Переобучился

Большинство начинающих бегунов делают перерыв с ноября по март. Причины понятны: темнеет рано, холодно, после работы сложно заставить себя выйти. Но именно этот сезон показывает, насколько привычка настоящая. Снаряжение решает больше, чем сила воли Главный барьер зимой — не холод сам по себе, а дискомфорт: мёрзнут руки, залетает ветер, промокает одежда. Базовый набор: лёгкие беговые перчатки ветрозащитная куртка (не тёплая — именно лёгкая, от ветра и мороси) термобельё первого слоя Этого достаточно до -8–10°C. После покупки вопрос "идти или нет в такую погоду" превращается в "надеть или нет куртку" — это принципиально другой уровень сопротивления. Условие "хорошей погоды" работает против системы Ждать удобного момента зимой означает не бегать. Нужно убрать порог: "выхожу независимо от погоды, вопрос только в снаряжении". После этого дождь становится не поводом остаться дома, а просто фактором выбора куртки. Гибкость по времени важнее жёсткого расписания "Побегу в 19:30" в декабре почти всегда проигрывает усталости. Лучше работает мягкое правило: "побегу до того как сяду за ужин" — и не важно, это 18:40 или 20:10. Убирает сценарий "уже поздно, перенесу". Короткие пробежки — не потеря времени 4–5 км держат привычку и аэробную базу. Не нужно выходить на 10 км в темноту, чтобы сезон считать рабочим. Регулярность важнее объёма.

A/B тестирование: три ошибки которые делают результат бесполезным A/B тест — базовый инструмент в продукте и ML. Разделить аудиторию на две группы, показать разные варианты, сравнить метрику. Идея простая. Но именно здесь легко получить вывод, который выглядит как результат, а на деле — случайность. 1. Peeking — остановка теста раньше времени Самая частая ошибка. Если заглядывать в результаты до достижения нужного объёма выборки и останавливать тест при первом значимом числе — вероятность ложноположительного вывода резко растёт. Это статистически подтверждено. Как правильно: рассчитать нужный sample size заранее (через power analysis, исходя из ожидаемого эффекта и уровня значимости) и дожидаться его. Промежуточные числа — только ориентир, не решение. 2. Игнорирование сегментов Средний эффект по всей аудитории скрывает противоположные результаты в разных группах. Например: мобайл +12%, десктоп -6%, в среднем +3% — тест выглядит слабым, хотя на мобайле есть реальный результат. После завершения теста стоит всегда проверять основные срезы: устройство, платформа, гео, новые vs вернувшиеся пользователи. 3. Несколько изменений в одном тесте Если одновременно поменяли интерфейс, алгоритм и текст кнопки — невозможно понять, что именно повлияло. Тест показал рост, но при следующем изменении логика рассыпается — и снова непонятно почему. Принцип изолированности изменений — базовое условие корректного эксперимента. Одно изменение за раз. Итог Хороший A/B тест — это не интересная история. Это скучный процесс: одно изменение, правильный sample size, ожидание. Скучно — значит, методологически правильно.

Я гуманитарий, который переобучился в айти. Делал это через Скиллбокс, который все ругают — и частично справедливо. Но если заходить с трезвой головой и понимать, что это роадмап, а не волшебная пилюля до уровня Яндекса — вполне рабочий инструмент. Главное что я вынес с курса: лозунг «ты тоже можешь стать программистом» — это маркетинг. Человек, который вчера не умел устанавливать программы, не станет ML-инженером за полгода. Сильные ребята там были, но их было от силы десять на тысячи человек. Курс даёт направление. Всё остальное — твоя работа. Пишу подробнее в телеграм