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…
Как войти в ML и развиваться дальше: карьерный путь в 2026 году
В ML можно войти разными путями – через аналитику, разработку, обучение или переход из другой технической области. Но после первых шагов возникает следующий вопрос: как выбрать направление развития и продолжать расти?
8 сентября в 19:00 МСК Виктор Кантор проведёт вебинар о карьерном пути в ML в 2026 году.
Разберём, как подойти к развитию карьеры системно:
▪️ с чего начать путь в ML и как выбрать направление;
▪️ какие навыки развивать на разных этапах карьеры;
▪️ как понять, что пора переходить на следующий уровень;
▪️ что сегодня действительно важно работодателям;
▪️ как не потеряться среди множества технологий и специализаций.
И главное – на вебинаре можно будет разобрать именно вашу ситуацию.
Заранее отправьте Виктору свой вопрос через форму – он разберёт вопросы участников в прямом эфире. Это может быть вопрос по конкретной карьерной ситуации, выбору направления, развитию навыков или вопрос о переходе на следующую позицию.
📅 8 сентября
🕖 19:00 МСК
Задайте свой вопрос Виктору заранее и приходите на разбор в прямом эфире.
Задать вопрос
Зарегистрироваться на вебинар
В ML можно войти разными путями – через аналитику, разработку, обучение или переход из другой технической области. Но после первых шагов возникает следующий вопрос: как выбрать направление развития и продолжать расти?
8 сентября в 19:00 МСК Виктор Кантор проведёт вебинар о карьерном пути в ML в 2026 году.
Разберём, как подойти к развитию карьеры системно:
▪️ с чего начать путь в ML и как выбрать направление;
▪️ какие навыки развивать на разных этапах карьеры;
▪️ как понять, что пора переходить на следующий уровень;
▪️ что сегодня действительно важно работодателям;
▪️ как не потеряться среди множества технологий и специализаций.
И главное – на вебинаре можно будет разобрать именно вашу ситуацию.
Заранее отправьте Виктору свой вопрос через форму – он разберёт вопросы участников в прямом эфире. Это может быть вопрос по конкретной карьерной ситуации, выбору направления, развитию навыков или вопрос о переходе на следующую позицию.
📅 8 сентября
🕖 19:00 МСК
Задайте свой вопрос Виктору заранее и приходите на разбор в прямом эфире.
Задать вопрос
Зарегистрироваться на вебинар
❤7👨💻4🔥1
Топ 5 ошибок, которые мешают ML-инженеру расти
№1 не посмотреть видео у нас на YouTube, в ВК или Дзен, где Александр Дубейковский (ML Engineer в Авито, эксперт MLinside, ex-Яндекс) разбирает ошибки, которые часто допускают начинающие ML-инженеры, и показывает, как они проявляются в реальной работе.
Потому что можно отлично разбираться в ML, знать десятки алгоритмов и уметь добиваться высоких метрик и при этом быть не самым эффективным ML-инженером.
А чтобы не допускать эти ошибки, велком, видео уже вышло на всех площадках.
Смотреть на YouTube
Смотреть в ВК
Смотреть на Дзен
№1 не посмотреть видео у нас на YouTube, в ВК или Дзен, где Александр Дубейковский (ML Engineer в Авито, эксперт MLinside, ex-Яндекс) разбирает ошибки, которые часто допускают начинающие ML-инженеры, и показывает, как они проявляются в реальной работе.
Потому что можно отлично разбираться в ML, знать десятки алгоритмов и уметь добиваться высоких метрик и при этом быть не самым эффективным ML-инженером.
А чтобы не допускать эти ошибки, велком, видео уже вышло на всех площадках.
Смотреть на YouTube
Смотреть в ВК
Смотреть на Дзен
Внимание-внимание, это рубрика «ML в реальной жизни» и у нас пятая 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, важно не просто выбрать вариант, а объяснить в комментариях:
— почему выбрали именно его
— что бы вы проверяли
— какие риски вы бы учитывали
Сегодня у нас ситуация №5:
Ситуация: метрики растут, а пользователи уходят
Контекст:
Вы обновили рекомендательную модель. Offline-метрики улучшились, A/B-тест показывает рост CTR. Но через неделю поддержка фиксирует волну жалоб: "Рекомендации стали однообразными", "Попадает не то". Бизнес в замешательстве: "Метрики же растут?"
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, важно не просто выбрать вариант, а объяснить в комментариях:
— почему выбрали именно его
— что бы вы проверяли
— какие риски вы бы учитывали
Сегодня у нас ситуация №5:
Ситуация: метрики растут, а пользователи уходят
Контекст:
Вы обновили рекомендательную модель. Offline-метрики улучшились, A/B-тест показывает рост CTR. Но через неделю поддержка фиксирует волну жалоб: "Рекомендации стали однообразными", "Попадает не то". Бизнес в замешательстве: "Метрики же растут?"
Что будете делать в первую очередь?
Все посты этой рубрики можно будет посмотреть по тэгу: #риллайф_MLinside
❤3
Завтра в 19:00 МСК встречаемся на вебинаре с Виктором Кантором о карьерном пути в ML в 2026 году.
В кружке выше Виктор рассказывает, что будет на эфире👆
А ещё можно заранее отправить свой вопрос — Виктор разберёт вопросы участников в прямом эфире.
Задать вопрос
Зарегистрироваться на вебинар
В кружке выше Виктор рассказывает, что будет на эфире👆
А ещё можно заранее отправить свой вопрос — Виктор разберёт вопросы участников в прямом эфире.
Задать вопрос
Зарегистрироваться на вебинар
🔥3👏2
Media is too big
VIEW IN TELEGRAM
Хорошее решение – не обязательно идеальное
В System Design почти никогда не бывает варианта, который закрывает все вопросы сразу. Одно решение может быть проще, другое – дешевле, третье – лучше масштабироваться. Важно понимать компромиссы и уметь объяснить, почему команда остановилась именно на своём варианте.
На ML Kata как раз приходится проходить этот путь: обсудить подходы, найти слабые места, договориться о решении и проверить его на неудобных вопросах.
В ролике – фрагмент с прошлой ML Kata, где команда как раз столкнулась с таким противоречием.
Следующая ML Kata уже скоро.
Если хотите попробовать себя в таком формате – успейте забронировать место
По вопросам участия: @marinagartm
В System Design почти никогда не бывает варианта, который закрывает все вопросы сразу. Одно решение может быть проще, другое – дешевле, третье – лучше масштабироваться. Важно понимать компромиссы и уметь объяснить, почему команда остановилась именно на своём варианте.
На ML Kata как раз приходится проходить этот путь: обсудить подходы, найти слабые места, договориться о решении и проверить его на неудобных вопросах.
В ролике – фрагмент с прошлой ML Kata, где команда как раз столкнулась с таким противоречием.
Следующая ML Kata уже скоро.
Если хотите попробовать себя в таком формате – успейте забронировать место
По вопросам участия: @marinagartm
Модель стала точнее на 1% – значит, система стала лучше?
В реальном ML-проекте более точная модель может оказаться слишком медленной, требовать в несколько раз больше GPU или сделать инфраструктуру настолько дорогой, что её улучшение просто не окупится.
У нас на YouTube, в ВК и Дзен вышло видео, где Александр Дубейковский (ML Engineer в Авито, эксперт MLinside, ex-Яндекс) разбирает, как оценивать производительность ML-систем и почему в продакшене важны не только метрики качества модели, но и **latency, RPS, CPU, GPU, память и стоимость инференса.
А в конце на примере рекомендательной системы уровня VK Видео разбираем, сколько примерно может стоить реальная ML-система: от серверов для инференса и хранения данных до инфраструктуры и команды. Ответ наверняка вас удивит.
Смотреть на YouTube
Смотреть в ВК
Смотреть в Дзен
В реальном ML-проекте более точная модель может оказаться слишком медленной, требовать в несколько раз больше GPU или сделать инфраструктуру настолько дорогой, что её улучшение просто не окупится.
У нас на YouTube, в ВК и Дзен вышло видео, где Александр Дубейковский (ML Engineer в Авито, эксперт MLinside, ex-Яндекс) разбирает, как оценивать производительность ML-систем и почему в продакшене важны не только метрики качества модели, но и **latency, RPS, CPU, GPU, память и стоимость инференса.
А в конце на примере рекомендательной системы уровня VK Видео разбираем, сколько примерно может стоить реальная ML-система: от серверов для инференса и хранения данных до инфраструктуры и команды. Ответ наверняка вас удивит.
Смотреть на YouTube
Смотреть в ВК
Смотреть в Дзен
👍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.
Семнадцатая задача
Что нужно сделать:
Определить самых успешных игроков и колледжи где чаще всего появляются успешные игроки и посмотреть как это менялось с временем, сделать модель для предсказания рейтинга игрока
Как можно сделать:
▪️Сделать модель предсказания рейтинга игрока, посмотреть на каких местах по важности у модели рост и вес;
▪️Определить самые перспективные колледжи для поступления школьнику который хочет выступать в NBA;
▪️Определить по 3 самых успешных игрока для каждого года рождения, посчитать их зарплату, узнать для какого года рождения сумма зарплаты топ 3 самая большая.
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.
Семнадцатая задача
Что нужно сделать:
Определить самых успешных игроков и колледжи где чаще всего появляются успешные игроки и посмотреть как это менялось с временем, сделать модель для предсказания рейтинга игрока
Как можно сделать:
▪️Сделать модель предсказания рейтинга игрока, посмотреть на каких местах по важности у модели рост и вес;
▪️Определить самые перспективные колледжи для поступления школьнику который хочет выступать в NBA;
▪️Определить по 3 самых успешных игрока для каждого года рождения, посчитать их зарплату, узнать для какого года рождения сумма зарплаты топ 3 самая большая.
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
Forwarded from Kantor.AI
Из аналитики и разработки в ML + куда расти дальше
Я хорошо помню, как DSом мучался выбором: идти или не идти в CV (когда была такая опция), рваться ли в NLPшные проекты, продолжать делать рекомендательные системы или же больше перспектив для быстрого карьерного роста будет, например, в классической предиктивной аналитике с прогнозированием спроса или оттока. Всегда очень хочется не прогадать, куда инвестировать следующие несколько лет своей жизни. Сейчас еще тяжелее: есть несколько захайпленых тем у всех на слуху, а как за ними разглядеть свое собственное будущее - непонятно.
Если вы только переходите в ML из аналитики или разработки, то разбираться надо еще и в том, что из вашего опыта уже полезно, в чём лучше "забыть все что знал раньше", а чего совсем не хватает, и как это добирать.
21 сентября в 19:00 МСК я проведу об этом закрытый вебинар для комьюнити нашей специализации по ИИ и анализу данных.
Поговорим, как переходить в ML из разработки и аналитики, чего обычно не хватает на собеседованиях и куда расти после Classic ML: RecSys, поиск, CV, NLP/LLM, антифрод, а также research, продуктовый ML, ML-инженерия и карьера лида.
Ключевой вопрос вебинара: "куда вложить следующие несколько лет карьеры, чтобы потом не загрызло FOMO?".
И отдельно поотвечаю на карьерные вопросы слушателей.
21 сентября, 19:00 МСК
Вебинар только для студентов специализации. Если ещё не с нами — присоединиться к специализации можно по ссылке.
Для тех, кто уже учился в MLinside или на Специализации МФТИ и Яндекса на Курсере, заполняйте форму, дадим промокод со скидкой❤️
Я хорошо помню, как DSом мучался выбором: идти или не идти в CV (когда была такая опция), рваться ли в NLPшные проекты, продолжать делать рекомендательные системы или же больше перспектив для быстрого карьерного роста будет, например, в классической предиктивной аналитике с прогнозированием спроса или оттока. Всегда очень хочется не прогадать, куда инвестировать следующие несколько лет своей жизни. Сейчас еще тяжелее: есть несколько захайпленых тем у всех на слуху, а как за ними разглядеть свое собственное будущее - непонятно.
Если вы только переходите в ML из аналитики или разработки, то разбираться надо еще и в том, что из вашего опыта уже полезно, в чём лучше "забыть все что знал раньше", а чего совсем не хватает, и как это добирать.
21 сентября в 19:00 МСК я проведу об этом закрытый вебинар для комьюнити нашей специализации по ИИ и анализу данных.
Поговорим, как переходить в ML из разработки и аналитики, чего обычно не хватает на собеседованиях и куда расти после Classic ML: RecSys, поиск, CV, NLP/LLM, антифрод, а также research, продуктовый ML, ML-инженерия и карьера лида.
Ключевой вопрос вебинара: "куда вложить следующие несколько лет карьеры, чтобы потом не загрызло FOMO?".
И отдельно поотвечаю на карьерные вопросы слушателей.
21 сентября, 19:00 МСК
Вебинар только для студентов специализации. Если ещё не с нами — присоединиться к специализации можно по ссылке.
Для тех, кто уже учился в MLinside или на Специализации МФТИ и Яндекса на Курсере, заполняйте форму, дадим промокод со скидкой
Please open Telegram to view this post
VIEW IN TELEGRAM
mlinside.ru
Специализация "Искусственный интеллект и анализ данных"
❤5
Media is too big
VIEW IN TELEGRAM
Александр Поваров — золотой медалист международной олимпиады школьников по искусственному интеллекту, выпускник Летово и студент первого курса. В ML пришёл ещё в школе, а в 2026 году выиграл золото Межнара — международной олимпиады по ИИ.
На YouTube у нас вышел подкаст с Александром, где мы говорим об олимпиадах, поступлении и начале карьеры в ML.
Как устроен Межнар и сколько нужно готовиться, чтобы до него дойти? Почему Александр выбрал олимпиаду по искусственному интеллекту, хотя раньше занимался информатикой? И почему даже 310 баллов на ЕГЭ не всегда гарантируют поступление?
Ответы в выпуске: https://youtu.be/StQ_voqWqLM
На YouTube у нас вышел подкаст с Александром, где мы говорим об олимпиадах, поступлении и начале карьеры в ML.
Как устроен Межнар и сколько нужно готовиться, чтобы до него дойти? Почему Александр выбрал олимпиаду по искусственному интеллекту, хотя раньше занимался информатикой? И почему даже 310 баллов на ЕГЭ не всегда гарантируют поступление?
Ответы в выпуске: https://youtu.be/StQ_voqWqLM
❤10👍2🔥2