А у нас там подкаст вышел, видели?
Если вдруг нет, то заходите на YouTube, в ВК или Дзен, там увидите подкаст Виктора Кантора и Татьяны Гайнцевой – AI Researcher и PhD-кандидат в Queen Mary University of London, исследовательница в области интерпретируемости и управления поведением генеративных моделей. Обладательница стипендии DeepMind, преподаватель Deep Learning School и Nebius Academy, соосновательница Deep Learning School, автор телеграм-канала DLStories и подкаста Deep Learning Stories. Ранее занималась исследованиями в Huawei и Philips, работая над задачами компьютерного зрения и медицинского AI.
В выпуске разговор получился не столько про карьеру в AI, сколько про исследовательское мышление. Почему одни специалисты годами улучшают метрики моделей, а другие пытаются понять, что происходит внутри них? Зачем вообще исследовать интерпретируемость нейросетей? Можно ли управлять поведением LLM через активации отдельных слоев? И почему иногда самый интересный вопрос в машинном обучении – не «как сделать лучше», а «почему это вообще работает»?
Ждём вас на удобной для вас площадке:
https://youtu.be/pXMd0N6xSAQ
https://vk.com/video-228219607_456239235
https://dzen.ru/video/watch/6a314bf1a6d473684e1eb721
Если вдруг нет, то заходите на YouTube, в ВК или Дзен, там увидите подкаст Виктора Кантора и Татьяны Гайнцевой – AI Researcher и PhD-кандидат в Queen Mary University of London, исследовательница в области интерпретируемости и управления поведением генеративных моделей. Обладательница стипендии DeepMind, преподаватель Deep Learning School и Nebius Academy, соосновательница Deep Learning School, автор телеграм-канала DLStories и подкаста Deep Learning Stories. Ранее занималась исследованиями в Huawei и Philips, работая над задачами компьютерного зрения и медицинского AI.
В выпуске разговор получился не столько про карьеру в AI, сколько про исследовательское мышление. Почему одни специалисты годами улучшают метрики моделей, а другие пытаются понять, что происходит внутри них? Зачем вообще исследовать интерпретируемость нейросетей? Можно ли управлять поведением LLM через активации отдельных слоев? И почему иногда самый интересный вопрос в машинном обучении – не «как сделать лучше», а «почему это вообще работает»?
Ждём вас на удобной для вас площадке:
https://youtu.be/pXMd0N6xSAQ
https://vk.com/video-228219607_456239235
https://dzen.ru/video/watch/6a314bf1a6d473684e1eb721
❤15
Это рубрика «ML в реальной жизни» и у нас третья 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 №3:
Ситуация: Модель молча сломалась
Контекст:
Модель в продакшене перестала обновлять прогнозы. Логи в норме, ошибок нет, пайплайн "зелёный". Но свежие предсказания не появляются. Вы подозреваете тихий сбой: завис джоб, кончилось место, изменился формат входных данных – но где именно, непонятно.
Варианты действий:
Что будете делать в первую очередь?
Все посты этой рубрики можно будет посмотреть по тэгу: #риллайф_MLinside
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 №3:
Ситуация: Модель молча сломалась
Контекст:
Модель в продакшене перестала обновлять прогнозы. Логи в норме, ошибок нет, пайплайн "зелёный". Но свежие предсказания не появляются. Вы подозреваете тихий сбой: завис джоб, кончилось место, изменился формат входных данных – но где именно, непонятно.
Варианты действий:
Что будете делать в первую очередь?
Все посты этой рубрики можно будет посмотреть по тэгу: #риллайф_MLinside
Кажется, что к собеседованию по ML нужно заново выучить всю математику?
На практике это не так. Большинство математических вопросов на интервью связаны не со сложными доказательствами и выводами формул, а с пониманием того, как работают модели, метрики и эксперименты.
У нас на YouTube, в ВК и Дзен вышло видео, где Александр Дубейковский (ML Engineer в Avito, ex-Yandex, эксперт MLinside) расскажет, какие математические темы чаще всего встречаются на ML-собеседованиях, как быстро восстановить знания перед интервью и почему решение задач работает намного лучше, чем чтение учебников в последний момент.
Кому будет полезно это видео:
▪️Тем, кто готовится к ML-собеседованиям
▪️Junior и Middle ML-инженерам
▪️Data Scientists
▪️Студентам, ищущим первую работу в ML
▪️Всем, кто давно не открывал математику и хочет быстро освежить знания
Нашли себя в этом списке? Тогда велком на удобную площадку:
https://youtu.be/LQif1TY84s0?is=PyaQPNF08kmPMe9w
https://vkvideo.ru/video-228219607_456239242
https://dzen.ru/video/watch/6a3d7bbb2dd9ef51bfaa2a60?share_to=link
На практике это не так. Большинство математических вопросов на интервью связаны не со сложными доказательствами и выводами формул, а с пониманием того, как работают модели, метрики и эксперименты.
У нас на YouTube, в ВК и Дзен вышло видео, где Александр Дубейковский (ML Engineer в Avito, ex-Yandex, эксперт MLinside) расскажет, какие математические темы чаще всего встречаются на ML-собеседованиях, как быстро восстановить знания перед интервью и почему решение задач работает намного лучше, чем чтение учебников в последний момент.
Кому будет полезно это видео:
▪️Тем, кто готовится к ML-собеседованиям
▪️Junior и Middle ML-инженерам
▪️Data Scientists
▪️Студентам, ищущим первую работу в ML
▪️Всем, кто давно не открывал математику и хочет быстро освежить знания
Нашли себя в этом списке? Тогда велком на удобную площадку:
https://youtu.be/LQif1TY84s0?is=PyaQPNF08kmPMe9w
https://vkvideo.ru/video-228219607_456239242
https://dzen.ru/video/watch/6a3d7bbb2dd9ef51bfaa2a60?share_to=link
👍2🔥1
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.
Пятнадцатая задача
Что нужно сделать:
По различным параметрам и результатом анализов женщины определить есть у нее диабет или нет
Как можно сделать:
▪️Построить confusion matrix для нескольких признаков, посмотреть есть ли между ними зависимость или нет
▪️Обучить классификаторы на данных
▪️Посмотреть на важность признаков, если некоторые зависят друг от друга и важны, то попробовать их как-то разделить и обучить классификатор снова
▪️или сделать что-то другое
Данные можно взять на Kaggle: https://www.kaggle.com/datasets/uciml/pima-indians-diabetes-database
Пример ноутбука (с случайными пропусками строк): https://colab.research.google.com/drive/1NZXRFcxHAR-RABH7cEplpUd4wX67dibw?usp=sharing
Готовы попробовать? Делитесь своими результатами в комментариях. А другие посты этой рубрики можно посмотреть по тэгу: #петпроект_MLinside
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.
Пятнадцатая задача
Что нужно сделать:
По различным параметрам и результатом анализов женщины определить есть у нее диабет или нет
Как можно сделать:
▪️Построить confusion matrix для нескольких признаков, посмотреть есть ли между ними зависимость или нет
▪️Обучить классификаторы на данных
▪️Посмотреть на важность признаков, если некоторые зависят друг от друга и важны, то попробовать их как-то разделить и обучить классификатор снова
▪️или сделать что-то другое
Данные можно взять на Kaggle: https://www.kaggle.com/datasets/uciml/pima-indians-diabetes-database
Пример ноутбука (с случайными пропусками строк): https://colab.research.google.com/drive/1NZXRFcxHAR-RABH7cEplpUd4wX67dibw?usp=sharing
Готовы попробовать? Делитесь своими результатами в комментариях. А другие посты этой рубрики можно посмотреть по тэгу: #петпроект_MLinside
❤8
«Кажется, я слишком поздно начал изучать ML»
Это одна из самых частых фраз, которые мы слышим от новых студентов.
Кто-то откладывал обучение несколько лет. Кто-то думал, что без сильной математики в машинном обучении делать нечего. Кто-то смотрел на вакансии и был уверен, что индустрия уже переполнена специалистами.
Но каждый новый поток показывает одно и то же: в ML приходят люди с очень разным опытом и стартовыми знаниями. Аналитики, разработчики, инженеры, менеджеры и даже те, кто раньше вообще не работал с данными.
Главное не то, когда вы начали, а то насколько системно вы учитесь. И мы рады сообщить, что открываем набор на 5 поток курса «База ML».
Это курс для тех, кто хочет разобраться в машинном обучении последовательно и без бесконечных пробелов в знаниях. От основ Python и математики до построения собственных моделей и понимания того, как ML применяется в реальных продуктах.
За время обучения вы:
▪️освоите ключевые алгоритмы машинного обучения;
▪️научитесь работать с данными и строить модели на Python;
▪️разберетесь в метриках и оценке качества моделей;
▪️познакомитесь с нейронными сетями;
▪️поймете, как устроены современные ML-системы;
▪️выполните практические задания и соберете проект для портфолио.
В 5 потоке мы также усилили программу темами, которые сегодня активно используются в индустрии:
-применение AI-инструментов в работе ML-специалиста;
-основы ML System Design;
-разбор реальных бизнес-кейсов;
-больше практики и поддержки от кураторов.
Мы не обещаем, что путь будет простым. Машинное обучение требует времени, практики и настойчивости. Но если вы давно хотели разобраться в ML и не знали, с чего начать, сейчас хороший момент сделать первый шаг.
Набор на 5 поток уже открыт, заполните форму для предзаписи: https://forms.yandex.ru/cloud/6a4275fe505690a71a0fead6
Подробности о программе, формате обучения и тарифах на сайте: https://mlinside.ru/?utm_source=telegram&utm_medium=social&utm_campaign=anons_29_06_2026
А если у вас есть вопросы о курсе, задавайте их в комментариях. Постараемся ответить на каждый.
❤2👍2🔥2
Перенос старта курса и прямой эфир с Виктором Кантором и Валерием Бабушкиным
Старт курса ML System Design переносится на 17 июля. Если вы планировали присоединиться, у вас появилось ещё немного времени, чтобы принять решение и подготовиться к обучению.
В следующий понедельник, 6 июля проведем на YouTube прямой эфир. Виктор задаст Валерию вопросы о ML System Design, а Валерий ответит на них и поделится своим опытом в проектировании ML-систем. Плюс, ответим на ваши вопросы.
О чем еще поговорим на эфире:
▪️зачем ML-инженеру вообще нужен System Design;
▪️как меняются требования к специалистам с развитием LLM и AI-агентов;
▪️как проектировать системы, а не только модели;
▪️какие навыки действительно востребованы в индустрии;
Если у вас есть вопросы про ML System Design, архитектуру ML-систем, production ML, карьеру, собеседования, LLM или обучение – напишите их в форме: https://forms.yandex.ru/cloud/6a44d2dff47e73beb4bf22b0.
Не упустите возможность задать свои вопросы топам ML-индустрии!
Регистрация на прямой эфир: https://t.me/ml_insideBot?start=web060726
Старт курса ML System Design переносится на 17 июля. Если вы планировали присоединиться, у вас появилось ещё немного времени, чтобы принять решение и подготовиться к обучению.
В следующий понедельник, 6 июля проведем на YouTube прямой эфир. Виктор задаст Валерию вопросы о ML System Design, а Валерий ответит на них и поделится своим опытом в проектировании ML-систем. Плюс, ответим на ваши вопросы.
О чем еще поговорим на эфире:
▪️зачем ML-инженеру вообще нужен System Design;
▪️как меняются требования к специалистам с развитием LLM и AI-агентов;
▪️как проектировать системы, а не только модели;
▪️какие навыки действительно востребованы в индустрии;
Если у вас есть вопросы про ML System Design, архитектуру ML-систем, production ML, карьеру, собеседования, LLM или обучение – напишите их в форме: https://forms.yandex.ru/cloud/6a44d2dff47e73beb4bf22b0.
Не упустите возможность задать свои вопросы топам ML-индустрии!
Регистрация на прямой эфир: https://t.me/ml_insideBot?start=web060726
❤5👍1👎1🔥1
Обучаем первую модель машинного обучения за час
Кажется, что машинное обучение – это что-то очень сложное? Множество формул, непонятная математика и тысячи строк кода?
На самом деле начать можно гораздо проще.
В четверг, 9 июля в 19:00 (МСК) приглашаем на вебинар «Обучаем первую модель машинного обучения за час» где спикер – Андрей Жогов, ML-инженер в Сбере и преподаватель Физтеха сделает именно то, что указано в названии.
Андрей не только работает ML-инженером в Сбере, но и имеет большой опыт обучения начинающих специалистов. До Сбера он занимался задачами машинного обучения в МТС, а сегодня ведёт семинары по ML и помогает студентам делать первые шаги в профессии.
На вебинаре вы увидите, как выглядит обучение модели машинного обучения на практике, и поймёте, что первый шаг в ML может оказаться гораздо проще, чем кажется.
Этот вебинар будет особенно полезен, если вы:
▪️хотите войти в ML, но не знаете, с чего начать;
▪️уже изучаете Python и хотите перейти к машинному обучению;
▪️давно откладываете знакомство с ML, потому что кажется, что это слишком сложно.
Участников вебинара ждет небольшой, но приятный бонус, о нем расскажет Андрей на самом вебинаре.
Итак, четверг, 9 июля, 19:00 (МСК), регистрируйтесь заранее: https://t.me/ml_insideBot?start=web090726
Кажется, что машинное обучение – это что-то очень сложное? Множество формул, непонятная математика и тысячи строк кода?
На самом деле начать можно гораздо проще.
В четверг, 9 июля в 19:00 (МСК) приглашаем на вебинар «Обучаем первую модель машинного обучения за час» где спикер – Андрей Жогов, ML-инженер в Сбере и преподаватель Физтеха сделает именно то, что указано в названии.
Андрей не только работает ML-инженером в Сбере, но и имеет большой опыт обучения начинающих специалистов. До Сбера он занимался задачами машинного обучения в МТС, а сегодня ведёт семинары по ML и помогает студентам делать первые шаги в профессии.
На вебинаре вы увидите, как выглядит обучение модели машинного обучения на практике, и поймёте, что первый шаг в ML может оказаться гораздо проще, чем кажется.
Этот вебинар будет особенно полезен, если вы:
▪️хотите войти в ML, но не знаете, с чего начать;
▪️уже изучаете Python и хотите перейти к машинному обучению;
▪️давно откладываете знакомство с ML, потому что кажется, что это слишком сложно.
Участников вебинара ждет небольшой, но приятный бонус, о нем расскажет Андрей на самом вебинаре.
Итак, четверг, 9 июля, 19:00 (МСК), регистрируйтесь заранее: https://t.me/ml_insideBot?start=web090726
🔥3
Прямой эфир с Виктором Кантором и Валерием Бабушкиным уже начался!
Трансляцию перенесли на GetCourse: https://mlinside.getcourse.ru/pl/webinar/show?id=3302131&view=1
Ещё можно присоединиться к эфиру и задать свой вопрос в чате.
Трансляцию перенесли на GetCourse: https://mlinside.getcourse.ru/pl/webinar/show?id=3302131&view=1
Ещё можно присоединиться к эфиру и задать свой вопрос в чате.
❤7
Метрики выросли. Код работает. Можно катить в прод?
Если вы не можете ответить «да» с цифрами в руках – вы не закончили работу. Вы её только начали.
Чтобы отвечать на этот вопрос уверенно, в специализации появился новый блок, посвящённый A/B-тестированию. В нём всё, что нужно, чтобы грамотно проектировать эксперименты, анализировать их результаты и понимать, действительно ли изменения приносят пользу продукту.
Зачем это вам:
Даже если метрики выросли, это ещё не означает, что новая модель лучше. Разница в 0,3% может оказаться обычной случайностью, а команда потратит месяцы на оптимизацию, которая не приносит значимой пользы.
Именно A/B-тестирование помогает отделить реальные улучшения от статистического шума и понять, действительно ли изменения работают.
В новом блоке вас ждут 24 урока и 7 часов практики, на которых разберём:
▪️Основы экспериментов:
— как проектировать A/B-тесты;
— какие статистические критерии выбирать;
— какие ошибки чаще всего допускают и как их избежать.
▪️Продвинутые методы:
— бутстрэп и доверительные интервалы;
— ускорение экспериментов с помощью CUPED;
— последовательный анализ на практике.
▪️Индустриальную практику:
— инструменты продуктовых команд: GrowthBook и аналоги;
— реальные кейсы из индустрии, включая опыт МТС.
Что в итоге:
Это один из тех блоков, после которого меняется сам подход к работе с ML-моделями. Вместо «кажется, стало лучше» вы сможете проектировать эксперименты, выбирать корректные статистические критерии, интерпретировать результаты и принимать решения на основе данных.
Новый блок по A/B-тестированию уже доступен в специализации «AI и анализ данных».
Переходите по ссылке, чтобы посмотреть полную программу, сравнить варианты подписки и выбрать подходящий формат обучения: https://mlinside.ru/specializaciya/?utm_source=telegram&utm_medium=social&utm_campaign=post_anons-blok-5
Если вы не можете ответить «да» с цифрами в руках – вы не закончили работу. Вы её только начали.
Чтобы отвечать на этот вопрос уверенно, в специализации появился новый блок, посвящённый A/B-тестированию. В нём всё, что нужно, чтобы грамотно проектировать эксперименты, анализировать их результаты и понимать, действительно ли изменения приносят пользу продукту.
Зачем это вам:
Даже если метрики выросли, это ещё не означает, что новая модель лучше. Разница в 0,3% может оказаться обычной случайностью, а команда потратит месяцы на оптимизацию, которая не приносит значимой пользы.
Именно A/B-тестирование помогает отделить реальные улучшения от статистического шума и понять, действительно ли изменения работают.
В новом блоке вас ждут 24 урока и 7 часов практики, на которых разберём:
▪️Основы экспериментов:
— как проектировать A/B-тесты;
— какие статистические критерии выбирать;
— какие ошибки чаще всего допускают и как их избежать.
▪️Продвинутые методы:
— бутстрэп и доверительные интервалы;
— ускорение экспериментов с помощью CUPED;
— последовательный анализ на практике.
▪️Индустриальную практику:
— инструменты продуктовых команд: GrowthBook и аналоги;
— реальные кейсы из индустрии, включая опыт МТС.
Что в итоге:
Это один из тех блоков, после которого меняется сам подход к работе с ML-моделями. Вместо «кажется, стало лучше» вы сможете проектировать эксперименты, выбирать корректные статистические критерии, интерпретировать результаты и принимать решения на основе данных.
Новый блок по A/B-тестированию уже доступен в специализации «AI и анализ данных».
Переходите по ссылке, чтобы посмотреть полную программу, сравнить варианты подписки и выбрать подходящий формат обучения: https://mlinside.ru/specializaciya/?utm_source=telegram&utm_medium=social&utm_campaign=post_anons-blok-5
❤6🔥3
MLinside - школа ML
Метрики выросли. Код работает. Можно катить в прод? Если вы не можете ответить «да» с цифрами в руках – вы не закончили работу. Вы её только начали. Чтобы отвечать на этот вопрос уверенно, в специализации появился новый блок, посвящённый A/B-тестированию.…
This media is not supported in your browser
VIEW IN TELEGRAM
❤5🔥3
Ищем участника для открытого ML-собеседования
Если вы уже изучаете машинное обучение, но пока не работаете ML-инженером, приглашаем подать заявку.
Ищем человека с базовыми знаниями ML – не новичка с нуля, но и не действующего ML-инженера. Главное – желание получить честную обратную связь и не бояться разбирать свои ответы публично.
Если готовы поучаствовать, заполните форму: https://forms.yandex.ru/cloud/6a4b8211d04688001e046a73
Из всех заявок выберем одного участника и свяжемся с ним.
Если вы уже изучаете машинное обучение, но пока не работаете ML-инженером, приглашаем подать заявку.
Ищем человека с базовыми знаниями ML – не новичка с нуля, но и не действующего ML-инженера. Главное – желание получить честную обратную связь и не бояться разбирать свои ответы публично.
Если готовы поучаствовать, заполните форму: https://forms.yandex.ru/cloud/6a4b8211d04688001e046a73
Из всех заявок выберем одного участника и свяжемся с ним.
🔥4❤3
Как проходят собеседования на ML-позиции?
В следующий четверг приглашаем на открытое мок-собеседование с Александром Дубейковским.
В прямом эфире Александр проведет интервью с одним из участников нашего сообщества так, как это происходит на реальном собеседовании. Вместе разберем ответы кандидата, обсудим сильные стороны, типичные ошибки и то, на что действительно обращают внимание интервьюеры.
Этот вебинар будет полезен, если вы:
▪️готовитесь искать первую работу в ML;
▪️хотите понять, как проходят технические собеседования;
▪️интересуетесь тем, какие знания и навыки сегодня ожидают от ML-специалистов.
Когда: 16 июля в 19:00 МСК
Регистрация по ссылке: https://t.me/ml_insideBot?start=web160726
Даже если вы не будете проходить собеседование сами, такой формат позволяет увидеть процесс глазами кандидата и лучше подготовиться к собственным интервью.
В следующий четверг приглашаем на открытое мок-собеседование с Александром Дубейковским.
В прямом эфире Александр проведет интервью с одним из участников нашего сообщества так, как это происходит на реальном собеседовании. Вместе разберем ответы кандидата, обсудим сильные стороны, типичные ошибки и то, на что действительно обращают внимание интервьюеры.
Этот вебинар будет полезен, если вы:
▪️готовитесь искать первую работу в ML;
▪️хотите понять, как проходят технические собеседования;
▪️интересуетесь тем, какие знания и навыки сегодня ожидают от ML-специалистов.
Когда: 16 июля в 19:00 МСК
Регистрация по ссылке: https://t.me/ml_insideBot?start=web160726
Даже если вы не будете проходить собеседование сами, такой формат позволяет увидеть процесс глазами кандидата и лучше подготовиться к собственным интервью.
❤5
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
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
🔥7❤5😁5
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:
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
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
❤5👍2🔥2
Мы начинаем вебинар, подключайтесь: https://mlinside.getcourse.ru/pl/webinar/show?id=3304004&view=1
🔥3