что значит работа с большим объемом информации

Научитесь работать с информацией эффективно

О том, насколько продуктивно можно работать с большими объемами информации, смотрите в этом видео:

За несколько минут в нем объясняется, как пройти целый учебник всего за 1 день.

Для того, чтобы научиться обрабатывать большие объемы данных за короткое время, нужно прокачать несколько навыков и пользоваться особыми технологиями. Поэтому мы собрали для вас несколько видео, объясняющих основные механизмы. Приятного просмотра.

Например, важное умение – быстро читать. Здесь есть, что совершенствовать, например, избавиться от проговаривания, тормозящего скорость. Или вспомните, часто ли приходится перечитывать один и тот же абзац (или предложение) по несколько раз? Увеличив скорость чтения и понимания прочитанного, можно избавиться от этих проблем. Для этого есть много методик скорочтения. Навык можно приобрести, если задать себе цель, не лениться и практиковать различные методики ежедневно. О том, какие методики существуют, вы узнаете из статьи.

Другие полезные навыки – структурировать информацию и выделять главное. Как это ни странно, мало кто может отличить действительно важную информацию от второстепенной. Обычно мы берем в руки карандаш и принимаемся подчеркивать направо и налево, боясь что-то упустить. Между тем, как правило, обыкновенная страница должна содержать в себе лишь несколько подчеркиваний. Обычно в категорию “главное” входят основные мысли (о чем текст), важные классификации, даты, имена, одним словом, фактическая информация.

А для того чтобы быстро запомнить новые данные, нужно нарисовать майнд-карту. Она представляет собой схему, когда стрелочки ведут от главной мысли к основным блокам текста. Важный нюанс состоит в том, что слова желательно заменить на символы и рисунки. Например, слово медицина можно заменить красным крестом, а книгу нарисовать. Со временем вырабатывается свой словарь частоупотребимых символов и майнд-карта составляется очень быстро. Слова, конечно, писать проще, однако на этапе воспроизведения мозг быстрее отображает рисунки. Попробуйте и увидите, как можно с точностью воспроизвести фрагмент текста по мини-картинкам. Первый раз вспоминайте содержание, опираясь на майнд-карту, а второй – воспроизводите своими силами без подглядываний. То, как составляется майнд-карта, вы можете увидеть здесь:

Если вам больше нравится читать, то у нас есть статья, в которой алгоритм подробно разобран на примере таблицы умножения.

Источник

Как понравиться кадровику: 9 ошибок при составлении резюме

Как составить резюме и сопроводительное письмо и попасть на собеседование.

Вы — профессионал, трудяга и просто отличный человек! Из тех, кого любая приличная компания мечтает видеть в рядах своих сотрудников. Однако ваше резюме пылится на рекрутинговых сайтах уже не одну неделю, а хедхантеры почему-то не спешат звонить. Скорее всего, проблема в том, что вы неправильно составили резюме.

Ошибка первая: основная информация

Обычно после имени и возраста мы указываем место рождения и семейное положение. Печально, но факт: сегодня не стоит акцентировать внимание на том, что вы родились в Москве. Подбором сотрудников часто занимаются приезжие, которые, как правило, «болеют» за своих. В особом приоритете — земляки. Столичное происхождение может сыграть с человеком злую шутку: ваше резюме просто не дойдет до руководителя. Зачем вам работа, если у вас есть масса привилегий, полученных лишь по праву рождения, подумает кадровик и отправит вас «в корзину».

Не стоит второй строкой указывать тревожное «не замужем» — вы же не хотите, чтобы работодатель подумал, что вас это волнует. Это же относится к детям, особенно младше трех лет. Босс так и не узнает, что к ним прилагаются няни и бабушки — до личной встречи дело просто не дойдет.

Мария Перова, директор рекрутингового агентства:

Когда мы помогаем нашим клиентам искать сотрудников, то следуем их инструкциям. Исходя из моей практики, работодатели не жаждут видеть в компаниях следующие типы людей: замужних женщин детородного возраста (вдруг придут и сразу родят?), матерей-одиночек (не смогут сконцентрироваться на работе), студентов-дневников (пусть лучше учатся) и женщин за 40 на позицию «офис-менеджер», «секретарь» или «администратор» (а чем они вообще раньше занимались?). Так что если вы ну очень хотите прийти на собеседование, но попадаете в одну из этих категорий, лучше опустить «неугодные» пункты в резюме. Расскажете об этом уже на собеседовании. Если вы действительно понравитесь работодателю, его уже мало что отпугнет.

Ошибка вторая: допоборудование

Речь идет о навыках и качествах характера, не имеющих прямого отношения к работе, которой вы планируете заниматься. Конечно, здорово, что однажды вы прыгнули с парашютом, любите ночные прогулки и ежегодно жертвуете часть зарплаты на приют для кошек, но, поверьте, бонусов вам это не добавит, а вот раздражение вызвать может.

Указывайте только те достижения, которые могут пригодиться в деле. Выдерживайте подачу материала в единой тональности, выбранной изначально, проследите, чтобы блок о работе не был унылым на фоне залихватского рассказа о себе. Ведь работать вам тоже интересно?

Ошибка третья: неудачные фотографии

Что значит «неудачные»? Скажем сразу: в резюме современного соискателя фото быть обязано, и выбрать подходящее вполне реально, если запомнить три правила. Первое — на фотографии должны присутствовать только вы, причем на нейтральном фоне, без обоев, штор, пляжа и прочих к бизнесу не относящихся подробностей. Пусть это будет светлая стена (плюс умный взгляд в объектив), кафе (вы и утренняя чашка кофе) или даже нынешнее рабочее место, если антураж позволяет. Правило второе — лицо должно быть хорошо видно, а значит, снимаем головные уборы, темные очки и прочие вещи, делающие нас красивыми. Третье — одежда. Приветствуется, как нетрудно догадаться, деловой стиль и минимум макияжа.

Ошибка четвертая: милые «бантики»

Орнаменты, витиеватые отбивки и прочие украшательства наводят работодателя на разные мысли. Да, в пятом классе средней школы вам бы, безусловно, поставили пятерку за оформление «творческой работы». Но сегодня вы взрослый человек, соискатель. Немедленно уберите розовые рамочки и полужирный курсив!

Смайлики, многоточия, восклицательные знаки и прочие душевные проявления в сопроводительном письме, казалось бы, должны позиционировать вас как человека простого, веселого и современного. Однако мнение, что продвинутый хедхантер будет в восторге от подобной фамильярности, ошибочно. В лучшем случае он начнет недоумевать, в худшем — запомнит «задорное резюме» надолго и будет автоматически удалять его при последующих попытках «достучаться до небес».

Оксана Митрюхина, HR-менеджер:

Больше всего меня удивляет, когда человек отправляет резюме в нашу солидную компанию с адреса вроде konfetka@yandex.ru. Это просто смешно. Таких «конфеток», «кудряшек», «милашек» и «принцесс» у меня всегда полная корзина. К сожалению, это многое говорит об интеллектуальном и культурном уровне человека. Нет, если это адрес личной почты — пожалуйста, пользуйтесь на здоровье, но для рассылки резюме заведите себе, пожалуйста, нечто более серьезное.

Ошибка пятая: наврали по объявлению

Есть мнение, что поскольку основная задача резюме — заставить хедхантера пригласить вас на интервью, то в нем не возбраняется преувеличивать собственные достоинства и даже писать откровенную ложь — для красного словца. Да, кое-что приукрасить можно (точно так же наниматель будет вдохновенно рассказывать о возможностях карьерного роста и бесплатных пончиках для сотрудников). Но откровенно и по-крупному лгать не стоит никогда. Обман всплывет очень быстро, тем паче что о вас всегда можно навести справки у экс-работодателей. Некрасиво получится. Лучше сразу признайтесь, что ваш инглиш — не fluent. При удачном исходе собеседования отправитесь на курсы за счет компании.

Самые популярные личные качества соискателей

По данным исследования Superjob.ru

Ошибка шестая: забвение Розенталя

Грамматические ошибки и досадные описки, которые мы часто допускаем в сопроводительных письмах, способны поставить на вашей карьере жирный крест. Внимательно проверяйте написанное. Если вам пришел ответ, запомните, как зовут собеседника, и не называйте Ирину Еленой. Правильно и полностью пишите название компании, куда планируете устроиться, фамилию потенциального руководителя и пр.

Филипп ЗОРИН, начальник отдела текстовой рекламы международной компании:

Большинство моих подчиненных — люди творческие, в их обязанности входит копирайтерская работа, написание и редактирование текстов. Я в первую очередь обращаю внимание на сопроводительное письмо с точки зрения литературного стиля. Не люблю фразы-штампы, все эти «коммуникабельности» и «стрессоустойчивости». Напишите то же самое, но другими словами! И вообще у меня складывается ощущение, что когда человек составляет резюме, он просто копирует фразы из опусов других.

Ошибка седьмая: нет сопроводительного письма

Хорошо написанное сопроводительное письмо — залог того, что резюме хотя бы прочтут. Не ленитесь писать их, рассылая по компаниям информацию о себе. При составлении руководствуйтесь правилами, о которых мы уже говорили: излагайте мысли четко, кратко, без лишних эмоций и неуместного юмора. В пяти-шести предложениях желательно указать ваше основное направление деятельности, настоящее или последнее место работы и причины, по которым вы считаете себя достойным кандидатом. И никакой лирики!

Ошибка восьмая: неправильная структура

Исследования показывают, что на прочтение одного резюме работодатель тратит не более 30 секунд. Более того, если текст чтеца не заинтересовал, он переключится на другой уже через 10 секунд. Что это значит? А то, что первая часть вашей профессиональной истории должна быть максимально информативной. Хронологию начинаем с последнего места работы, о нем рассказываем максимально подробно, с указанием всех обязанностей и успехов. В оформлении бизнес-вех соблюдаем единообразие (компания — обязанности — достижения).

Ошибка девятая: много текста

Запомните, резюме должно помещаться на одном листе. Если оно заинтересует кадровика, то он его распечатает и положит на стол руководителю. Скреплять несколько листов неудобно, к тому же часть их может потеряться по дороге в кабинет босса.

Виктор Сергеев, руководитель крупной компании:

Поиск хорошего сотрудника — всегда большая проблема. Времени на мониторинг кадрового рынка у меня нет, и я поручаю эту задачу кадровикам. Кого мне только не предлагают! Нужен, например, менеджер по распространению, а приносят резюме водителя, который «готов развозить товар». Кадровики часто сами не совсем понимают, какой человек нужен в команду, и у нерадивых соискателей всегда есть шанс их обмануть и потратить таким образом и мое время. Однажды пришла девушка на позицию секретаря, ничего не умела, даже кофе варить, но спрашивала, предоставляет ли фирма бесплатные квартиры для сотрудников.

Источник

Навыки работы с большим объемом информации

Как развить навыки работы с большим объемом информации

Каждая профессия имеет неповторимые особенности. Для копирайтинга характерны объем и содержание информации, которую предстоит изучить перед написанием любой статьи. Взяв заказ в работу, райтер собирает данные, которые использует при работе над текстом.

Как правило, автору необходимо:

Обработка больших объемов информации требует времени, которого катастрофически не хватает. Необходимо развивать навыки быстрого чтения, умение правильно анализировать собранный материал, мгновенно определять наиболее важную информацию. Порой, чтобы отыскать её крупицы, приходится пересматривать несколько десятков текстов, прочитывать отзывы, знакомиться с мнением авторитетных форумчан.

Как организовать работу с большими объемами информации

Работа по сбору и обработке данных разбивается на несколько этапов. В процессе деятельности развивается умение делать это быстро и правильно.

Сбор информации

Важно верно выбирать источники (исходники). Помогут две главные поисковые системы — всемогущий Google и Яндекс, которые дают ответы на любой запрос. Необходимо правильно его сформулировать. Для этого в поиск вводят ключи и просматривают первую страницу ТОПа. На ней опубликованы 10 лучших текстов. Иногда приходится просматривать вторую и третью страницы выдачи.

Если взять среднюю длину статей в 3 тысячи символов, то придётся просмотреть 30 тысяч. Для 3-4 запросов — 90–120 тысяче-знаков текста. Сколько времени потребуется на прочтение и анализ, зависит от скорости восприятия, умения быстро вникнуть в смысл, отделить зерна от плевел. За короткий срок необходимо понять, что стоит использовать, какой материал не пригодится.

Авторитетность сайтов

Не секрет, что в выдачу попадают статьи, которым там не место. Это может быть стотысячная переработка — рерайт, в котором искажены данные в угоду уникальности. Сведения могут быть придуманными, непроверенными, кочующими из статьи в статью. При просмотре обязательно обращают внимание на посещаемость и авторитетность ресурса, которая выражается ТИЦ и прочими показателями.

Эти данные легко увидеть, если активировать в браузере дополнение RDS.

В Mozilla Firefox это Инструменты — Дополнения — Расширения —

Поиск среди дополнений — RDS Bar

Под адресной строкой появляется строчка с показателями, которые пересчитываются для каждого посещаемого ресурса. Легко увидеть рейтинг Alexa, сколько страниц находится в индексе, числится ли проект в каталогах Яндекса и Dmoz.

Это не единственный способ, но быстрый и удобный.

Дата публикации

Некоторые статьи держатся в ТОПе несколько лет подряд. Информация устаревает, теряет актуальность. За это время появились новые технологии, поменялись данные, произошло множество всевозможных изменений. Любой материал должен быть актуальным на момент создания статьи. В ней нельзя приводить источник, которые был достоверным пять лет назад. Необходимо перепроверить, поискать более свежие публикации.

Сложнее, когда даты отсутствуют или владелец сайта их изменяет, оставляя содержание страницы неизменной. Поэтому райтеры никогда не используют один источник! Обязательно просматривают десятки разных текстов, сопоставляя их суть. Умелая обработка больших объемов информации позволяет собрать нужный материал в достаточном количестве.

Компоновка собранного материала

Из поиска выбираются сайты и открываются в разных вкладках, благо, современные браузеры позволяют работать со множеством вкладок одновременно. Статьи просматриваются, из них копируются фрагменты, которые могут пригодиться в дальнейшей работе. Это может быть пара абзацев или половина статьи.

Тексты, ничем не примечательные, закрываются. Понравившиеся и содержательные перечитываются более внимательно. Работать, попеременно заглядывая в двадцать открытых вкладок, очень сложно. Чтобы переработать большой объем информации за короткое время, проще скопировать фрагменты из лучших текстов, найденных с помощью поиска, в черновик.

При подборе материала сразу оценивается объем и содержание информации. Лучше собрать больше данных, это позволит написать содержательный текст. Если собранных сведений достаточно, сбор завершается. Черновик перечитывают, создают план будущей статьи.

Резюме

Далее работа над текстом ведётся привычным способом. Вся собранная информация перечитана, разложена в голове по полочкам, остаётся её изложить на бумаге, следуя намеченному плану.

Копирайтер всегда зависит от чужого материала по одной причине — в нём есть информация, которой он не обладает, пока не отыщет источники и не усвоит их содержимое. А далее — переиначивает, не искажая достоверность, просто подаёт «под собственным соусом», под которым понимается авторский стиль, слог, способы подачи.

Практикуя навыки работы с большим объемом информации, легко научиться быстро писать авторские тексты со 100% уникальностью, которые абсолютно не похожи на источники, взятые за основу.

Другие советы на сайте «Работа копирайтером»:

Источник

Big Data от А до Я. Часть 1: Принципы работы с большими данными, парадигма MapReduce

Привет, Хабр! Этой статьёй я открываю цикл материалов, посвящённых работе с большими данными. Зачем? Хочется сохранить накопленный опыт, свой и команды, так скажем, в энциклопедическом формате – наверняка кому-то он будет полезен.

Проблематику больших данных постараемся описывать с разных сторон: основные принципы работы с данными, инструменты, примеры решения практических задач. Отдельное внимание окажем теме машинного обучения.

Начинать надо от простого к сложному, поэтому первая статья – о принципах работы с большими данными и парадигме MapReduce.

История вопроса и определение термина

Термин Big Data появился сравнительно недавно. Google Trends показывает начало активного роста употребления словосочетания начиная с 2011 года (ссылка):

При этом уже сейчас термин не использует только ленивый. Особенно часто не по делу термин используют маркетологи. Так что же такое Big Data на самом деле? Раз уж я решил системно изложить и осветить вопрос – необходимо определиться с понятием.

В своей практике я встречался с разными определениями:

· Big Data – это когда данных больше, чем 100Гб (500Гб, 1ТБ, кому что нравится)

· Big Data – это такие данные, которые невозможно обрабатывать в Excel

· Big Data – это такие данные, которые невозможно обработать на одном компьютере

· Вig Data – это вообще любые данные.

· Big Data не существует, ее придумали маркетологи.

В этом цикле статей я буду придерживаться определения с wikipedia:

Большие данные (англ. big data) — серия подходов, инструментов и методов обработки структурированных и неструктурированных данных огромных объёмов и значительного многообразия для получения воспринимаемых человеком результатов, эффективных в условиях непрерывного прироста, распределения по многочисленным узлам вычислительной сети, сформировавшихся в конце 2000-х годов, альтернативных традиционным системам управления базами данных и решениям класса Business Intelligence.

Таким образом под Big Data я буду понимать не какой-то конкретный объём данных и даже не сами данные, а методы их обработки, которые позволяют распредёлено обрабатывать информацию. Эти методы можно применить как к огромным массивам данных (таким как содержание всех страниц в интернете), так и к маленьким (таким как содержимое этой статьи).

Приведу несколько примеров того, что может быть источником данных, для которых необходимы методы работы с большими данными:

· Логи поведения пользователей в интернете

· GPS-сигналы от автомобилей для транспортной компании

· Данные, снимаемые с датчиков в большом адронном коллайдере

· Оцифрованные книги в Российской Государственной Библиотеке

· Информация о транзакциях всех клиентов банка

· Информация о всех покупках в крупной ритейл сети и т.д.

Количество источников данных стремительно растёт, а значит технологии их обработки становятся всё более востребованными.

Принципы работы с большими данными

Исходя из определения Big Data, можно сформулировать основные принципы работы с такими данными:

1. Горизонтальная масштабируемость. Поскольку данных может быть сколь угодно много – любая система, которая подразумевает обработку больших данных, должна быть расширяемой. В 2 раза вырос объём данных – в 2 раза увеличили количество железа в кластере и всё продолжило работать.

2. Отказоустойчивость. Принцип горизонтальной масштабируемости подразумевает, что машин в кластере может быть много. Например, Hadoop-кластер Yahoo имеет более 42000 машин (по этой ссылке можно посмотреть размеры кластера в разных организациях). Это означает, что часть этих машин будет гарантированно выходить из строя. Методы работы с большими данными должны учитывать возможность таких сбоев и переживать их без каких-либо значимых последствий.

3. Локальность данных. В больших распределённых системах данные распределены по большому количеству машин. Если данные физически находятся на одном сервере, а обрабатываются на другом – расходы на передачу данных могут превысить расходы на саму обработку. Поэтому одним из важнейших принципов проектирования BigData-решений является принцип локальности данных – по возможности обрабатываем данные на той же машине, на которой их храним.

Все современные средства работы с большими данными так или иначе следуют этим трём принципам. Для того, чтобы им следовать – необходимо придумывать какие-то методы, способы и парадигмы разработки средств разработки данных. Один из самых классических методов я разберу в сегодняшней статье.

MapReduce

Про MapReduce на хабре уже писали (раз, два, три), но раз уж цикл статей претендует на системное изложение вопросов Big Data – без MapReduce в первой статье не обойтись J

MapReduce – это модель распределенной обработки данных, предложенная компанией Google для обработки больших объёмов данных на компьютерных кластерах. MapReduce неплохо иллюстрируется следующей картинкой (взято по ссылке):

MapReduce предполагает, что данные организованы в виде некоторых записей. Обработка данных происходит в 3 стадии:

1. Стадия Map. На этой стадии данные предобрабатываются при помощи функции map(), которую определяет пользователь. Работа этой стадии заключается в предобработке и фильтрации данных. Работа очень похожа на операцию map в функциональных языках программирования – пользовательская функция применяется к каждой входной записи.

Функция map() примененная к одной входной записи и выдаёт множество пар ключ-значение. Множество – т.е. может выдать только одну запись, может не выдать ничего, а может выдать несколько пар ключ-значение. Что будет находится в ключе и в значении – решать пользователю, но ключ – очень важная вещь, так как данные с одним ключом в будущем попадут в один экземпляр функции reduce.

2. Стадия Shuffle. Проходит незаметно для пользователя. В этой стадии вывод функции map «разбирается по корзинам» – каждая корзина соответствует одному ключу вывода стадии map. В дальнейшем эти корзины послужат входом для reduce.

3. Стадия Reduce. Каждая «корзина» со значениями, сформированная на стадии shuffle, попадает на вход функции reduce().

Функция reduce задаётся пользователем и вычисляет финальный результат для отдельной «корзины». Множество всех значений, возвращённых функцией reduce(), является финальным результатом MapReduce-задачи.

Несколько дополнительных фактов про MapReduce:

1) Все запуски функции map работают независимо и могут работать параллельно, в том числе на разных машинах кластера.

2) Все запуски функции reduce работают независимо и могут работать параллельно, в том числе на разных машинах кластера.

3) Shuffle внутри себя представляет параллельную сортировку, поэтому также может работать на разных машинах кластера. Пункты 1-3 позволяют выполнить принцип горизонтальной масштабируемости.

4) Функция map, как правило, применяется на той же машине, на которой хранятся данные – это позволяет снизить передачу данных по сети (принцип локальности данных).

5) MapReduce – это всегда полное сканирование данных, никаких индексов нет. Это означает, что MapReduce плохо применим, когда ответ требуется очень быстро.

Примеры задач, эффективно решаемых при помощи MapReduce

Word Count

Начнём с классической задачи – Word Count. Задача формулируется следующим образом: имеется большой корпус документов. Задача – для каждого слова, хотя бы один раз встречающегося в корпусе, посчитать суммарное количество раз, которое оно встретилось в корпусе.

Раз имеем большой корпус документов – пусть один документ будет одной входной записью для MapRreduce–задачи. В MapReduce мы можем только задавать пользовательские функции, что мы и сделаем (будем использовать python-like псевдокод):

Функция map превращает входной документ в набор пар (слово, 1), shuffle прозрачно для нас превращает это в пары (слово, [1,1,1,1,1,1]), reduce суммирует эти единички, возвращая финальный ответ для слова.

Обработка логов рекламной системы

Второй пример взят из реальной практики Data-Centric Alliance.

Задача: имеется csv-лог рекламной системы вида:

Необходимо рассчитать среднюю стоимость показа рекламы по городам России.

Функция map проверяет, нужна ли нам данная запись – и если нужна, оставляет только нужную информацию (город и размер платежа). Функция reduce вычисляет финальный ответ по городу, имея список всех платежей в этом городе.

Резюме

В статье мы рассмотрели несколько вводных моментов про большие данные:

· Что такое Big Data и откуда берётся;

· Каким основным принципам следуют все средства и парадигмы работы с большими данными;

· Рассмотрели парадигму MapReduce и разобрали несколько задач, в которой она может быть применена.

Первая статья была больше теоретической, во второй статье мы перейдем к практике, рассмотрим Hadoop – одну из самых известных технологий для работы с большими данными и покажем, как запускать MapReduce-задачи на Hadoop.

В последующих статьях цикла мы рассмотрим более сложные задачи, решаемые при помощи MapReduce, расскажем об ограничениях MapReduce и о том, какими инструментами и техниками можно обходить эти ограничения.

Спасибо за внимание, готовы ответить на ваши вопросы.

Источник