База ML или Специализация: какой путь в ML подойдет именно вам?
В ML можно двигаться по разным траекториям – и в MLinside мы как раз предлагаем два формата обучения: «База ML» и специализацию «Искусственный интеллект и анализ данных». Они частично пересекаются по темам, но рассчитаны на разные цели, уровень подготовки и формат обучения. Поэтому сегодня разберёмся, чем они отличаются и какой вариант подойдет именно вам.
Сайт курса База ML
Сайт Специализации "Искусственный интеллект и анализ данных"
В ML можно двигаться по разным траекториям – и в MLinside мы как раз предлагаем два формата обучения: «База ML» и специализацию «Искусственный интеллект и анализ данных». Они частично пересекаются по темам, но рассчитаны на разные цели, уровень подготовки и формат обучения. Поэтому сегодня разберёмся, чем они отличаются и какой вариант подойдет именно вам.
Сайт курса База ML
Сайт Специализации "Искусственный интеллект и анализ данных"
❤6👀2
Andrew Ng назвал 4 навыка, которые нужны AI-инженеру
14 августа Andrew Ng опубликовал в X свою AI Engineering Skills Map – карту навыков AI Engineering. Вместе с командой он проанализировал более 10 000 вакансий, провёл десятки интервью с AI-экспертами, hiring managers и рекрутерами, изучил данные опросов и другие источники, чтобы определить навыки, которые будут наиболее важны для разработчиков не только сегодня, но и в ближайшем будущем.
Andrew Ng – один из самых известных специалистов в области машинного обучения. Он преподаватель Стэнфорда, основатель Google Brain и DeepLearning.AI, сооснователь Coursera и бывший руководитель AI-направления Baidu. Его онлайн-курс по машинному обучению стал одним из первых массовых образовательных продуктов в этой области и помог сделать ML доступным для миллионов людей.
Мы перевели и собрали основные идеи его статьи:
Карта навыков AI Engineering
1. Создание и развёртывание AI-приложений
Главное отличие AI-приложений от традиционного ПО – непредсказуемость результатов. Когда мы отправляем запрос LLM, заранее неизвестно, какой ответ получим. То же самое касается моделей глубокого обучения: мы не знаем точно, какое предсказание модель сделает на новых данных.
Поэтому AI-инженеру недостаточно знать, как использовать LLM, RAG, context engineering или agentic workflows. Нужно уметь измерять, направлять и контролировать поведение AI-систем.
Ключевой навык здесь – выстраивать дисциплинированные циклы evals и error analysis, которые позволяют находить ошибки и постепенно улучшать систему.
2. Фундаментальные знания Software Engineering
AI-агенты не отменяют software engineering – наоборот, делают его ещё важнее.
Разработка ПО всегда связана с компромиссами между стоимостью, масштабируемостью, надёжностью, скоростью, безопасностью и приватностью. Понимание фундаментальных принципов помогает увидеть эти компромиссы и принимать более качественные решения при выборе стека, проектировании архитектуры, хранилищ данных и тестировании.
Andrew Ng отдельно отмечает проблему vibe coding: если разработчик не понимает основ software engineering, он не сможет эффективно направлять coding agent и оценивать решения, которые тот предлагает.
Чем лучше вы понимаете software engineering, тем точнее можете управлять AI-агентами.
3. Использование coding agents
Эффективная работа с coding agents становится ключевым навыком для каждого разработчика.
Важно понимать, как работают агенты, знать их ограничения и уметь выбирать, где дать им автономность, а где необходимо вмешаться.
Для этого нужно уметь управлять контекстом агента, находить баланс между планированием и выполнением, использовать verifiers и evals, работать с чёткими спецификациями и при необходимости координировать нескольких агентов.
При этом важно постоянно экспериментировать с новыми инструментами: agentic coding развивается настолько быстро, что лучшие практики регулярно меняются.
4. Определение того, что создавать
Если coding agent получает чёткую спецификацию, он всё лучше справляется с её реализацией. Поэтому роль инженера постепенно смещается от вопроса «как это реализовать?» к вопросу «что именно нужно создавать?»
Здесь на первый план выходят продуктовое мышление, понимание бизнес-контекста и целей клиентов.
AI даёт инженерам больше самостоятельности: можно самому находить проблемы и возможности, быстро создавать MVP и проверять идеи на пользователях. Но важно понимать, когда стоит двигаться быстро, а когда — остановиться и потратить больше времени на качественную реализацию.
Что объединяет все четыре навыка?
Постоянное обучение
AI продолжает быстро меняться, поэтому разработчикам приходится постоянно осваивать новые инструменты, подходы и best practices. Именно поэтому Andrew Ng считает, что AI Engineering – это не отдельная узкая специализация, а набор навыков, которые постепенно понадобятся всем разработчикам: от full-stack и data engineers до DevOps, ML и AI-инженеров.
А какой из этих навыков вы считаете самым важным сегодня?
14 августа Andrew Ng опубликовал в X свою AI Engineering Skills Map – карту навыков AI Engineering. Вместе с командой он проанализировал более 10 000 вакансий, провёл десятки интервью с AI-экспертами, hiring managers и рекрутерами, изучил данные опросов и другие источники, чтобы определить навыки, которые будут наиболее важны для разработчиков не только сегодня, но и в ближайшем будущем.
Andrew Ng – один из самых известных специалистов в области машинного обучения. Он преподаватель Стэнфорда, основатель Google Brain и DeepLearning.AI, сооснователь Coursera и бывший руководитель AI-направления Baidu. Его онлайн-курс по машинному обучению стал одним из первых массовых образовательных продуктов в этой области и помог сделать ML доступным для миллионов людей.
Мы перевели и собрали основные идеи его статьи:
Карта навыков AI Engineering
1. Создание и развёртывание AI-приложений
Главное отличие AI-приложений от традиционного ПО – непредсказуемость результатов. Когда мы отправляем запрос LLM, заранее неизвестно, какой ответ получим. То же самое касается моделей глубокого обучения: мы не знаем точно, какое предсказание модель сделает на новых данных.
Поэтому AI-инженеру недостаточно знать, как использовать LLM, RAG, context engineering или agentic workflows. Нужно уметь измерять, направлять и контролировать поведение AI-систем.
Ключевой навык здесь – выстраивать дисциплинированные циклы evals и error analysis, которые позволяют находить ошибки и постепенно улучшать систему.
2. Фундаментальные знания Software Engineering
AI-агенты не отменяют software engineering – наоборот, делают его ещё важнее.
Разработка ПО всегда связана с компромиссами между стоимостью, масштабируемостью, надёжностью, скоростью, безопасностью и приватностью. Понимание фундаментальных принципов помогает увидеть эти компромиссы и принимать более качественные решения при выборе стека, проектировании архитектуры, хранилищ данных и тестировании.
Andrew Ng отдельно отмечает проблему vibe coding: если разработчик не понимает основ software engineering, он не сможет эффективно направлять coding agent и оценивать решения, которые тот предлагает.
Чем лучше вы понимаете software engineering, тем точнее можете управлять AI-агентами.
3. Использование coding agents
Эффективная работа с coding agents становится ключевым навыком для каждого разработчика.
Важно понимать, как работают агенты, знать их ограничения и уметь выбирать, где дать им автономность, а где необходимо вмешаться.
Для этого нужно уметь управлять контекстом агента, находить баланс между планированием и выполнением, использовать verifiers и evals, работать с чёткими спецификациями и при необходимости координировать нескольких агентов.
При этом важно постоянно экспериментировать с новыми инструментами: agentic coding развивается настолько быстро, что лучшие практики регулярно меняются.
4. Определение того, что создавать
Если coding agent получает чёткую спецификацию, он всё лучше справляется с её реализацией. Поэтому роль инженера постепенно смещается от вопроса «как это реализовать?» к вопросу «что именно нужно создавать?»
Здесь на первый план выходят продуктовое мышление, понимание бизнес-контекста и целей клиентов.
AI даёт инженерам больше самостоятельности: можно самому находить проблемы и возможности, быстро создавать MVP и проверять идеи на пользователях. Но важно понимать, когда стоит двигаться быстро, а когда — остановиться и потратить больше времени на качественную реализацию.
Что объединяет все четыре навыка?
Постоянное обучение
AI продолжает быстро меняться, поэтому разработчикам приходится постоянно осваивать новые инструменты, подходы и best practices. Именно поэтому Andrew Ng считает, что AI Engineering – это не отдельная узкая специализация, а набор навыков, которые постепенно понадобятся всем разработчикам: от full-stack и data engineers до DevOps, ML и AI-инженеров.
А какой из этих навыков вы считаете самым важным сегодня?
🔥8👍4
ML Kata: разбираем главные вопросы
75 минут на задачу по ML System Design, случайная команда и незнакомый контекст. Такой формат закономерно вызывает вопросы у тех, кто участвует в таком формате впервые. Давайте разбираться:
▪️На кого рассчитана ML Kata?
Самое главное – ML Kata, это не экзамен для экспертов, которые знают всё наизусть. Для участия не нужно заранее готовиться именно к той задаче, которая вам достанется. И не обязательно перечитывать всю литературу по System Design.
Главное – уметь разобраться в задаче и применить свои знания на практике.
▪️А если я не работал с этим доменом?
Это нормально. Более того, именно работа с незнакомым контекстом – одна из полезных частей ML Kata. В работе легко оказаться в пузыре собственного опыта: если вы долго решаете похожие задачи, знакомые подходы начинают казаться универсальными.
На ML Kata сначала придётся разобраться в условиях задачи, а уже потом выбрать подход. Это возможность проверить, насколько вы умеете думать за пределами привычного контекста.
▪️Команду нужно собирать заранее?
Нет. Команды формируются на самой ML Kata. Вы окажетесь рядом с людьми с разным опытом и бэкграундом. Придётся быстро договориться о подходе, распределить роли и вместе собрать решение.
▪️А если в команде будут люди с разным уровнем опыта?
Это нормально и именно поэтому команды формируются случайно. У одного участника сильнее ML, у другого – архитектура, у третьего – декомпозиция, у четвёртого – коммуникация и презентация.
Задача команды – объединить эти компетенции в одно решение. Поэтому разный опыт участников становится частью тренировки, а не помехой.
▪️А если мы не успеем решить задачу за 75 минут?
Ограничение по времени – часть формата. За 75 минут важно определить главное, расставить приоритеты и понять, на каких компромиссах можно остановиться.
В незнакомой задаче легко начать искать знакомый ответ: «У *подставьте любую бигтех компанию* делают так – значит, и нам подойдёт». Но ML System Design не сводится к воспроизведению известных паттернов. Важно понять требования и ограничения именно этого кейса.
▪️Что я получу от участия?
ML Kata даёт возможность выйти за пределы привычного контекста и проверить, как вы принимаете решения, когда готового ответа перед вами нет.
А ещё – получить реальный опыт командной работы: вместе разобраться в задаче, договориться о подходе и защитить своё решение.
ML Kata — это возможность проверить, насколько хорошо вы умеете построить решение, когда готового ответа нет.
Следующая ML Kata уже скоро.
Бронируйте место и проверьте себя на практике вместе с Валерием Бабушкиным
75 минут на задачу по ML System Design, случайная команда и незнакомый контекст. Такой формат закономерно вызывает вопросы у тех, кто участвует в таком формате впервые. Давайте разбираться:
▪️На кого рассчитана ML Kata?
Самое главное – ML Kata, это не экзамен для экспертов, которые знают всё наизусть. Для участия не нужно заранее готовиться именно к той задаче, которая вам достанется. И не обязательно перечитывать всю литературу по System Design.
Главное – уметь разобраться в задаче и применить свои знания на практике.
▪️А если я не работал с этим доменом?
Это нормально. Более того, именно работа с незнакомым контекстом – одна из полезных частей ML Kata. В работе легко оказаться в пузыре собственного опыта: если вы долго решаете похожие задачи, знакомые подходы начинают казаться универсальными.
На ML Kata сначала придётся разобраться в условиях задачи, а уже потом выбрать подход. Это возможность проверить, насколько вы умеете думать за пределами привычного контекста.
▪️Команду нужно собирать заранее?
Нет. Команды формируются на самой ML Kata. Вы окажетесь рядом с людьми с разным опытом и бэкграундом. Придётся быстро договориться о подходе, распределить роли и вместе собрать решение.
▪️А если в команде будут люди с разным уровнем опыта?
Это нормально и именно поэтому команды формируются случайно. У одного участника сильнее ML, у другого – архитектура, у третьего – декомпозиция, у четвёртого – коммуникация и презентация.
Задача команды – объединить эти компетенции в одно решение. Поэтому разный опыт участников становится частью тренировки, а не помехой.
▪️А если мы не успеем решить задачу за 75 минут?
Ограничение по времени – часть формата. За 75 минут важно определить главное, расставить приоритеты и понять, на каких компромиссах можно остановиться.
В незнакомой задаче легко начать искать знакомый ответ: «У *подставьте любую бигтех компанию* делают так – значит, и нам подойдёт». Но ML System Design не сводится к воспроизведению известных паттернов. Важно понять требования и ограничения именно этого кейса.
▪️Что я получу от участия?
ML Kata даёт возможность выйти за пределы привычного контекста и проверить, как вы принимаете решения, когда готового ответа перед вами нет.
А ещё – получить реальный опыт командной работы: вместе разобраться в задаче, договориться о подходе и защитить своё решение.
ML Kata — это возможность проверить, насколько хорошо вы умеете построить решение, когда готового ответа нет.
Следующая ML Kata уже скоро.
Бронируйте место и проверьте себя на практике вместе с Валерием Бабушкиным
👍3❤2
Media is too big
VIEW IN TELEGRAM
Как построить карьеру в ML – и не потерять интерес к технической работе?
В новом подкасте Виктор Кантор разговаривает с Кириллом Малковым — Chief Data Scientist Россельхозбанка. За свою карьеру Кирилл успел поработать в Сбере, Билайне, Росбанке и МТС, а в 21 год стал Chief Data Scientist и вошёл в лонг-лист Forbes «30 до 30».
Поговорили о карьерном росте Кирилла – от Data Scientist до руководителя крупных команд – и о том, почему с ростом ответственности его всё сильнее тянет обратно к инженерной работе. А ещё обсудили, как ML приносит бизнесу сотни миллионов рублей, зачем компаниям GenAI, можно ли обойтись без машинного обучения и какую роль в карьерном успехе играет везение.
Кирилл также стал одним из авторов специализации MLinside по AI и анализу данных и подготовил для неё модуль по Deep Learning.
Полный выпуск уже на канале – смотрите подкаст и делитесь впечатлениями в комментариях.
Смотреть в ВК
Смотреть в Дзен
В новом подкасте Виктор Кантор разговаривает с Кириллом Малковым — Chief Data Scientist Россельхозбанка. За свою карьеру Кирилл успел поработать в Сбере, Билайне, Росбанке и МТС, а в 21 год стал Chief Data Scientist и вошёл в лонг-лист Forbes «30 до 30».
Поговорили о карьерном росте Кирилла – от Data Scientist до руководителя крупных команд – и о том, почему с ростом ответственности его всё сильнее тянет обратно к инженерной работе. А ещё обсудили, как ML приносит бизнесу сотни миллионов рублей, зачем компаниям GenAI, можно ли обойтись без машинного обучения и какую роль в карьерном успехе играет везение.
Кирилл также стал одним из авторов специализации MLinside по AI и анализу данных и подготовил для неё модуль по Deep Learning.
Полный выпуск уже на канале – смотрите подкаст и делитесь впечатлениями в комментариях.
Смотреть в ВК
Смотреть в Дзен
🔥5💯3
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.
Шестнадцатая задача
Что нужно сделать:
На основе исторических данных о космических миссиях с 1957 года посчитать статистики запусков по каждой площадке: количество запусков, стоимость, успешность миссий и другие показатели.
Как можно сделать:
▪️Определить компанию и страну с лучшими показателями успешности миссий;
▪️Определить время года с лучшей статистикой по успешным запускам;
▪️Определить какой космодром самый неудачный (наибольший процент неудач, наибольшая стоимость ракет которые потерпели неудачу).
Данные можно взять на Kaggle
Пример ноутбука (с случайными пропусками строк)
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.
Шестнадцатая задача
Что нужно сделать:
На основе исторических данных о космических миссиях с 1957 года посчитать статистики запусков по каждой площадке: количество запусков, стоимость, успешность миссий и другие показатели.
Как можно сделать:
▪️Определить компанию и страну с лучшими показателями успешности миссий;
▪️Определить время года с лучшей статистикой по успешным запускам;
▪️Определить какой космодром самый неудачный (наибольший процент неудач, наибольшая стоимость ракет которые потерпели неудачу).
Данные можно взять на Kaggle
Пример ноутбука (с случайными пропусками строк)
Готовы попробовать? Делитесь своими результатами в комментариях. А другие посты этой рубрики можно посмотреть по тэгу: #петпроект_MLinside
🔥7❤1
Roadmap онлайн-событий MLinside
В ближайшее время проведём два вебинара о том, как развиваться в ML в 2026 году – от изменений в работе ML-инженера до построения собственной карьерной траектории.
Нужен ли ML-инженер в эпоху GPT?
AI уже берёт на себя всё больше задач, которые раньше выполнял ML-инженер. Но значит ли это, что роль специалиста становится менее важной?
На вебинаре с Александром Дубейковским (ML Engineer в Авито, ex-Яндекс) разберём, как AI меняет работу ML-инженера, какие задачи уже можно делегировать нейросетям и какие навыки, наоборот, становятся важнее.
📅 3 сентября
🕖 19:00 МСК
[ЗАРЕГИСТРИРОВАТЬСЯ]
Как войти в ML и развиваться дальше: карьерный путь в 2026 году
Следующий вебинар – о том, как системно строить карьеру в ML: с чего начать, какое направление выбрать и как понять, что пора двигаться дальше.
Виктор Кантор разберёт, какие навыки нужны на разных этапах карьеры, что сегодня действительно важно работодателям и как не потеряться среди множества технологий и специализаций.
А ещё участники смогут заранее отправить свой вопрос и разобрать конкретную карьерную ситуацию Виктора в прямом эфире.
📅 8 сентября
🕖 19:00 МСК
[ЗАРЕГИСТРИРОВАТЬСЯ]
Выбирайте интересующую тему или приходите на оба – участие бесплатное.
В ближайшее время проведём два вебинара о том, как развиваться в ML в 2026 году – от изменений в работе ML-инженера до построения собственной карьерной траектории.
Нужен ли ML-инженер в эпоху GPT?
AI уже берёт на себя всё больше задач, которые раньше выполнял ML-инженер. Но значит ли это, что роль специалиста становится менее важной?
На вебинаре с Александром Дубейковским (ML Engineer в Авито, ex-Яндекс) разберём, как AI меняет работу ML-инженера, какие задачи уже можно делегировать нейросетям и какие навыки, наоборот, становятся важнее.
📅 3 сентября
🕖 19:00 МСК
[ЗАРЕГИСТРИРОВАТЬСЯ]
Как войти в ML и развиваться дальше: карьерный путь в 2026 году
Следующий вебинар – о том, как системно строить карьеру в ML: с чего начать, какое направление выбрать и как понять, что пора двигаться дальше.
Виктор Кантор разберёт, какие навыки нужны на разных этапах карьеры, что сегодня действительно важно работодателям и как не потеряться среди множества технологий и специализаций.
А ещё участники смогут заранее отправить свой вопрос и разобрать конкретную карьерную ситуацию Виктора в прямом эфире.
📅 8 сентября
🕖 19:00 МСК
[ЗАРЕГИСТРИРОВАТЬСЯ]
Выбирайте интересующую тему или приходите на оба – участие бесплатное.
❤8🔥1
Media is too big
VIEW IN TELEGRAM
Как найти работу в ML, если кажется, что рынок уже переполнен?
Во второй части подкаста Виктор Кантор продолжает разговор с Кириллом Малковым — Chief Data Scientist Россельхозбанка, который за карьеру успел поработать в Сбере, Билайне, Росбанке и МТС, а в 21 год стал руководителем и вошёл в лонг-лист Forbes «30 до 30».
На этот раз поговорили о том, как получить первую работу в ML, чем выделиться среди других кандидатов и почему одних знаний теории недостаточно. Кирилл рассказал, как получать практический опыт без работы, зачем нужны пет-проекты и на что обращать внимание при выборе образовательного курса.
А ещё разобрали реальные GenAI-кейсы в бизнесе: RAG, AI-агентов и вайб-кодинг. Поговорили о том, где такие технологии действительно приносят деньги, почему некоторые проекты оказываются экономически бессмысленными и что сейчас происходит с open source и LLM.
В финале Кирилл дал рекомендации тем, кто только планирует войти в AI, и тем, кто уже работает в индустрии: что изучать, как нарабатывать практику и как успевать за развитием технологий.
Кирилл также является одним из авторов специализации MLinside по AI и анализу данных и подготовил для неё модуль по Deep Learning.
Полный выпуск уже на канале – смотрите и делитесь впечатлениями в комментариях.
Смотреть в ВК
Смотреть в Дзен
Во второй части подкаста Виктор Кантор продолжает разговор с Кириллом Малковым — Chief Data Scientist Россельхозбанка, который за карьеру успел поработать в Сбере, Билайне, Росбанке и МТС, а в 21 год стал руководителем и вошёл в лонг-лист Forbes «30 до 30».
На этот раз поговорили о том, как получить первую работу в ML, чем выделиться среди других кандидатов и почему одних знаний теории недостаточно. Кирилл рассказал, как получать практический опыт без работы, зачем нужны пет-проекты и на что обращать внимание при выборе образовательного курса.
А ещё разобрали реальные GenAI-кейсы в бизнесе: RAG, AI-агентов и вайб-кодинг. Поговорили о том, где такие технологии действительно приносят деньги, почему некоторые проекты оказываются экономически бессмысленными и что сейчас происходит с open source и LLM.
В финале Кирилл дал рекомендации тем, кто только планирует войти в AI, и тем, кто уже работает в индустрии: что изучать, как нарабатывать практику и как успевать за развитием технологий.
Кирилл также является одним из авторов специализации MLinside по AI и анализу данных и подготовил для неё модуль по Deep Learning.
Полный выпуск уже на канале – смотрите и делитесь впечатлениями в комментариях.
Смотреть в ВК
Смотреть в Дзен
❤4🤔3🔥2👍1
Нужен ли ML-инженер в эпоху GPT?
AI уже умеет брать на себя всё больше ML-задач: писать код, помогать с моделями и реализовывать отдельные части ML-решений.
Но вместе с этим профессия не исчезает — меняется сама роль ML-инженера. Часть рутинной работы можно делегировать нейросетям, но инженер по-прежнему должен понимать, что именно строить, почему выбран этот подход, какие у него ограничения и насколько решение действительно подходит для задачи. Поэтому фундаментальные знания ML становятся ещё важнее.
Именно об этом и поговорим в четверг, 3 сентября в 19:00 на вебинаре с Александром Дубейковским (ML Engineer в Авито, ex-Яндекс).
О чём ещё поговорим на вебинаре:
▪️ какие задачи ML-инженера уже можно делегировать AI, а где всё ещё нужна экспертиза специалиста;
▪️ как изменились требования к ML-инженеру;
▪️ какие навыки становятся важнее, а какие — менее востребованными;
▪️ чему стоит учиться, чтобы оставаться востребованным в профессии.
Вебинар бесплатный – регистрируйтесь, чтобы разобраться, как изменилась работа ML-инженера в эпоху AI.
AI уже умеет брать на себя всё больше ML-задач: писать код, помогать с моделями и реализовывать отдельные части ML-решений.
Но вместе с этим профессия не исчезает — меняется сама роль ML-инженера. Часть рутинной работы можно делегировать нейросетям, но инженер по-прежнему должен понимать, что именно строить, почему выбран этот подход, какие у него ограничения и насколько решение действительно подходит для задачи. Поэтому фундаментальные знания ML становятся ещё важнее.
Именно об этом и поговорим в четверг, 3 сентября в 19:00 на вебинаре с Александром Дубейковским (ML Engineer в Авито, ex-Яндекс).
О чём ещё поговорим на вебинаре:
▪️ какие задачи ML-инженера уже можно делегировать AI, а где всё ещё нужна экспертиза специалиста;
▪️ как изменились требования к ML-инженеру;
▪️ какие навыки становятся важнее, а какие — менее востребованными;
▪️ чему стоит учиться, чтобы оставаться востребованным в профессии.
Вебинар бесплатный – регистрируйтесь, чтобы разобраться, как изменилась работа ML-инженера в эпоху AI.
❤4🔥1👀1
«Раньше понимания было просто 0» — опыт студента Специализации
На Специализации "Искуственный интеллект и анализ данных" учатся люди с разным опытом и разными целями: кто-то хочет сменить профессию, кто-то готовится к поиску работы, а кто-то переходит в ML из смежной области.**Карл Каллавус** – один из таких студентов. Сейчас он Frontend Tech Lead, до этого работал Fullstack-разработчиком, а теперь хочет постепенно перейти в ML/Data Science.
Мы задали Карлу несколько вопросов, чтобы на его примере показать, как может проходить такой переход и какую роль в нем играет обучение.
— Что ты сейчас умеешь или понимаешь такого, чего не мог в начале?
История Карла – пример постепенного перехода из разработки в ML: сначала разобраться в базе, понять, чего не хватает, попробовать знания на практике и двигаться дальше уже к трудоустройству.
Если вы тоже хотите развиваться в ML и перейти из своей текущей сферы в Data Science или Machine Learning, присоединяйтесь к обучению на специализации «Искусственный интеллект и анализ данных» от MLinside.
На Специализации "Искуственный интеллект и анализ данных" учатся люди с разным опытом и разными целями: кто-то хочет сменить профессию, кто-то готовится к поиску работы, а кто-то переходит в ML из смежной области.**Карл Каллавус** – один из таких студентов. Сейчас он Frontend Tech Lead, до этого работал Fullstack-разработчиком, а теперь хочет постепенно перейти в ML/Data Science.
Мы задали Карлу несколько вопросов, чтобы на его примере показать, как может проходить такой переход и какую роль в нем играет обучение.
— Что ты сейчас умеешь или понимаешь такого, чего не мог в начале?
Раньше понимания было просто 0, сейчас я четко понимаю чего мне не хватает и есть четкое направление куда двигаться. Это большой прогресс.
— Кому бы ты посоветовал проходить Специализацию? Что делать, если не хватает мотивации учиться самостоятельно без дедлайнов?
Всем кто владеет Русским языком, и кому это интересно/нужно.
Зарубежные курсы в этом плане отстают (я не нашел подобного места где собрано все).
Продолжать учиться, я не спешу, вначале пересматривал видео по 8 раз, была пара секций, где я застрял на пару недель, очень подробно разбирал дополнительные материалы. Тут просто надо продолжать
— Что бы ты хотел изменить или дополнить в программе?
В целом меня все устраивает, планирую рассматривать уже более глубокие специализации по мере приближения. Наверное из базового курса не хватает советов по трудоустройству, но не в плане резюме (хотя это важно), а скорее мок интервью и пониманию что именно готовить и как готовиться. Но пока еще много материала не пройдено, занимаюсь этим
Своё обучение Карл сравнивает с изучением английского:
Здесь у меня есть хорошая аналогия с тем, как, когда я учил английский, в какой-то момент я поехал за границу и начал кое-как общаться наконец-то на английском, да я не знал продвинутых форм и времен, и у меня был скудный словарный запас. Но я увидел результат учебы, меня понимали и я доносил свои мысли, и это меня еще больше замотировало, сейчас уже более 10 лет общаюсь по работе исключительно на английском, говорю бегло, читаю, вообщем, язык стал как родной.
По ML сейчас аналогичная фаза - я кое-как подтянул небольшую базу и с помощью kaggle получил первую валидацию результатов, планирую двигаться дальше, уже до уверенных результатов и трудоустройства.
История Карла – пример постепенного перехода из разработки в ML: сначала разобраться в базе, понять, чего не хватает, попробовать знания на практике и двигаться дальше уже к трудоустройству.
Если вы тоже хотите развиваться в ML и перейти из своей текущей сферы в Data Science или Machine Learning, присоединяйтесь к обучению на специализации «Искусственный интеллект и анализ данных» от MLinside.
❤6🔥4👌2
MLinside - школа ML
Нужен ли ML-инженер в эпоху GPT? AI уже умеет брать на себя всё больше ML-задач: писать код, помогать с моделями и реализовывать отдельные части ML-решений. Но вместе с этим профессия не исчезает — меняется сама роль ML-инженера. Часть рутинной работы можно…
Вебинар "Нужен ли ML-инженер в эпоху GPT?" уже начался, подключайтесь: https://www.youtube.com/live/Obuv2PixMho?si=_1itjoMdKKoSrfy4
YouTube
Нужен ли ML-инженер в эпоху GPT? (Live 03.09.2026)
Нужен ли ML-инженер в эпоху GPT?
AI уже умеет брать на себя всё больше ML-задач: писать код, помогать с моделями и реализовывать отдельные части ML-решений.
Но вместе с этим профессия не исчезает — меняется сама роль ML-инженера. Часть рутинной работы можно…
AI уже умеет брать на себя всё больше ML-задач: писать код, помогать с моделями и реализовывать отдельные части ML-решений.
Но вместе с этим профессия не исчезает — меняется сама роль ML-инженера. Часть рутинной работы можно…