Послезавтра, 29 апреля в 19:00 выходим в прямой эфир с Виктором Кантором на YouTube

В эфире можно будет задать вопрос напрямую Виктору и пообщаться с ним на тему ML или AI. Также, Виктор расскажет про курс специализация «Искусственный интеллект и анализ данных».

Задать вопрос Виктору заранее: https://forms.yandex.ru/u/69e884fe6d2d736b9b087371

Зарегистрируйтесь на трансляцию, чтобы не пропустить начало: https://t.me/ml_insideBot?start=web290426

Через 5 минут начинаем прямой эфир с Виктором Кантором!

Подключайтесь к трансляции на Youtube

Машинное обучение меняется быстрее, чем кажется

Подходы, которые ещё недавно считались стандартом, сегодня уже теряют актуальность и на эту тему у нас на YouTube, в ВК и Дзен вышло видео, где Александр Дубейковский (ML-Engineer Авито, ex-Yandex, эксперт MLinside) разбирает, какие знания по ML устаревают быстрее всего в 2026 году: от классических алгоритмов и старых NLP-подходов до инструментов и библиотек, которые постепенно уходят из продакшна.

Видео будет полезно:
• Новичкам в ML: чтобы не тратить время на устаревшие подходы и сразу учить актуальный стек
• Junior ML-инженерам: чтобы понять, какие знания реально востребованы на практике
• Тем, кто готовится к собеседованиям: чтобы не фокусироваться на том, что почти не спрашивают и не используют
• Data Scientists: чтобы переоценить свой стек и актуализировать навыки
• Backend/Data инженерам, переходящим в ML: чтобы быстрее понять, как изменилась индустрия
• Практикующим специалистам: чтобы не отставать от трендов и понимать, куда движется рынок

Видео вышло на всех площадках:
https://youtu.be/ML1Df2_e9xA
https://vkvideo.ru/video-228219607_456239208
https://dzen.ru/video/watch/69f34789cda828524c42f444

Всем стоять, работают Code Detectives

Да, это та самая рубрика, где мы публикуем часть кода, а вам нужно сказать, что он выведет. Варианты будут в опросе ниже, а объяснение мы опубликуем позже.

Не забывайте, что если рубрика вам нравится, мы будем благодарны, если поставите реакцию, а другие посты этой рубрики можно посмотреть по хэштегу: #CodeDetective_MLinside

Итак, вот сама задачка:

Что выведут следующие 3 примера?

x = 0.1 + 0.2
if x == 0.3:
print(True)
else:
print(False)

x = 0.5 + 0.2
if x == 0.7:
print(True)
else:
print(False)

x = 0.1 + 0.25
if x == 0.35:
print(True)
else:
print(False)

#CodeDetective_MLinside

Как и обещали, публикуем объяснение верного ответа:

Компьютеры хранят числа с плавающей точкой в двоичной системе (по стандарту IEEE 754), то есть 0.5 = ½, полностью представимо в двоичной системе, а 0.1 точно непредставима в двоичной системе, если немного округлить, то получится 0.100000000000000001. В первом примере получилось так что сумма дала отличное от 0.3 битовое число, во втором и третьем тоже отличные числа, но так совпало что они представлены одним и тем же битовым адресом

Математика по-прежнему остаётся главным стоп-фактором в ML

«Я не понимаю производные»,
«Матрицы – это сложно»,
«Вероятность – вообще мимо меня»

Это если сделать выжимку того, что нам писали в комментариях под математическими видео, говорили на кастдевах и писали менеджерам, когда мы запускали первый поток курса “Математика для ML”

И наш главный вывод после первого потока:

Математику можно объяснить понятно, если давать только то, что реально нужно в ML. Без перегруза и «академической воды», а с упором на применение в реальной работе.

И сейчас мы открываем второй поток курса. Спикер прежний – Сергей Жестков (10+ лет преподавания, курсы для Сбера, Тинькофф, Otus и Skillbox, дважды «Преподаватель года» МФТИ)

Что изменилось во втором потоке:
Мы переработали программу на основе обратной связи с первого запуска:
▪️упростили сложные блоки;
▪️усилили практическую часть;
▪️убрали лишнее и добавили больше примеров из ML.

И у нас получился не совсем “курс по математике” в классическом смысле, а скорее база, которая нужна, чтобы:
▪️понимать, как работают модели
▪️не теряться на собеседованиях
▪️спокойно идти в ML дальше (курс особенно актуален, если вы планируете идти на поток «База ML»)

Посмотреть программу и стоимость можно на сайте.

А предзапись на второй поток уже открыта, заполните форму и менеджер свяжется с вами и расскажет детали: https://forms.yandex.ru/cloud/68ca97e8f47e7311c69c807f/

Почему без формулы Байеса вы не понимаете, как работает ML

Многие заходят в ML через код и модели, обучают, получают метрики и на этом этапе всё кажется понятным. Но, как только нужно пойти чуть глубже – улучшить модель или разобраться в ошибках, обязательено возникает вопрос:

«Почему модель принимает именно такие решения?»

▪️Можно посмотреть на метрики.
▪️Можно попробовать перебрать параметры.
▪️Можно визуализировать данные.

Но ответ на вышеозвученный вопрос это не даст.

Наверняка вы знаете, что внутри модели скрывается вполне конкретная логика работы с вероятностями. Модель постоянно пересчитывает, насколько одно событие вероятно с учётом новых данных и делает это по строгим математическим правилам.

Одно из базовых – формула Байеса.

Но при этом для большинства это остаётся просто формулой из учебника, без понимания, как она реально применяется в ML. Именно поэтому мы решили взять эту тему на вебинар, который проведем 14 мая в 19:00 МСК.

Спикер вебинара Сергей Жестков (10+ лет преподавания, курсы для Сбера, Тинькофф, Otus и Skillbox, дважды «Преподаватель года» МФТИ), он же преподаватель курса «Математика для ML».

На вебинаре мы разберём формулу Байеса на конкретных примерах, чтобы у вас не осталось вопросов, как модель:
▪️оценивает вероятность;
▪️учитывает новые данные;
▪️и меняет своё решение.

Кому будет полезен вебинар:
— тем, кто хочет войти в ML, но откладывает из-за математики;
— тем, кто уже пробовал обучать модели, но не до конца понимает, что происходит внутри;
— тем, кто готовится к собеседованиям.

14 мая в 19:00 МСК
Вебинар бесплатный, с вас только регистрация: https://t.me/ml_insideBot?start=web140526

P.S. А всем, кто придёт на вебинар, мы подарим скидку на курс и чек-лист с самопроверкой вашего уровня математики для ML

Топ-5 ошибок при изучении математики для ML

Многие начинают изучать машинное обучение через библиотеки вроде sklearn или PyTorch и уверены, что всё понимают, пока модель не начинает вести себя непредсказуемо. В этот момент становится ясно: проблема не в коде, а в математике, которая за ним стоит. И у нас на YouTube, в ВК и Дзен вышло видео, где Александр Дубейковский (ML-Engineer Авито, ex-Yandex, эксперт MLinside) подробно объясняет, какие подходы к изучению математики не работают.

Он разбирает, почему университетский стиль обучения часто не подходит для ML, зачем нужна интуиция вместо заучивания формул, как связать математику с кодом и почему попытка сразу идти в deep learning без базы приводит к поверхностному пониманию. В конце вас ждет практический ориентир: какой уровень математики вам реально нужен и как его достичь.

Кому будет полезно видео и почему:
▪️Новичкам в ML чтобы не тратить месяцы на изучение математики “впустую” и сразу выстроить правильный подход
▪️Тем, кто уже пишет модели, но не чувствует уверенности: чтобы понять, что именно происходит внутри алгоритмов
▪️Тем, кто готовится к ML-собеседованиям: чтобы закрыть пробелы, которые часто проверяют на интервью
▪️Практикующим специалистам: чтобы перестать воспринимать модели как “чёрный ящик” и лучше контролировать их поведение
▪️Тем, кто застрял в обучении: чтобы понять, какие ошибки тормозят прогресс и как их исправить

Если нашли себя в этом списке, обязательно посмотрите видео, оно будет вам полезно:
https://youtu.be/56lmuMYBDyw
https://vk.com/video-228219607_456239220
https://dzen.ru/video/watch/69fc4a5a66544869fb85a1ba

P.S. 14 мая в 19:00 МСК пройдет бесплатный вебинар "Формула Байеса в ML" с Сергеем Жестковым. На вебинаре мы подарим скидку на курс и чек-лист с самопроверкой вашего уровня математики для ML, регистрация по ссылке: https://t.me/ml_insideBot?start=web140526

А 18 мая у нас запускается второй поток курса по Математике для машинного обучения. Посмотреть программу можно на сайте: https://mlinside.ru/math-for-ml/?utm_source=youtube&utm_medium=social&utm_campaign=video_08_05_26

Или заполните форму и менеджер свяжется с вами, ответит на все вопросы и подарит промокод на скидку: https://forms.yandex.ru/cloud/68ca97e8f47e7311c69c807f

Продолжаем нашу рубрику с математическими задачками

Если хотите прокачать прикладное математическое мышление, рубрика как раз для вас. А умение быстро разбираться в задачах, видеть структуру и находить решения без громоздких вычислений – супер полезно не только в теории, но и в практике ML, где часто важно быстро оценить поведение системы, вероятность исходов или логику процесса.

Вторая задачка:
Симметричную монету бросают до первого выпадения орла. С какой вероятностью орел выпадет в попытке с четным номером?

#math_MLinside

Байес в ML всплывает не тогда, когда вы «изучаете математику», а когда модель начинает принимать решения, которые сложно объяснить интуитивно

И именно в этот момент обычно возникает вопрос: что вообще происходит внутри? 14 мая в 19:00 МСК именно это и разберём на вебинаре «Почему без формулы Байеса вы не понимаете, как работает ML».

Это не будет разговор про «математику ради математики», а скорее про то, как модели на самом деле пересчитывают вероятности, почему они меняют свои предсказания при появлении новых данных и как это связано с базовой логикой вероятностного вывода.

Спикер – Сергей Жестков, преподаватель с 10+ летним опытом, работавший с курсами для Сбера, Тинькофф, Otus и Skillbox, дважды «Преподаватель года» МФТИ. Он разберёт формулу Байеса через прикладные примеры, чтобы стало понятно, где именно она «живёт» в машинном обучении.

Также в обсуждении примет участие Виктор Кантор — как дополнительный участник, который поможет связать тему с более широким контекстом математики в ML и обучением в целом.

Обоим спикерам можно будет задать вопросы по ходу вебинара.

Если еще не регистрировались, ссылка тут: https://t.me/ml_insideBot?start=web140526

Мы начинаем вебинар "Формула Байеса в ML", подключайтесь: https://mlinside.getcourse.ru/pl/webinar/show?id=3283658

Мифы о машинном обучении, в которые все верят

Машинное обучение окружено мифами: кто-то думает, что модели всё делают сами, кто-то – что нейросети всегда лучше, а кто-то ждёт от ML точных предсказаний будущего.

На YouTube, в ВК и Дзен у нас вышло видео, где Александр Дубейковский (ML-Engineer Авито, ex-Yandex, эксперт MLinside) разбирает самые распространённые заблуждения про ML и объясняет, как всё работает на самом деле.

На реальных примерах вы увидете, почему качество данных важнее алгоритма, где нейросети действительно дают преимущество, а где уступают более простым моделям, и почему ML это всегда про вероятности, а не точные прогнозы.

В конце видео разбор того, как на самом деле устроены ML-проекты и почему за каждой моделью стоит целая команда.

Кому будет полезно это видео:
• Новичкам в ML: чтобы сразу понять, как всё устроено на практике и не строить нереалистичных ожиданий
• Тем, кто думает войти в AI/ML: чтобы увидеть реальную картину индустрии, а не маркетинговый образ
• Junior ML-инженерам: чтобы систематизировать базовые принципы и избежать типичных ошибок
• Продактам и аналитикам: чтобы понимать ограничения ML и корректно ставить задачи
• Разработчикам из других областей: чтобы разобраться, как ML встраивается в реальные продукты

Если нашли себя в этом списке, велком на удобную площадку:
https://youtu.be/43lRV_c-7KY
https://vkvideo.ru/video-228219607_456239209
https://dzen.ru/video/watch/69fc717bef3f37622de46128

P.S. 18 мая у нас запускается второй поток курса по Математике для машинного обучения. Посмотреть программу можно на сайте.

Или заполните форму и менеджер свяжется с вами, ответит на все вопросы и подарит промокод на скидку: https://forms.yandex.ru/cloud/68ca97e8f47e7311c69c807f

Учимся на практике: решаем реальные ML-задачки

Это рубрика #петпроект_MLinside и тут мы публикуем задачи из реальных (ну или почти реальных) проектов, чтобы лучше запомнить теорию. Плюс, упоминание об этом можно включить в портфолио, что определенно поможет вам на собеседованиях.

Двенадцатая задача

Что нужно сделать: по информации о разных приложениях нужно понять какое приложение лучше всего сделать: для большего охвата, для лучшего рейтинга, для того чтобы заработать больше денег и тд

Как можно сделать:
▪️Визуализировать данные для разных классов: платные/бесплатные, разные категории, количество установок и т.д.;
▪️Применить K-Means или DBSCAN;
▪️Обучить различные классификаторы и сравнить их качество.

Данные можно взять на Kaggle: https://www.kaggle.com/datasets/lava18/google-play-store-apps
Пример ноутбука (с случайными пропусками строк): https://colab.research.google.com/drive/1szMUL7MLxQVH9ZubsyP-LDbyCZ7rKBLF?usp=sharing

Готовы попробовать? Делитесь своими результатами в комментариях. А другие посты этой рубрики можно посмотреть по тэгу: #петпроект_MLinside

Валерий Бабушкин и тот самый курс по ML System Design в MLinside

Если вы давно хотели разобраться, как проектируют ML-системы в реальных продуктах – это то, что вам нужно.

Курс посвящён проектированию ML-систем для реальных продуктов: работе с архитектурой, пайплайнами обучения, deployment-процессами, мониторингом моделей, оптимизацией инференса и поддержкой ML под нагрузкой. Также на курсе разберём подходы к проектированию современных агентских AI-систем и интеграции LLM в production-инфраструктуру.

На курсе вы научитесь:
▪️проектировать ML-системы под реальные ограничения
▪️строить ML design docs
▪️выбирать метрики и функции потерь
▪️выстраивать пайплайны обучения
▪️анализировать ошибки моделей
▪️внедрять ML в продукт
▪️мониторить качество моделей в продакшене
▪️оптимизировать инференс под нагрузку

Курс подойдёт ML-инженерам, тимлидам ML-команд и начинающим специалистам, которым нужен системный взгляд на ML.

Преподаватель – Валерий Бабушкин, наверняка он не нуждается в представлении, но всё же:
▪️Senior Director по Data & AI в BP
▪️грандмастер Kaggle
▪️автор книги Machine Learning System Design.

Курс будет идти 4 месяца и вас ждут 60 занятий, реальные кейсы, разбор design docs, архитектурные решения из production ML, а главное – live-обсуждения и ревью с Валерием. Посмотреть сайт можно тут.

Это курс для тех, кто хочет перейти от “умею обучать модели” к “умею строить ML-системы”.

Стартуем 1 июня, количество мест ограничено. Записаться можно по ссылке.

Обновили информацию по курсу ML System Design с Валерием Бабушкиным

▪️Старт курса переносится на 1 июля
▪️Актуальная стоимость курса — 178 500 ₽

Информация на сайте уже обновлена.

Дополнительный месяц до старта используем, чтобы сделать программу ещё сильнее: добавляем новые материалы по agentic AI и проектированию современных AI-систем.

Спасибо всем, кто уже оставил заявки и интересуется курсом

Как перейти со стажера на джуна в ML?

Многие стажёры в ML уверены: если знаешь Python, sklearn и можешь обучить модель, значит уже готов к позиции junior. Но на практике переход из стажёра в джуна зависит не только от технических знаний.

На YouTube, в ВК и Дзен у нас вышло видео, где Александр Дубейковский (ML-Engineer Авито, ex-Yandex, эксперт MLinside), разбирает, какие навыки действительно важны для роста в ML, что ожидают команды от начинающих специалистов и почему одних ноутбуков с моделями недостаточно.

Также, в видео Александр расскажет: какие технические навыки считаются обязательным минимумом для junior ML engineer, почему софт скилы часто решают больше, чем алгоритмы, как правильно проявлять инициативу в команде, по каким причинам стажёров не переводят в штат после испытательного срока, а также, поговорим про разницу между требованиями бигтеха и небольших компаний, ожидания тимлидов и реальные критерии роста внутри ML-команд.

Кому будет полезно видео:
▪️Стажёрам в ML — чтобы понять, чего реально ждут от junior-специалиста
▪️Тем, кто хочет попасть в первую ML-команду — чтобы избежать типичных ошибок на старте
▪️Начинающим ML-инженерам — чтобы быстрее расти внутри команды и понимать процессы продакшна
▪️Студентам и новичкам в Data Science — чтобы увидеть, как выглядит работа ML-инженера за пределами ноутбуков
▪️Тем, кто проходит стажировку прямо сейчас — чтобы повысить шансы на оффер после испытательного срока

Ссылки на видео на разных площадках:
https://youtu.be/_ZdaCJnRoLY
https://vkvideo.ru/video-228219607_456239221
https://dzen.ru/video/watch/6a0ef27e1059563825902c56

Устали от «идеальных» ML-кейсов?

Где данные всегда чистые, метрики стабильные, а модель после обучения сразу готова к продакшену. Ведь в реальной работе всё иначе: метрики могут упасть за ночь, данные – измениться, а решение нужно принимать быстро, да еще и с неполной информацией.

Поэтому мы запускаем новую рубрику «ML в реальной жизни» – здесь будут ситуации, с которыми сталкиваются ML/DS-команды в продакшене. Сразу же предупредим, что 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 №1:

Ситуация:
Метрики упали на 40% за ночь

Контекст:
В продакшене работает модель прогнозирования оттока. Утром вы видите:
— precision упал с 0.82 до 0.49
— recall — с 0.76 до 0.41

Последний деплой модели был 3 дня назад, изменений в пайплайне не было. Данные поступают из того же источника.

Внимание, вопрос:
Что будете делать в первую очередь?

Все посты этой рубрики можно будет посмотреть по тэгу: #риллайф_MLinside