Чем полезен спорт для карьеры 

Сидел стригся и с барбером разгоняли за скейтборд с bmx. Пришла интересная мысль, делюсь

Детям очень полезно заниматься спортом. Он учит достигать, через дисциплину и повторение

Я постоянно в своей работе встречаю людей, которые постоянно сомневаются в себе, в том что у них получится, они не умеют брать амбициозные задачи. «Я так раньше не делал», «ну мы же не знаем наверняка». Причем правильность обсуждаемого целевого результата у них не вызывает вопроса, а вот Веры в себя, что они справятся нет

И я искренне их не понимаю. В моем опыте у меня все всегда получается. Путь бывает не прост, нужно десятки раз подходить к снаряду снова и снова, пока не получится (не путать с дурными идеями у которых нет решения, ты должен понимать как потенциально будет работать то за что ты берешься)

Так вот про спорт, меня экстремальные виды спорта научили двум вещам: 
1. Не ссать. Ты точно не сможешь ничего сделать, если будешь очковать и трястись по каждому поводу 
2. Повторять повторять повторять. Ты никогда не сделаешь кикфлип с первого раза. Ни-ко-гда. Это всегда сотни попыток. Стоишь и часами прыгаешь, пытаешься разобраться в физике процесса, подсмотреть как двигаются другие и повторять повторять повторять

И внезапно оказывается, что секрет в том, что те кто не научился — они просто сдались. На 10 раз сказали «ой ну и ладно, мне не дано». А ты долбил в одну точку как дебил пару недель и поставил трюк. А потом второй, третий четвертый. И вот, ты уже катаешься лучше большинства окружающих

Выглядит несложно. Особенно учесть что половина сыночек-корзиночек только делают вид, что катаются, а на самом деле приходят просто покрасоваться перед девончками (или мальчишками, черт их, доморощенных, поймешь)

П.С. Ну и давайте еще добавим: уж если ты во что-то полез играть — играй на победу. Что за пассивное участие, что за «попробую», что за «посижу посмотрю пока другие разберутся». Кайфани

Доклады South HUB кэмп 2026 вышли в записи!

AI, лидерство, роботы, карьерные повороты и решения, которые меняют самих лидеров и их компании. Теперь можно поставить на паузу, вернуться на сильную мысль и переслушать момент, который в зале пролетел слишком быстро или впервые проникнуться мыслями, прозвучавшими со сцены пятого кэмпа. 

💬 Смотреть в VK / 📹 Смотреть в YouTube

Вас ждёт концентрат идей — личные истории, технологическая глубина и тот самый эффект, когда после выступления хочется что-то пересобрать у себя.

Лидерство и микроконтроль

Не фанатею от Джобса, от слова совсем, но как же он прав:

Самые выдающиеся люди умеют управлять собой сами. Ими не нужно управлять. Как только они понимают, что нужно сделать, они сами разберутся, как это сделать. Их вообще не нужно менеджерить. Что им нужно — так это общее видение, и в этом и заключается лидерство. Лидерство — это иметь видение, уметь донести его так, чтобы люди вокруг тебя его поняли, и добиться консенсуса вокруг общего видения.

Не добавить, не прибавить. Выдающиеся люди. А что с выдающимися менеджерами? Я вот много раз встречал менеджеров, который наоборот микроконтролит из-за всех сил, но не может дать тот самый вижен 

— Кто наш клиент? Какую его проблему мы решаем? Как измеряем успех? Каким продукт должен стать через два года?
— Тишина

Зато есть уверенное мнение, за сколько дней делается работа и сколько разработчиков могут пилить её в параллель. Он принимает решения за экспертов, не имея экспертизы. А пока экспертные решения принимаются вне центра экспертизы — ничего достойного построено не будет.

А дальше запускается самосбывающееся пророчество. Ты перерешал за человека раз. Два. Десять. Он сделал вывод: инициатива наказуема, жди указаний. Кто ждать не согласен — ушёл туда, где доверяют. Остались те, кому пинок и правда нужен. Менеджер оглядывается на команду: «Видите, без меня они ничего не могут». Конечно не могут, но кто их такими сделал?)

И да, Джобс был знатный микроконтроллер и доводил людей до срывов. Но, только есть ключевой нюанс — он микрил продукт, а не людей

Understanding Machine Learning: From Theory to Algorithms — фундаментальная книга по математическим основам машинного обучения.

Внутри:

empirical risk minimization и переобучение
PAC learning и uniform convergence
VC dimension и No-Free-Lunch theorem
bias–complexity tradeoff
линейные модели, boosting и AdaBoost
выбор модели и валидация
выпуклая оптимизация, регуляризация и устойчивость

Книга вышла в Cambridge University Press и подойдёт тем, кто хочет разобраться в ML глубже уровня библиотек и готовых API.

Авторы разрешают скачать копию для личного использования, но просят не распространять прямую ссылку на PDF. На официальной странице кнопка Download находится в боковом меню:

http://cs.huji.ac.il/~shais/UnderstandingMachineLearning