MLinside - школа ML

Почему одни ML-инженеры быстро растут, а другие годами стоят на месте? Не всегда дело в знаниях, алгоритмах или количестве пройденных курсов. У сильных инженеров есть рабочие привычки, которые со стороны могут казаться незначительными. Например, они не спешат писать код, умеют задавать «неудобные» вопросы и сначала ищут самый дешёвый способ проверить свою идею. Именно об этом наше новое видео, рекомендуем посмотреть, если еще не видели: Смотреть на YouTube: https://youtu.be/JAM51tM4H-g Смотреть в ВК: https://vkvideo.ru/video-228219607_456239283 Смотреть в Дзен: https://dzen.ru/video/watch/6a7ed73ab614466c3b104ab6

75 минут на решение, случайная команда и разбор реальной ML-задачи с Валерием Бабушкиным ML Kata – это возможность проверить, как вы справитесь с ML System Design в условиях, максимально приближенных к реальной работе. Следующая ML Kata уже скоро. Забронируйте место уже сейчас По всем вопросам пишите менеджеру: @marinagartm

Многие считают, что хороший ML-проект – это сложная модель, десятки алгоритмов и высокий скор на Kaggle... ...но на собеседовании такой проект может не вызвать ни одного вопроса. Гораздо важнее показать, что вы понимаете данные, умеете выбирать метрики, анализировать ошибки модели и строить воспроизводимый ML-пайплайн. Именно это отличает учебный ноутбук от проекта, который действительно работает как инженерное решение. Как вы поняли, на YouTube, в ВК и Дзен у нас вышло новое видео с Александром Дубейковским (ML Engineer в Авито, эксперт MLinside, ex-Яндекс), где он рассказывает, каким должен быть сильный ML-проект и почему на собеседованиях оценивают далеко не только качество модели. Кому будет полезно это видео • Тем, кто собирает первое ML-портфолио и хочет понимать, какие проекты действительно производят впечатление на работодателей. • Студентам и начинающим ML Engineer или Data Scientist, которые готовятся к стажировкам и собеседованиям. • Всем, кто уже умеет обучать модели, но хочет научиться оформлять проекты так, чтобы они демонстрировали инженерное мышление, а не просто знание библиотек. Нашли себя в этом списке? Смело переходите и смотрите видео: https://youtu.be/MB_Wv-kpP_U https://vkvideo.ru/video-228219607_456239277 https://dzen.ru/video/watch/6a75f6a08e808e0adff09cc7

Можно ли научиться проектировать ML-системы по лекциям? Можно понять принципы, но навык появляется только тогда, когда приходится принимать решения самому. Именно поэтому на ML Kata не будет формата «послушали спикера и разошлись». Вы получите реальную задачу, будете проектировать решение в команде, спорить, искать компромиссы и защищать свою архитектуру. Во время воркшопа команды сопровождает Валерий Бабушкин. Но его задача – не подсказывать правильный ответ. Он будет задавать вопросы, которые заставляют посмотреть на систему глубже: ▪️действительно ли вы решаете нужную проблему; ▪️не ушли ли в детали слишком рано; ▪️какие ограничения забыли учесть; ▪️где ваше решение может не сработать в реальном продукте. По сути, вы проходите тот же процесс, что и ML-команды в индустрии, только за несколько часов вместо недель обсуждений. Именно так и формируется насмотренность, которой невозможно научиться в теории. Если давно хотелось попробовать себя в роли ML System Designer и плюсом получить обратную связь от человека, который строил реальные ML-системы мирового уровня, – ML Kata для вас. Успейте занять место

В основе алгоритма, с которого начался Google – один вектор Представьте таблицу с 500 столбцами. Где здесь главные закономерности, а где второстепенные – глазами уже не увидеть. С ростом числа признаков работать с данными становится всё сложнее — одна из причин в том самом проклятии размерности. Способ разобраться придумали больше ста лет назад. При линейном преобразовании почти все векторы меняют и длину, и направление. Почти все, но не собственные: они сохраняют направление и только сжимаются или растягиваются. Собственный вектор – это направление, которое преобразование не поворачивает, а λ показывает, во сколько раз оно его растягивает или сжимает. Звучит абстрактно, пока не увидишь, где это работает. ▪️ PCA Матрица ковариаций — это своего рода паспорт формы вашего облака данных. Её собственные векторы задают новые оси, вдоль которых разброс максимален. Чем больше λ, тем больше дисперсии данных приходится на соответствующее направление. Берём несколько компонент с наибольшими λ, остальные отбрасываем. Математически именно это вы просите сделать, когда пишете PCA(n_components=10). ▪️ PageRank Та же математика, другие данные. Страница важна, если на неё ссылаются важные страницы. Определение рекурсивное, в лоб не посчитать. Google представил переходы по ссылкам в виде огромной матрицы и стал искать вектор рейтингов, который после очередного раунда пересчёта остаётся тем же. Это собственный вектор матрицы с λ = 1. Так работает PageRank — один из алгоритмов, на которых вырос ранний Google. ▪️ Eigenfaces А самое неожиданное было в 90-х. Учёные прогнали через PCA базу фотографий и превратили главные компоненты обратно в изображения. Получились призрачные лица — eigenfaces. Каждое из них отражало одно из главных направлений, по которым лица в базе отличались друг от друга: из-за формы лица, освещения, выражения и других особенностей. И любое лицо стало не набором из десятков тысяч пикселей, а коротким рецептом из коэффициентов. Одна математическая идея лежит в основе и сжатия данных, и ранжирования веб-страниц, и распознавания лиц. Чтобы её понять, не нужен мехмат: достаточно базовой работы с векторами и матрицами, но именно здесь проходит граница между «умею вызвать библиотеку» и «понимаю, что она делает». А вы уже сталкивались с PCA на практике?

Переобучать модель каждую неделю – не лучшая идея. Иногда это делает её только хуже Но если универсального расписания не существует, как понять, что модель действительно пора обновлять? Именно этот вопрос в реальных ML-проектах оказывается гораздо сложнее, чем кажется. И ответ на него дает Александр Дубейковский (ML Engineer в Авито, ex-Яндекс) в новом видео у нас на YouTube, в ВК и Дзен. Посмотрев видео, вы узнаете: ▪️почему модели начинают деградировать; ▪️чем отличаются Data Drift и Concept Drift; ▪️по каким сигналам команды понимают, что модель пора обновлять; ▪️почему слишком частое переобучение может навредить. Так что если хотите лучше разобраться в том, что происходит с ML-моделью после деплоя, этот выпуск точно стоит посмотреть. Смотреть на YouTube: https://youtu.be/HruY9DlvfO8 Смотреть в ВК: https://vk.ru/video-228219607_456239276 Смотреть в Дзене: https://dzen.ru/video/watch/6a6884e65ea2b41354e6c050 P.S. проводим A|B-тесты обложек, как думаете, какая лучше?

Если вы говорили себе: «После отпуска наконец займусь ML», – у нас для вас хорошие новости Лето – время отдыха, поездок и перезагрузки. А новые цели многие начинают реализовывать уже в конце августа, когда можно спокойно вернуться в привычный ритм. Поэтому мы решили начать пятый поток курса «База ML» 31 августа. Это время мы используем, чтобы финально подготовить курс к старту: актуализировать материалы, доработать практические задания и убедиться, что с первого занятия вы сможете полностью сосредоточиться на обучении. Для вас это тоже хорошая возможность подготовиться к старту без спешки. За ближайший месяц можно освежить Python или школьную математику, задать нам любые вопросы о курсе и выбрать формат обучения, который подойдет именно вам. А дальше мы проведем вас по всему пути – от базовых концепций машинного обучения до создания собственных моделей и понимания того, как ML применяется в реальных продуктах. Если вы давно хотели войти в машинное обучение, но все время откладывали старт, возможно, сейчас как раз тот самый момент. Старт пятого потока – 31 августа Заполните форму предзаписи Подробнее о программе, формате обучения и тарифах на сайте

Как научиться быстро разбираться в новых задачах, договариваться с командой и защищать выбранное решение? Именно эти навыки отличают специалистов, которые уверенно работают над реальными проектами. Поэтому мы запускаем ML Kata – практический формат, где участники решают ML и System Design задачи в командах. Всё происходит максимально близко к рабочему процессу. Участники объединяются в команды по пять человек, получают задачу и за 75 минут должны разобраться в условиях, обсудить возможные подходы и подготовить решение. После этого каждая команда презентует свою работу, отвечает на вопросы жюри и получает обратную связь. В такой работе невозможно просто пересказать материал из курса или найти готовый ответ. Нужно анализировать ограничения, принимать архитектурные решения, аргументировать выбор моделей и технологий, распределять роли внутри команды и учитывать мнение коллег. ML Kata помогает развивать навыки, которые сложно получить на обычных лекциях: системное мышление, декомпозицию сложных задач, командную работу, умение защищать свои идеи и обсуждать технические решения. Если вам хочется попробовать себя в условиях, максимально приближенных к работе ML-команды, приходите на ML Kata. Стоимость участия 10 000 рублей Дата проведения пока на согласовании, но количество мест ограничено. Если хотите поучаствовать, вот страница оплаты: https://mlinside.ru/page156330066.html?utm_source=telegram&utm_medium=social&utm_campaign=anons_28_07_2026 Если у вас остались вопросы, напишите нашему менеджеру: t.me/marinagartm

Внимание-внимание, это рубрика «ML в реальной жизни» и у нас чевертая задача Мы продолжаем нашу рубрику, где задаем ситуации, с которыми сталкиваются ML/DS-команды в продакшене. В этой рубрике нет единственно правильных ответов. Её цель – научиться рассуждать, обсуждать подходы и смотреть на проблемы с разных сторон. Поэтому, если хотите, чтобы рубрика была вам максимально полезна, в комментариях важно не просто выбрать вариант, а объяснить: — почему выбрали именно его — что бы вы проверяли — какие риски вы бы учитывали Сегодня у нас ситуация №4: Ситуация: Срочный запрос: модель нужна еще вчера Контекст: Бизнес просит запустить модель для прогноза спроса на новый товар. Данные есть, но их мало, размечены частично, а дедлайн – 3 дня. Вы понимаете, что за это время можно сделать либо простую эвристику, либо "костыльную" ML-модель без нормальной валидации. Варианты действий: Что будете делать в первую очередь? Все посты этой рубрики можно будет посмотреть по тэгу: #риллайф_MLinside

Это никакие не байки, это реальные истории У нас на YouTube, ВКонтакте и Дзен вышел новый выпуск подкаста с Никитой Зелинским (Head of Data Science в МТС). На этот раз мы решили ненадолго отойти от привычного формата интервью и просто рассказать истории из мира Data Science. Некоторые из них звучат настолько невероятно, что в них сложно поверить. Но все они произошли на самом деле. А в конце - отвечаем на комментарии под Reels, который уже собрал более 1 млн просмотров. Смотрите на любой удобной для вас платформе: https://youtu.be/8S1WTfniYfg https://vkvideo.ru/video-228219607_456239275 https://dzen.ru/video/watch/6a6370fe5055ec5396758195

Если вы давно присматривались к курсу ML System Design, но откладывали решение – сейчас тот самый момент Уже в воскресенье стартуют занятия, и до начала обучения ещё можно успеть присоединиться к группе. Курс ведёт Валерий Бабушкин – Senior Director по Data…

MLinside - школа ML pinned a photo

Если вы давно присматривались к курсу ML System Design, но откладывали решение – сейчас тот самый момент Уже в воскресенье стартуют занятия, и до начала обучения ещё можно успеть присоединиться к группе. Курс ведёт Валерий Бабушкин – Senior Director по Data & AI в BP, грандмастер Kaggle, автор книги Machine Learning System Design и специалист, который много лет строит ML-продукты в крупных международных компаниях. На курсе Валерий разбирает то, как проектируются ML-системы, которые работают в production. Вы научитесь переводить бизнес-задачи в ML-решения, проектировать архитектуру, выстраивать пайплайны обучения, внедрять модели в продукт, организовывать мониторинг и оптимизировать инференс. Отдельный блок посвящён современным AI-системам и интеграции LLM в production-инфраструктуру. За 4 месяца вас ждут 60 занятий, работа с реальными кейсами, разбор дизайн-документов, архитектурных решений из production и живые обсуждения ваших вопросов. Курс подойдёт ML-инженерам, Data Scientists, тимлидам и руководителям AI-направлений, а также тем, кто хочет выйти за рамки обучения моделей и научиться создавать полноценные ML-системы. Если вы уже не раз открывали страницу курса, читали программу и думали: «Запишусь позже», – позже уже почти наступило и сейчас лучшее время, чтобы оставить заявку: https://mlinside.ru/system-design/?utm_source=telegram&utm_medium=social&utm_campaign=post-last_17_07_2026

Мы начинаем вебинар, подключайтесь: https://mlinside.getcourse.ru/pl/webinar/show?id=3304004&view=1

Помните про мок-собеседование в этот четверг? На прошлой неделе мы открыли набор кандидатов и получили много заявок. Спасибо всем, кто откликнулся и заполнил анкету! Все заявки мы передали Александру Дубейковскому. Выбрать одного участника оказалось непросто – сильных кандидатов было действительно много. В итоге на мок-собеседование мы пригласили Глеба и сегодня мы хотим познакомить вас с ним. Глеб учится на 3 курсе направления «Фундаментальная информатика и информационные технологии», проходит стажировку продуктовым аналитиком в ecom.tech и готовится перейти в Data Science. Интерес к машинному обучению у Глеба появился еще во время учебы в университете. С тех пор он успел пройти курс по кредитному скорингу, поработать над несколькими учебными проектами и сейчас готовится к переходу в Data Science. А еще – проходит отбор в одну из крупных технологических компаний. Вот как сам Глеб рассказывает о своем знакомстве с машинным обучением: «ML начал изучать пару лет назад, и в этом мне помог YouTube-канал MLinside. А сейчас мне выпала возможность самому пройти mock-собеседование, на которое я вас приглашаю!» МОК-собес пройдёт 16 июля в 19:00 МСК, Александр Дубейковский проведет с Глебом полноценное техническое интервью, а после разберет ответы, ошибки и расскажет, на что обращают внимание интервьюеры. Регистрируйтесь по ссылке: https://t.me/ml_insideBot?start=web160726

Если будет драка между Data Scientist и ML-инженером, кто победит? А главное, как вы поймете, кто из них кто? У нас на YouTube, в ВК и Дзен вышло новое видео с Александром Дубейковским (ML Engineer в Авито, ex-Яндекс), где он рассказывает, чем отличается работа Data Scientist от работы ML Engineer, какие задачи решает каждый специалист и какие навыки действительно важны для этих ролей. Вы узнаете: ▪️почему Data Scientist и ML Engineer часто выполняют разные задачи под одинаковыми названиями вакансий; ▪️кто отвечает за качество модели, а кто – за её работу в продакшене; ▪️чем отличаются задачи Data Scientist и ML Engineer на одном проекте; ▪️какие знания нужны для каждой профессии; ▪️кому больше подойдёт путь Data Scientist, а кому – ML Engineer. Если вы только выбираете направление в Machine Learning, готовитесь к собеседованиям или хотите лучше понимать устройство ML-команд в современных IT-компаниях, это видео поможет разобраться в ролях и сделать более осознанный выбор карьерного пути. Ссылки на видео: https://youtu.be/Px_8Pp7wW3g https://vkvideo.ru/video-228219607_456239257 https://dzen.ru/video/watch/6a50df39a0fe1a0e44e36678