Четыре месяца был ассистентом преподавателя на курсе «Статистический анализ данных» в МГУ. Практика состояла из двух частей: очное присутствие на семинарах в аудитории и непрерывный поток проверки практических заданий в Jupyter-ноутбуках через Telegram.

Когда ты сам учишься, процесс кажется прямолинейным: открыл ноутбук, импортировал нужные библиотеки, подогнал данные под формат функции, получил на выходе число или график и сдал работу. Но когда через тебя проходят десятки чужих тетрадок, сразу становится видна главная проблема начинающих: код работает, а понимания того, что реально происходит с данными, нет. Библиотеки в Python сейчас позволяют запустить сложные статистические тесты и регрессионные модели буквально в две строчки, и возникает иллюзия, что задача решена. На деле же почти всегда игнорируются базовые вещи: проверка предпосылок модели, анализ остатков, устойчивость к выбросам и реальный математический смысл полученных метрик.

При проверке нужно было не просто найти ошибку, а сказать об этой ошибке так чтобы студент сам понял что не так, . Если просто написать, какую строчку кода нужно заменить, студент механически скопирует исправление и ничему не научится. Приходилось формулировать наводящие вопросы: почему график ведет себя именно так, почему выбранная модель не подходит под эти данные и на каких конкретно цифрах строится финальный вывод. Приходилось возвращать работы по два-три раза, пока в текстовых блоках блокнота вместо абстрактных фраз «модель отработала хорошо» не появлялись осознанные рассуждения с опорой на результаты расчетов.

Параллельно шла обычная организационная рутина. Нужно было вести учет баллов в общей таблице, разбираться с дедлайнами, обменом допбаллов и спорными ситуациями. Регулярно всплывали списанные работы, когда студенты сдавали практически идентичный код с разницей в несколько часов. В таких случаях приходилось действовать жестко, но справедливо: делить баллы пополам, давать шанс все переделать с нуля до конца дня и объяснять, что без самостоятельного написания кода весь этот курс не имеет смысла.

Для меня этот опыт дал больше, чем самостоятельное прорешивание десятков задач. Одно дело написать работающий скрипт для себя, когда ты заранее знаешь, к какому результату идешь. Совсем другое открыть чужой, часто абсолютно неструктурированный код, за несколько минут восстановить логику автора, выцепить скрытый концептуальный косяк и понятно объяснить, где именно нарушена логика анализа. После такой практики начинаешь совершенно иначе относиться к чистоте собственного кода и строгости формулировок в анализе данных.