подай заявку до 31 марта по ссылке.

🚀 MidSprint от VK – стажировка с треком «стажёр ➡ джун ➡мидл»
Программа со структурой роста и реальными задачами.

Кому подойдет:
Студентам 3-4 курса и недавним выпускникам с базовыми навыками по выбранному направлению.

Основные направления:
➡️Аналитика данных.
➡️Информационная безопасность.
➡️Машинное обучение / ML.

📌Формат: гибрид или удалёнка в зависимости от проекта.
📆 График: 20-40 ч/нед.

Отбор: заявка➡тестирование➡собеседование ➡ оффер.

➡️Узнать подробнее и подать заявку

Phystech.Genesis – про хакатоны, стажировки и комьюнити разработчиков

Новый поток курсов и олимпиада DLS при ФПМИ МФТИ!

✨ Открыта регистрация на новый поток курсов от DLS

Старт занятий: 28 февраля.

В этом семестре:

➡️classic ML + CV.
➡️NLP.
➡️Speech.
➡️Новый курс по фундаментальным моделям.

Подробности и регистрация.

✨ Началась регистрация на традиционную олимпиаду DLS

➡️Формат: онлайн.
➡️2 трека: для школьников и для всех желающих.
➡️Отборочный тур: 21–22 февраля.
➡️Финальный тур: 28 февраля.

Подробности и регистрация.

Phystech.Genesis – про хакатоны, стажировки и комьюнити разработчиков

🔥 IT-стажировки, куда можно податься сейчас

Реальный опыт, топовые команды и шанс на оффер 👇🏻


🚀 Яндекс – Yandex Internship
Направления: dev (backend/frontend/mobile), data/ML, аналитика, product
📆 Сроки: набор волнами, ближайшие – весна-лето
➡️ Подать заявку


📊 Avito – Analyst Bootcamp
Направления: product / business / data analytics
📆 Сроки: набор открыт, старт после закрытия регистрации
➡️ Подать заявку


📱 МТС – «Старт»
Направления: dev, data, аналитика, product, IT-support
📆 Сроки: набор круглый год
➡️ Подать заявку

💡 Обнови резюме и GitHub, напиши короткую мотивацию.

📌 Подписывайся – дальше ещё больше стажировок и IT-возможностей