Изменения по времени из-за плохого самочувствия участника.

#group_2_scrum
Созвон 2 группы - 05.02.2026 Четверг в 19-00

2 группа: https://cr2nsocc.ktalk.ru/sw1tpl3toeyl

Ютуб | Школа SenatorovAI | Live

👋 Привет! Новые участники и ПОДПИСЧИКИ — добро пожаловать в канал 🙌

Если у вас есть вопросы — задавайте смело 🙋‍♂️
Не знаете, с чего начать? Что и как устроено? Просто напишите — мы подскажем.

Частые вопросы:

1️⃣ Как вступить в школу?
Напишите в чат или в личные сообщения: «Хочу вступить в школу».

2️⃣ Какие группы есть?
Есть несколько групп..

3️⃣ С чего начать? Нужна ли математика сразу?
Отвечаем честно: в начале математика не нужна ✅
Начинаем с базы и практики.

4️⃣ Будут ли проверки и домашние задания?
Да ✅ Будут домашки, тесты и проверки, чтобы был реальный прогресс.

⸻

🔒 У нас закрытый Telegram-портал(Чат) Отдельно

Почему портал?
Потому что внутри всё разложено по полочкам:

🆘 помощь с домашними заданиями
🧮 математика
💼 фриланс и заработок
🐙 GitHub
📢 объявления
📚 статьи и книги
💬 чаты по группам

Без хаоса. Всё понятно и структурировано.

Если есть вопросы — пишите в комментариях или в личные сообщения 👇
Не стесняйтесь, здесь все начинали с нуля.📚

Ютуб | Школа SenatorovAI | Live

#group_2_scrum
05.02.2026

Запись созвона 2 группы

Студенты:

@autotest_er
https://github.com/dshilin

@gorop51
https://github.com/gorop51-2

@white_shift
https://github.com/stokato

Ютуб | Школа SenatorovAI | Live

#group_3_scrum
05.02.2026

SENATOROV 👉 27:50 Урок по методам оптимизации

Студенты:

@lessWronger 
https://github.com/lessWronger

@Gar_98
https://github.com/Gar-98

@Umarov2050 
https://github.com/Otabek1121

@Jazzyflavor
https://github.com/J4zzyflavor

@oh_ddy
https://github.com/oh-ddy


@Viktor_Vin1
https://github.com/ViktorVinogradov89


@M4x4T
https://github.com/M4x4T


Ютуб | Школа SenatorovAI | Live

#group_1_scrum

Сегодня состоится созвон 1 группы в 18:00 по МСК
Ссылка: https://9dsqs1ue.ktalk.ru/brtrtbqod7o1

Обсудим проблемы и дальнейшие планы в школе

Ютуб | Школа SenatorovAI | Live

🤖 Machine Learning — простыми словами

Machine Learning (ML) — это когда компьютер учится на данных, а не по жёстким правилам.
Мы не говорим программе «делай так», мы говорим «вот данные — найди закономерность».

Простой пример

Есть данные:
x — часы учёбы
y — результат экзамена

ML-модель:
смотрит на прошлые примеры
находит зависимость
предсказывает результат для новых данных

Ютуб | Школа SenatorovAI | Live

🧠 Основные типы ML
1.Supervised Learning (обучение с ответами)

Есть вход + правильный ответ
линейная регрессия
логистическая регрессия
деревья решений

Примеры:
прогноз цены
спам / не спам
оценка риска

2.Unsupervised Learning (без ответов)

Ответов нет, модель ищет структуру сама
кластеризация (KMeans)
понижение размерности

Примеры:
сегментация клиентов
поиск аномалий

3.Reinforcement Learning

Обучение через награду и штраф
агент
среда
стратегия

Примеры:
игры
роботы
автопилоты

📉 Ключевая идея ML

Модель минимизирует ошибку

Ошибка = разница между:
реальным значением
предсказанием

Для этого используют:
функцию потерь
градиент
оптимизацию

❗️ Глубокую математику можно учить по ходу, а не в начале.

Ютуб | Школа SenatorovAI | Live

#group_1_scrum

06.02.2026

13:11 Senatorov

Запись созвона 1 группы

Студенты:

@escape0x0d
https://github.com/SERG-1613

@hasan
https://github.com/hasan613

@shn4ydar
https://github.com/Shn4yder/

@svet_lana1588
https://github.com/svetlana-s88

Ютуб | Школа SenatorovAI | Live

🤖 Как ML-модель учится на данных

Machine Learning — это подбор параметров модели так, чтобы ошибка была минимальной.

📐 Модель = формула

Пример простой модели:

y = kx + b
x - вход
y - предсказание
k, b - параметры, которые ищет модель

ML не «думает», он подбирает k и b.

Ошибка и функция потерь

Ошибка - разница между:
реальным y
предсказанным y

Чтобы ошибки не компенсировали друг друга, берут квадрат ошибки.
Сумма этих квадратов = функция потерь (loss).

loss → минимум

⛰ Градиентный спуск
Алгоритм, который:
смотрит, куда ошибка уменьшается
делает маленькие шаги
повторяет много раз

Так модель учится.

🧠 Главное
ML — это не магия.
Это:
формула + ошибка + оптимизация.

Если это понятно - база ML у тебя уже есть

Ютуб | Школа SenatorovAI | Live

📊 Классический Machine Learning — база ML

Классический ML — это алгоритмы, которые работают с табличными данными, быстро обучаются и легко объясняются.
Это фундамент всего Machine Learning.

🧠 Что делает ML

Модель подбирает параметры так, чтобы ошибка была минимальной.
Пример простой модели:

y = kx + b

ML не думает — он оптимизирует.

🔑 Основные алгоритмы
Линейная регрессия — предсказание чисел (цена, зарплата)
Логистическая регрессия — классификация (0 / 1, да / нет)
KNN — решение по ближайшим соседям
Деревья решений — логика «вопрос → ответ»
Naive Bayes — вероятностный метод, часто для текста

📉 Ошибка и обучение

Ошибка = разница между реальным и предсказанным значением.
Используется функция потерь, которую модель минимизирует с помощью градиентного спуска.

🚀 Почему классический ML важен
проще нейросетей
быстрее и дешевле
часто достаточно для реальных задач
отличная база для DL и AI

Классический ML — это фундамент, без которого дальше идти сложно 🧱🔥

Ютуб | Школа SenatorovAI | Live