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

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

«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.

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

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

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.

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

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.

Вебинар уже начался, подключайтесь!

https://mlinside.getcourse.ru/pl/webinar/show?id=3302056&view=1

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.

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

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

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

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