Уборщица авито москва: Вакансии Уборщица В Москве На Авито – Telegraph

Как телефон и интернет разобщили людей в эмиграции

Привет.

Пожалуй, нужно было назвать этот материал как-то иначе, но в голову ничего не пришло. История давняя и имеет множество измерений, но главное, что ее можно хорошо показать через призму эмиграции — трудовой, политической или какой-то иной. Развитие интернета создало среду, которую можно считать надгосударственной, не имеющей никаких границ и ограничений. То, что считается нормой сегодня, еще несколько десятков лет назад было невообразимо. Я учился в английской спецшколе, но количество дополнительных материалов оставляло желать лучшего, периодическая пресса была ограничена британской Morning Star, канадской Canadian Tribune, а также Moscow News и тому подобными локальными изданиями. Огромный пласт изданий оставался вне зоны доступа, а привезенные из Британии или США газеты зачитывались до дыр. Из них возникали слова, которые отсутствовали на тот момент в нашем обиходе и описывали незнакомые явления повседневной жизни — рента, процентный доход, акции и тому подобное. То же с аудиокассетами, фильмами на английском — перечислять можно без конца.

Сегодня любой желающий может учить язык с легкостью, доступ есть не только к обучающим материалам, но и к любой периодике, фильмам и видео на разных языках. Все это находится в паре кликов от вас, смотреть с экрана телефона можно где угодно — в транспорте по дороге, дома или на работе. Число тех, кто говорит на английском языке, выросло, тех, кто говорит хорошо, тоже. Но как только из Москвы или другого крупного города попадаешь на периферию, возникает ощущение, что старый миропорядок никак не изменился, зачастую молодежь не говорит на других языках, не видит смысла в этом. Возможно, что это вопрос взглядов на жизнь, того, что вам от нее нужно, в какой-то мере вопрос моды. Глядя на своих детей и тех, кто их окружает, могу сказать, что ситуация кардинально отличается от СССР. Закончив школу, они свободно говорят на английском, и это не какое-то исключение, а правило. Некий базис, единый и необходимый для дальнейшей учебы и жизни. У некоторых в активе два языка, уровень их знания неплох.

В сети есть сервисы, где можно найти носителей языка, общаться с ними, и это не стоит ни копейки. Это если вы просто учите языки, у вас нет каких-то интересов и соответствующего круга общения. Во втором случае все складывается намного проще и быстрее. В буквальном смысле люди по всей планете стали для нас ближе, мы можем дотянуться до них. Равно как и медиа стали глобальными, я могу спокойно читать по утрам New York Times или Financial Times, чтобы получить представление о взгляде на события из США или Британии. Вообразить такое до появления Интернета было нельзя.

Но многое упирается в наши привычки, возможности и желания. Интернет создает идеальные информационные пузыри, комфортную среду существования, из которой можно вообще не вылезать. Вот вам пример, который покажется удивительным, но такие ситуации происходят по всему миру, исключений тут нет.

В нашем доме пару лет назад появилась новая уборщица, зовут ее Гуля. Приехала Гуля из Таджикистана, ей двадцать с небольшим лет, порой встречаю ее в подъезде, и мы здороваемся. Набор слов, которые знает Гуля, остался ровно тем же, что и в начале нашего знакомства: здравствуйте, спасибо, до свидания. Возможно, что словарный запас больше, но это никак не проявляется. Прогресса в изучении русского языка не наблюдается, да он и не нужен, по большому счету. В магазине можно набрать корзину продуктов и оплатить их картой, общения с кассиром не предполагается, а в некоторых магазинах оно и вовсе не нужно, вы сами пробиваете свои товары на автоматической кассе.

Когда Гуля убирает, у нее играет музыка, иногда в проводных наушниках, иногда она их забывает и тогда негромко включает музыку через динамик недорогого смартфона. Однажды наблюдал, как она использует Google Translate, общаясь с пожилой женщиной в нашем подъезде, они перекидывались фразами через телефон. То есть сказать, что Гуля лишена любой возможности общения, нельзя, у нее есть для этого средства.

Удивляться тому, что такие люди, как Гуля, находят и быстро адаптируют под свои нужды новые технологии, точно не стоит. Думаю, что живет она вместе с такими же мигрантами, которые работают дворниками, курьерами и освоили другие рабочие профессии. В такой среде инструменты, облегчающие жизнь, распространяются очень быстро.

Представим, что Гуля попала в Москву в 1990 году, когда не было Интернета и мобильных телефонов, и ей необходимо общаться с людьми. Уверен на все сто, что за считанные месяцы ее словарный запас и умение говорить на русском языке развились бы, у нее не было бы выхода. Побудительным мотивом к изучению языка стала бы необходимость общения, как говорится, жизнь заставила бы изучить русский. Через язык человек вольно или невольно попадает в контекст страны, ее культуры, начинается интеграция. Но сегодня этого не происходит нигде в мире.

Интернет и телефон создают изолированное пространство, когда вне зависимости от вашего местонахождения вы сохраняете культурный код своего общества. Вы общаетесь на родном языке, смотрите передачи, слушаете радио, нет жесткой необходимости погружаться в другую культуру. Перед вами редко стоит задача быть успешными в изучении другого языка, подстегивать себя в этом. Конечно, есть люди, которые все понимают и осознают необходимость погрузиться в местный мир, они как раз и создают такие условия — отказываются от этого удобного и теплого информационного пузыря. И они добиваются больших успехов, так как у них есть мотивация. Но большинство людей не умеют мотивировать себя, ставить цели и добиваться их.

Приведу другой пример. В Лос-Анджелесе в Uber работает множество выходцев из Армении, диаспора в этом городе огромна. Молодежь, как правило, говорит на английском языке, нет никаких проблем. А вот те, кто переехал в сорок лет или люди постарше испытывают с этим трудности. Подметил, что обычно они как раз создают себе комфортный мир — слушают в машине родные передачи, ту музыку, к которой привыкли, читают знакомые газеты онлайн. У них нет жестких условий выживания, когда необходимо выучить английский язык, они ничем не отличаются от той же Гули.

В Нью-Йорке водитель желтого такси всю дорогу смотрит передачу из Индии, потом по Skype болтает со своими родными, слушать хинди тяжело, да и на дорогу он смотрит только временами, чем раздражает. Английский у водителя ужасный, он еле-еле выталкивает из себя какие-то фразы. В прежние времена такси, напротив, давало возможность быстро выучить язык, у многих на это уходил всего год-полтора. Но времена изменились.

Основная проблема миграции сегодня — не культурный уровень людей, его можно и нужно менять. Камнем преткновения становится то, что мы создали технологии, которые позволяют быть частью своего сообщества в любой точке мира. И это автоматически означает, что интеграция в местный социум становится делом десятым, не всегда она обязательна. Все прошлое десятилетие социологи в Европе бьют в набат, что мигранты новой волны все хуже и хуже интегрируются в общество. Читал всевозможные объяснения этому явлению, от завиральной идеи, что снизился уровень IQ этих людей и их нужно подбирать как-то иначе, до теории, что система образования дала сбой. Тут вина в зависимости от убеждений человека перекладывается либо на государство, которое не интегрирует мигрантов, либо на последних, что они не проявляют сверхспособности. Реальность, на мой взгляд, в другом — мы создали мир, в котором нет условий для интеграции людей на новом месте, для их выживания язык вовсе не обязателен, также как и интеграция в локальное общество.

Другой пример из Лос-Анджелеса. В городе множество русскоязычных людей, они собираются в своего рода клубы и весело проводят время — вечеринки, походы в рестораны или баню, различные игры, барбекю на океане. Каждую неделю разное, тут легко встретить новых людей. На одной из таких вечеринок рядом со мной сидел застенчивый молодой человек, на вид ему было около 25 лет. Программист, в прошлом победитель каких-то олимпиад, сам он из небольшого российского города. Работал он тогда в компании среднего размера, обслуживал их IT-систему, получал по местным меркам немного. Выгода для работодателя тут была очевидна — дешевая рабочая сила, которая будет привязана к вашей компании и вряд ли сменит работу. Неудобство в аспекте общения исправлялось системой, в которую встроили начальника, знающего русский и выдающего задания, объясняющего, что именно нужно.

Парень сидел справа от меня, и неожиданно я услышал: «А вы можете мне тоже заказать пиво?». Первая мысль была, что он хочет куда-то отойти, но он не двигался. Спросил, почему он не хочет это сделать самостоятельно, в ответ раздалось: «Я не говорю на английском». Банальная фраза, которую можно выучить за считанные дни, но он ее не знал. Другим поразительным фактом стало то, что на тот момент он прожил в Америке полтора года. И совершенно не знал язык, не порывался его выучить и объяснял это тем, что у него нет способностей к языкам. Милый самообман, так как я не встречал людей, которые бы не учили языки, если жизнь их заставляла это сделать. Жизнь этого парня проходила в уютном информационном пузыре, где были созданы все условия, чтобы он не интегрировался в местную жизнь. И его, по большому счету, это устраивало, впрочем, как и его работодателя.

За последние годы у меня накопилось множество подобных примеров, каждый из них говорит ровно об одном. При всем богатстве и разнообразии информации у нас зачастую нет побудительного мотива ее искать. Выучить язык сегодня намного проще, чем во времена СССР, было бы только желание. Интегрироваться в другую культуру также проще простого, тут нет особых препон. Но мы сами создаем их, так как привязываемся к собственной культуре, переносим ее в другие страны.

Явление это имеет множество измерений, например, в Германии русскоязычная диаспора интегрирована в местное общество в той или иной степени. Но при этом отрыва от корней, от собственной культуры практически нет. Любой, кто был в Берлине девятого мая, осознает это в полной степени, через Тиргартен люди несут гвоздики к монументу советским солдатам, из колонок звучат военные песни. И это не только пожилые люди, идут семьями, включая самых маленьких. Танки, стоящие на постаментах, оказываются засыпаны цветами. И тут тоже наблюдается проникновение культурного пространства в другие страны посредством сети, оторваться от него становится сложно или невозможно. Явление не имеет сугубо негативных последствий, как могло показаться из первой части моего рассказа, как всегда, тут есть две стороны.

Интернет, мобильные телефоны создали для нас новый вариант среды обитания, где информация доступна в любой момент и в любой точке мира. Попытки поставить препоны на пути информации всегда оказывались безуспешными, тот же опыт Китая это доказывает в полной мере, фильтровать информацию не получается. И я думаю, что такое положение дел сохранится и дальше, как минимум, если мы говорим о ближайшем десятилетии. Но главное качество, которое в этом обилии информации нужно воспитывать в себе и окружающих, — это желание что-то менять, видеть цель и уметь идти к ней. Нужна мотивация, без нее все эти инструменты становятся бесполезными. Как показывает практика, с мотивацией у многих людей есть проблемы. Причем даже в таких сложных ситуациях, как миграция, когда, казалось бы, на карту поставлены вся ваша жизнь и будущее.

Обнаружение дубликатов рекламы Avito, Интервью победителей: 2-е место, Команда TheQuants | Микель, Питер, Мариос и Сонни | от команды Kaggle | Блог Kaggle

Конкурс Avito Duplicate Ads проводился на Kaggle с мая по июль 2016 года. Более 600 участников работали над тем, чтобы вывести их на вершину таблицы лидеров, выявляя повторяющиеся объявления на основе их содержания: текста и изображений на русском языке. Компания TheQuants, состоящая из Kagglers Mikel, Peter, Marios и Sonny, заняла второе место, создав функции независимо друг от друга и объединив их работу в мощное решение.

В этом интервью они описывают многие функции, которые они использовали (включая текст и изображения, местоположение, цену, атрибуты JSON и сгруппированные строки), а также те, которые оказались на «кладбище функций». В итоге 587 признаков были введены в 14 моделей, которые были объединены посредством средневзвешенного ранга моделей случайного леса и XGBoost. Читайте дальше, чтобы узнать, как они умело исследовали и определили свое функциональное пространство, чтобы избежать переобучения в этой задаче.

Микель Бобер-Иризар : Прошлые соревнования по прогнозному моделированию, финансовые прогнозы и медицинская диагностика.

Петер Боррманн : Доктор философии. в теоретической физике, доцент-исследователь, а также предыдущий опыт Kaggle.

Мариос Михайлидис : Я учусь на аспирантуре Калифорнийского университета в Лос-Анджелесе, менеджер по науке о данных в Даннхамби и пылкий Кагглер.

Сонни Ласкар : Я менеджер по консалтингу в сфере аналитики в компании Microland, занимаюсь внедрением решений для работы с большими данными; в основном имеют дело с данными ИТ-операций.

Микель Бобер-Иризар : Я хотел узнать о машинном обучении и использовать эти знания для участия в соревнованиях.

Петер Боррманн : Я хотел улучшить свои навыки в этой области.

Мариос Михайлидис : Я хотел принять новый вызов и учиться у лучших.

Сонни Ласкар : Я узнал о Kaggle несколько лет назад, когда получал степень MBA.

Наш подход к этому конкурсу был разделен на несколько частей:

1. Раннее слияние на основании положения в таблице лидеров.
2. Независимая генерация функций (на очищенных или необработанных данных), которые потенциально могут отражать сходство между содержанием двух объявлений и могут быть далее разделены на большее количество категорий (например, сходство текста или сходство изображений).
3. Создайте несколько различных классификаторов и регрессоров независимо друг от друга с помощью временной выборки.
4. Объединить работу всех участников
5. Объединить результаты с помощью средневзвешенного ранга двухуровневой сети метамоделей (StackNet).

Очистка данных

Чтобы очистить текст, мы применили выделение корней с помощью NLTK Snowball Stemmer и удалили стоп-слова/пунктуацию, а также преобразовали в нижний регистр. В некоторых случаях мы также удаляли не буквенно-цифровые символы.

Разработка функций, том 1: функции, которые мы фактически использовали

Для того, чтобы упреждающе находить функции переобучения, мы создали сценарий, который отслеживает изменения свойств (гистограммы и чистота разделения) функции с течением времени. , что позволило нам быстро (200 мс/функция) идентифицировать функции переобучения без необходимости запуска ночных заданий XGBoost.

После удаления признаков переобучения наше окончательное пространство признаков содержало 587 признаков, полученных из разных тем:

• CategoryID, parentCategoryID необработанный идентификатор категории, parentCategoryID one-hot (кроме переоснащения).
• Разница в цене/средн.
• Вероятность генерации 3 (выходные данные модели, обученной обнаруживать метод генерации = 3).
• LocationID и RegionID необработанные.
• Полная широта/долгота.
• SameMetro, то же местоположение, тот же регион и т. д.
• Удаленность от центра города (Калинград, Москва, Петербург, Краснодар, Махачкала, Мурманск, Пермь, Омск, Хабаровск, Ключи, Норильск)
  Гауссов шум был добавлен к функциям местоположения, чтобы предотвратить переоснащение для конкретных мест, позволяя XGBoost создавать свои регионы.
• Длина/разница в длине.
• nGrams Функции (n = 1,2,3) для заголовка и описания (как слова, так и символы).
• Количество Nграмм (#, сумма, разница, макс., мин.).
• Длина/разница в длине.
• Количество уникальных Nграмм.
• Соотношение Nграмм пересечения.
• Соотношение уникальных Nграмм пересечения.
• Особенности расстояния между заголовками и описаниями:
• Особенности подсчета и соотношения специальных символов:
• Особенности подсчета и соотношения заглавных букв в названии и описании.
• Особенности подсчета и соотношения специальных букв (цифры, знаки препинания и т. д.) в названии и описании.
• Сходство между наборами слов/символов.
• Нечеткие расстояния.
• медузы дали.
• Количество перекрывающихся наборов из n слов (n=1,2,3).
• Сопоставление движущихся окон строк.
• Сопоставление столбцов (например, title1 с description2).

Пакет слов:

Для каждого из текстовых столбцов мы создали набор слов как для пересечения слов, так и для различия слов, и закодировали их в разреженном формате, в результате чего получилось ~80 000 столбцов в каждом. Затем мы использовали это для построения наивных байесовских, SGD и подобных моделей, которые будут использоваться в качестве признаков.

Функции цены: Функции JSON:

• Функции подсчета атрибутов.
• Количество общих имен атрибутов.
• Количество значений общих атрибутов.
• Веса доказательств для ключей/значений, модель XGBoost для атрибутов с разреженным кодированием.

Характеристики изображения:

• Количество изображений в каждом наборе.
• Разница Перемешивание изображений.
• Расстояние Хэмминга между каждой парой изображений.
• Попарное сравнение размера файла каждого изображения.
• Попарное сравнение размеров каждого изображения.
• БЫСТРОЕ соответствие ключевой точки/дескриптора.
• Сравнение гистограмм изображений.
• Анализ доминирующего цвета.
• Уникальность изображений (сколько других предметов имеют такие же изображения).
• Разница в количестве изображений.

Мы нашли группы строк, сгруппировав строки, содержащие одинаковые элементы (например, если в строке 1 есть элементы 123, 456, а в строке 2 — элементы 456, 789, они находятся в одном кластере). Мы обнаружили, что размер этих кластеров был очень хорошей характеристикой (более крупные кластеры с большей вероятностью не были дубликатами), а также тот факт, что кластеры всегда используют один и тот же метод генерации. Добавление функций размера кластера дало нам улучшение от 0,003 до 0,004.

Feature Engineering vol 2 : Те, кто не попал в список . Вероятно, это связано с тем, что очень мощные функции учатся распознавать определенные продукты или продавцов, которых нет в тестовом наборе. Следовательно, характерное кладбище было неизбежным злом.

Это то, что мы попробовали в самом начале конкурса, адаптировав наш код из конкурса Home Depot. К сожалению, он очень сильно переоснащен, что дает нам 0,9.8 val-auc и всего 0,89 на LB. Мы пытались добавить шума, уменьшить сложность, но в конце концов сдались.

Мы пробовали обучать модель на наших очищенных данных и использовать предварительно обученную модель, размещенную на форумах. Мы пытались использовать расстояние от нашей модели до слова, но они были довольно слабыми (0,70 AUC), поэтому в конце концов мы решили отказаться от них для простоты. Использование предварительно обученной модели не помогло, так как авторы использовали MyStem для стемминга (который не является открытым исходным кодом), поэтому мы не смогли воспроизвести их очистку данных. После выполнения некоторых преобразований предварительно обученной модели, чтобы попытаться заставить ее работать с нашей основой (мы сократили количество пропущенных слов примерно до 20%), она получила такие же оценки, как и наша пользовательская модель word2vec.

Расширенные функции кластера:

Мы попытались расширить возможности нашего кластера несколькими способами. Мы обнаружили, что использование среднего прогноза для кластера, а также cluster_size * (1-cluster_mean) обеспечивает отличные характеристики при проверке (50% прироста важности xgb), однако они переобучены. Мы также пытались использовать такие функции, как стандартное отклонение расположения элементов в кластере, но они тоже оказались переобученными.

Особенности грамматики:

Мы пытались построить функции до отпечаток пальца различных типов продавцов, таких как использование заглавных букв, специальных символов, новых строк, знаков препинания и т. д. Однако, хотя это очень помогло в CV, они оказались слишком подходящими для таблицы лидеров.

Нарушения правил бренда:

Мы создали некоторые функции, основанные на словах, которые никогда не могли появляться вместе в повторяющихся списках. (Например, если на одном элементе написано «iPhone 4s», а на другом — «iPhone 5s», они не могут быть дубликатами). Хотя они хорошо справлялись с поиском не дубликатов, было слишком мало случаев, когда эти нарушения имели место, чтобы повлиять на оценку.

Первоначально мы использовали случайный набор проверки перед переключением на набор непересекающихся элементов, где ни один из элементов в наборе valset не появился в наборе поездов. Это работало несколько лучше, однако мы не заметили, что тренировочный набор был упорядочен по времени! Позже мы заметили это (вдохновленные этим постом) и переключились на использование последних 33% в качестве valset.

Этот набор относительно хорошо коррелировал с таблицей лидеров до последней недели, когда мы занимались метамоделированием, и он развалился — в тот момент, когда было бы слишком много работы, чтобы переключиться на лучший набор. Это сильно навредило нам ближе к концу соревнований.

Моделирование, том 1: Те, кто сделал это

В этом разделе мы каждый раз строили различные модели (классификаторы и регрессоры) на разных входных данных (поскольку процесс моделирования пересекался с процессом разработки признаков. Все модели были обучающими). с первыми 67% обучающих данных и проверены на оставшихся 33%. Все прогнозы были сохранены (чтобы их можно было использовать позже для метамоделирования. Наиболее доминирующими моделями были: 1000 оценщиков, максимальная глубина равна 20, минимальный дочерний элемент — 10, а особенно высокая Eta (0,1) — забито 5 раз, мы также заменили nan значения с -1 и Infinity значения с 99999,99. Он набрал 0,95143 в частной таблице лидеров. Бэгинг добавил примерно 0,00030.

Обучено со всеми нашими конечными функциями, преобразованными с помощью стандартного скейлера, а также с логарифмом плюс 1, где все отрицательные функции были заменены нулем. Основная архитектура включала 3 скрытых слоя с 800 скрытыми единицами плюс отсев 60%. Основной функцией активации был Softmax, а всеми промежуточными — стандартные выпрямители (Relu). Мы уложили его 10 раз. Он набрал 0.94912 в частной таблице лидеров. Это дало +0,00080–90 при усреднении ранга с моделью XGBoost

Моделирование, том 2: те, которые не

Мы построили пару более глубоких моделей Xgboost с более высоким Eta (0,2), которые, хотя и показали хорошие результаты в cv , они превзошли таблицу лидеров.

Мы использовали пару моделей для прогнозирования метода генерации, чтобы использовать его в качестве функции для метамоделирования, но это ничего не добавило, поэтому мы удалили его.

В ходе предыдущего процесса моделирования было создано 14 различных моделей, включая линейные модели, а также XGBoost и NN, которые позже использовались для метамоделирования

В целях проверки мы снова разделили оставшиеся (33%) данные на 67–33, чтобы настроить гиперпараметры наших метамоделей, которые использовали в качестве входных данных вышеупомянутые 14 моделей. Sklearn’s Random Forest, который работал немного лучше, чем XGBoost (0,95290 против 0,95286). Их средний рейтинг дал нам лучший результат в рейтинге 0,95294

Процесс моделирования и метамоделирования также проиллюстрирован ниже:

Спасибо конкурентам за вызов, Kaggle за хостинг, Avito за организацию. Благодаря сообществу открытого исходного кода и исследованиям, которые делают все это возможным.

В самом начале соревнования Питер, Сонни и Микель сформировали команду, так как в то время они занимали первые 3 места, и решили объединить усилия, чтобы посмотреть, как далеко они смогут зайти. Позже Мариоса заметили в нижней части таблицы лидеров, и его попросили присоединиться из-за его обширного опыта работы с Kaggle.

Мы все были довольно независимы, разветвлялись, и каждый работал над своими собственными функциями, так как было много тем, которые нужно было охватить, а также вместе проводили мозговой штурм и обсуждали идеи. В конце концов мы собрались вместе, чтобы объединить все в одно пространство функций и построить для него модели.

Микель Бобер-Иризар (анокас) — молодой и амбициозный специалист по данным и энтузиаст машинного обучения. Он принимал участие в различных соревнованиях по прогнозному моделированию, а также разрабатывал алгоритмы для решения различных задач, включая финансовое прогнозирование и медицинскую диагностику. В настоящее время Микель заканчивает учебу в Королевской гимназии в Гилфорде, Великобритания, и планирует продолжить изучение математики или компьютерных наук.

Приват-Доз. Доктор Питер Боррманн (NoName) возглавляет компанию The Quants Consulting, специализирующуюся на количественном моделировании и стратегии. Петер учился в Геттингене, Ольденбурге и Бремене и имеет докторскую степень. в теоретической физике. Он получил хабилитацию в Ольденбургском университете, где шесть лет проработал доцентом-исследователем. До создания собственной компании Питер работал в IBM Business Consulting Services на разных должностях.

Мариос Михайлидис (KazAnova) — менеджер по науке о данных в Dunnhumby и по совместительству доктор философии в области машинного обучения в Университетском колледже Лондона (UCL), специализирующийся на совершенствовании рекомендательных систем. Он работал как в маркетинге, так и в кредитном секторе на рынке Великобритании и руководил многими аналитическими проектами по различным темам, включая: приобретение, удержание, повышение, обнаружение мошенничества, оптимизацию портфеля и многое другое. В свободное время он создал KazAnova, графический интерфейс для кредитного скоринга, на 100% сделанный на Java. Он бывший Kaggle #1.

Сонни Ласкар (Sonny Laskar) — менеджер по консалтингу в области аналитики в Microland (Индия), где он создает платформу аналитики ИТ-операций. Он имеет более чем восьмилетний опыт работы в области ИТ-инфраструктуры, облачных вычислений и машинного обучения. Он получил степень магистра делового администрирования в первой индийской школе B School IIM в Индоре. Он заядлый танцор брейк-данса и любит решать логические головоломки.

Женские поварские брюки Авито

Классическая посуда для мужчин и женщин с удобным эластичным воротником сзади. Прикрепленный карман для термометра на правом бедре, 2 боковых кармана, 1 карман. Материал: 65% полиэстер, 35% хлопок. 240 г/кв.м. стирка 60°С. Длина по внутренней стороне штанин у женщин: 80 см для размера 36. Длина по внутренней стороне штанин для мужчин: 83 см для размера 50.

Κωδικός :

Информация о продукте

Цвет

черный

Изюминка

65% полиэстер, 35% хлопок. 240 г/м². Стирать при 60°С.