Ищу работу: CTO, Tech/Team Lead, R&D
Обновлено 5 ноября.
Работу нашёл. Пост оставляю для истории.
15 лет в разработке ПО, 13 — в геймдеве, 9 — в топ геймдев компаниях.
Специализируюсь на решении нетипичных задач, наведении порядка, разработке backend.
Не привязан к технологиям, легко переключаюсь на выгодные для текущего проекта.
Резюме: ru, [en](absolute:/en/cv}.
Рассматриваю позиции CTO, Tech/Team Lead или R&D разработчика.
Не рассматриваю:
- аутсорс, аутстаф — совсем-совсем;
- криптопроекты, ориентированные на продажу токенов на хайпе;
- низкоуровневый линукс и всё, близкое к железу;
- работу, заточеную на обеспечение security;
- работу, заточеную на сложную графику;
- работу, сконцентрированную на devops, настройке инфраструктуры, etc.
Отвожу время на поиск до начала ноября. То есть принять офер смогу только в начале ноября.
Рассматриваю только продуктовые компании.
Важно наличие бонусов / опционов / процентов от прибыли с чёткими критериями их получения. Если такого нет, то буду рассчитывать на прямую компенсацию в зарплате.
Планирую уезжать на запад. Поэтому либо релокация в течение года, либо возможность удалённой работы.
P.S. Из всего могут быть исключения, но для каждого исключения нужен повод.
Итоги творческого отпуска 2019-2021 годов
Every single day 'cause I love my occupation
A-a-ay, I'm on vacation
If you don't like your life, then you should go and change it
Или как написать том «Войны и мира» за 2 года.
В июне 2019 я уволился из Melsoft и ушёл в творческий отпуск, который длится вот уже 2 года и 2 месяца. Пора подводить итоги.
Расскажу зачем я это сделал, чем занимался, что получилось, что не получилось, какие впечатления остались.
Кратко: всем рекомендую.
Ссылки на курсы по Machine Learning & Deep Learning
Перед началом разбирательства с темой собрал для себя список курсов, которые могут быть интересны.
Публикую, чтобы не пропадал зря.
Только ссылки. Свои комментарии вырезал — в исходном виде они никому кроме меня не помогут :-)
MIT 6.S191: галопом по Deep Learning
Отмучавшись с матаном, я решил, что времени на основательное разбирательство со всем машинным обучением уйдёт слишком много — надо срезать углы.
Поэтому следующей целью выбрал курс MIT 6.S191: Introduction to Deep Learning.
Потому что MIT и по темам лекций видно широкое покрытие темы.
Курсом очень доволен.
Как учить и не учить математике
Количество успешных решений и процент успешных попыток отправки решений задач в курсе.
Чёрт дёрнул вспоминать вышку. Я планирую немного забатанить машинное обучение, но сперва решил вспомнить, чему меня в университетах учили. Тем более, что математического анализа мне иногда не хватает.
Поэтому я нагуглил на Stepik курс с пятью звёздами сразу в двух частях (1, 2) за авторством Александра Храброва.
Первую часть я прошёл за 6 полных дней на 100%. Вторую, с перерывами, дней за 10 на 87%: стало жалко времени и сил. График в заголовке намекает на причину :-)
Попутно накопил заметок о курсе, о том как «правильно» учить математике. И как ей учить не надо.
Само собой, всё с моей колокольни.