MLinside - школа ML
4.09K subscribers
341 photos
31 videos
286 links
Запись на 1 поток курса по NLP: https://nlp.mlinside.ru/?utm_source=telegram&utm_medium=social&utm_campaign=tg_main
Наши курсы: https://taplink.cc/mlinside
Чат коммьюнити: @ml_insidechat
По вопросам: @marinagartm
Download Telegram
Please open Telegram to view this post
VIEW IN TELEGRAM
❤4
Как ChatGPT научился решать задачи, писать код и отвечать на вопросы практически на любую тему, если изначально его обучали предсказывать продолжение текста?

На первый взгляд между этими возможностями огромная разница. Однако именно предсказание следующего токена стало основой обучения языковых моделей. Работа с большими объёмами текстов позволила им освоить закономерности языка, связи между событиями и способы решения различных задач. Со временем к этому добавились новые методы обучения, механизмы рассуждения и внешние инструменты.

Хотите узнать больше? Переходите к нам на YouTube, в ВК или Дзен, там вышло видео, где Александр Дубейковский (ML Engineer в Авито, эксперт MLinside, ex-Яндекс) объясняет, как развивались GPT-модели, откуда у ChatGPT появились привычные нам возможности и какие направления дальнейшего развития выглядят наиболее перспективными.

Ссылки из видео:
Статья Attention Is All You Need
Статья Learning to reason with LLMs

Где посмотреть видео:
На YouTube: https://youtu.be/Cfx-qCM5s1c
В ВК: https://vkvideo.ru/video-228219607_456239348?list=f975eddff39ebfcaa3
На Дзен: https://dzen.ru/video/watch/6ae49d550c75c303c157ac17
❤6👍3🔥2
Это не ложная тревога, это новая задачка из нашей регулярной рубрики «ML в реальной жизни»

Мы продолжаем задавать 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 №8

Ситуация: модель работает, но её боятся использовать

Контекст:
Вы разработали модель для автоматического принятия решений (например, одобрение заявок). Точность высокая, тесты пройдены. Но конечные пользователи (менеджеры, операторы) не доверяют "чёрному ящику" и продолжают принимать решения вручную, игнорируя прогнозы.

Что будете делать в первую очередь?

Все посты этой рубрики можно будет посмотреть по тэгу: #риллайф_MLinside
Please open Telegram to view this post
VIEW IN TELEGRAM
С 2016 по 2022 год более 200 тысяч человек прошло через нашу с коллегами специализацию "Машинное обучение и анализ данных" на Coursera, выпущенную под брендом МФТИ и Яндекса

Максимально полезный контент и очень высокая доступность (подписка стоила 4999 рублей в месяц) сделали наши курсы практически стандартом в изучении Machine Learning на целых шесть лет.

Но с тех пор набор тем, которые нужно знать начинающему Data Scientist'у или ML-инженеру, существенно изменился. Поэтому мы с командой MLinside переосмыслили специализацию и выпустили ее новую версию, причем по той же цене, что и четыре года назад.

Список курсов мы подбирали очень внимательно, со всей заботой о том, чтобы изучивший все видеолекции и выполнивший все задания слушатель, смог построить карьеру в сфере AI.

Начинаем с пререквизитов и классического машинного обучения, далее знакомимся с глубоким обучением и особенно горячей сейчас темой AI-агентов. После переходим уже к суровым будням коммерческого применения AI: A/B тестам, MLOps и ML System Design.

А чтобы курсы не устаревали от того, как быстро развивается в наши дни AI, уже вышедшие курсы мы будем продолжать обновлять, а главное - дополнять.

Ближайшая аналогия здесь - основной сюжет и побочные квесты в компьютерных играх. Курсы мы выпускаем с тем набором материалов, которые составляют "основной сюжет", но с течением времени будет появляться все больше опциональных лекций и заданий ("побочных квестов").

Наша миссия - дать широкому кругу людей, интересующихся AI, доступ к курсам топового уровня. Материал курсов специализации довольно непростой: в основу всех курсов, кроме вводного, положены материалы занятий в сильнейших российских ВУЗах - МФТИ, МГУ, ВШЭ, ИТМО.

Здесь не будет обещаний, что "каждый может стать data scientist". Но тот, кто справится с материалом, сможет. Надеюсь, что наша специализация станет началом пути в AI и для вас.

Если у вас есть вопросы, задать их можно нашему менеджеру Марине @marinagartm

Посмотреть программу специализации и оплатить к ней доступ можно на сайте
❤6🔥3⚡1
Запускаем курс по NLP: от Transformer и RAG до проектирования LLM-систем

30 ноября у нас стартует обучение обработке естественного языка (NLP). Программа рассчитана на тех, кто уже знаком с Python и основами машинного обучения и хочет перейти от использования готовых языковых моделей к их дообучению и созданию собственных NLP-решений.

Чему вы научитесь на курсе:
▪️ Разбираться в архитектуре Transformer и принципах работы современных языковых моделей.
▪️ Дообучать LLM под конкретные задачи.
▪️ Разрабатывать RAG-системы с подключением внешних источников данных.
▪️ Настраивать инференс и проектировать архитектуру LLM-систем.

Как проходит обучение:
Программа рассчитана на 15 недель и включает 13 основных тем и 2 бонусных блока. Вас ждут записанные уроки, 9 живых вебинаров и домашние задания с обратной связью. В конце обучения вы выполните итоговый проект, который сможете добавить в портфолио.

Кто ведёт занятия:
Андрей Жогов — ML-инженер Сбера, преподаватель МФТИ.

Соавтор программы:
Виктор Кантор — основатель MLinside.

Старт — 30 ноября 2026 года.

Подробная программа, условия обучения и запись на курс — на сайте
❤6🔥5
Прикладной NLP. Делаем память как в ChatGPT

Как сделать так, чтобы AI-ассистент учитывал информацию из предыдущих разговоров, а не начинал каждый новый диалог с нуля? Расскажем на вебинаре 12 ноября в 19:00 МСК.

Спикер — Андрей Жогов, ML-инженер Сбера, преподаватель МФТИ.

О чём поговорим:
▪️ Зачем AI-ассистентам нужна память и как она помогает учитывать контекст прошлых разговоров.
▪️ Как устроены механизмы хранения и использования информации из предыдущих диалогов.
▪️ Как самостоятельно реализовать подобный механизм — разберём основные принципы на простых схемах.

Если останется время, Андрей дополнительно покажет пример кода и объяснит, как работает такая реализация.

📅 Дата и время: 12 ноября в 19:00 МСК

🔗 Регистрируйтесь на вебинар через бота: https://t.me/ml_insideBot?start=web121126

Задать вопрос Андрею Жогову о NLP и работе с LLM: https://forms.yandex.ru/cloud/6acf6a246d2d733bb6a5a917
❤1👍1🔥1
Please open Telegram to view this post
VIEW IN TELEGRAM
⚡3❤2👀1
Media is too big
VIEW IN TELEGRAM
Как устроено образование в одной из самых известных частных школ России? Чем российская информатика отличается от Computer Science? И как получается, что семиклассники создают роботов для научных исследований, а школьные проекты перерастают в настоящие стартапы?

Ответ на эти и многие другие вопросы ждут вас в подкасте с преподаватели школы «Летово», Олегом Голубевым, заведующим кафедрой IT и дизайна, и Артёмом Суховым, преподавателем физики и Computer Science.

Смотреть на YouTube: https://youtu.be/TizbwiV3cRc
Смотреть в ВК: https://vkvideo.ru/video-228219607_456239349
Смотреть на дзен: https://dzen.ru/video/watch/6aeddc12ea0d510c3b07ef80?share_to=link
❤4🔥3👌2
Please open Telegram to view this post
VIEW IN TELEGRAM
❤3👍3🔥1
🎯 Продолжаем разбор задач и вопросов с собеседований по ML-теории, математической статистике и python!

Давно не выпускали эту рубрику, поэтому напомним правила. Мы публикуем вопросы по машинному обучению и смежным темам, которые могут встретиться на собеседовании. В каждом выпуске — один вопрос с четырьмя вариантами ответа, из которых только один правильный.

Ваша задача — выбрать ответ в опросе. А если хотите получить больше пользы, напишите в комментариях, почему выбрали именно этот вариант.

Позже мы опубликуем правильный ответ с объяснением, чтобы вы могли сравнить его со своими рассуждениями.

Начнём с метрик классификации.

Представьте, что вы обучили модель на датасете, в котором 99% объектов относятся к одному классу и только 1% — к другому. Какая метрика будет наиболее информативной для оценки модели?

👇 Выбирайте вариант в опросе ниже. Позже опубликуем правильный ответ и объяснение.

#собеседования_MLinside
Please open Telegram to view this post
VIEW IN TELEGRAM
MLinside - школа ML
🎯 Разбираем вопрос из рубрики «Вопросы с технических собеседований»!

В прошлом посте мы предложили определить, какая метрика наиболее информативна для оценки модели классификации при сильном дисбалансе классов (99% к 1%).

Правильный ответ — Г) F1.

Объяснение: При сильном дисбалансе Accuracy вводит в заблуждение (модель, всегда предсказывающая мажоритарный класс, получит 99%). F1-мера балансирует между Precision и Recall. MSE и R-squared не являются стандартными метриками для классификации. На практике при дисбалансе также используют PR-AUC.

Удалось выбрать правильный вариант? Расскажите в комментариях, чем руководствовались при выборе ответа.

Скоро опубликуем следующий вопрос — будет ещё одна возможность проверить свои знания!

Все посты этой рубрики можно посмотреть по хэштегу #собеседования_MLinside
👍5
Как научить AI-ассистента помнить предыдущие разговоры?

Почему AI-ассистенты иногда забывают контекст прошлых диалогов и как устроить их память так, чтобы каждый новый разговор не начинался с нуля?

Уже завтра, 12 ноября в 19:00 МСК проведём открытый вебинар об устройстве памяти AI-ассистентов.

Спикер – Андрей Жогов, ML-инженер в Сбере, преподаватель МФТИ, соучредитель направления ‘Машинное Обучение’ в Летних Олимпиадных Школах МФТИ и преподаватель MLinside.

О чем поговорим на вебинаре:
• Зачем AI-ассистентам нужна память и как она помогает учитывать контекст прошлых разговоров.
• Как устроены механизмы хранения и использования информации из предыдущих диалогов.
• Как самостоятельно реализовать подобный механизм — на простых схемах и, если останется время, примере кода.

Зарегистрируйтесь в боте, чтобы получить напоминание о вебинаре. После встречи там же появится запись — её можно будет посмотреть, даже если не получится присоединиться онлайн.
❤2👍2🔥1
Live stream started
Live stream finished (1 hour)
Что нужно знать про NLP каждому, чтобы не было стыдно на собеседовании?

19 ноября в 19:00 МСК проведём вебинар с Виктором Кантором. А о том, чего ждать от встречи, лучше расскажет сам Виктор:

«Представьте, что вы уже сколько-то лет строили ML модели, возможно даже какие-то из них с сетками, но глубоко NLP на работе не занимались или занимались последний раз очень давно.

И вот вы идете на собеседование в 2026 или 2027 году, а весь мир уже несколько лет как поехал крышей по LLM-кам. Быть может, на новом месте вам опять предстоит анализировать таблички и строить классические модельки, но вот собеседующий спрашивает вас:

“ну хорошо, а про LLMки что можешь рассказать?”

И тут вы понимаете, что а рассказать-то и нечего! Заполняете неловкую паузу общими словами, которые сейчас расскажет любой нейроцыган в соцсетях, а собеседующий грустнеет и грустнеет. Неприятная картина, неправда ли?

На вебинаре мы обсудим, что поботать, чтобы не выглядеть бледно в этой ситуации :) А заодно поговорим о том, почему NLP это достаточно красиво и здорово, чтобы познакомиться с ним не только ради собеседования».

19 ноября, 19:00 МСК

Регистрация: https://t.me/ml_insideBot?start=web191126

А также, вы можете заранее написать свой вопрос и на вебинаре Виктор на него ответит. Форма для вопросов: https://forms.yandex.ru/cloud/6af5a5ac974ab23a82e6bf17
❤2🔥2😁1
Media is too big
VIEW IN TELEGRAM
У нас новый выпуск подкаста и в гостях Андрей Жогов!

Андрея вы уже могли видеть несколько дней назад на вебинаре по NLP и конечно же у нас на YouTube. Он ML-инженер в Сбере, преподаватель МФТИ и MLinside. На этот раз пригласили его на большой разговор о работе, карьере и будущем машинного обучения.

В выпуске:
— Почему первое собеседование Андрея в Сбер закончилось через 10 минут и как спустя полгода он всё-таки получил оффер.
— Как оценивают качество кодовых LLM и почему результаты некоторых моделей на бенчмарках могут вводить в заблуждение.
— Какие задачи стоит доверять ИИ, а где самостоятельная работа оказывается эффективнее.
— Как меняется профессия ML-инженера и что стоит учитывать тем, кто только начинает карьеру.

Также затронули преподавание, обучение NLP и перспективы собственных AI-проектов.

Полный выпуск смотрите на наших площадках:
YouTube: https://youtu.be/1nQU-Q-RX6I
ВК: https://vkvideo.ru/video-228219607_456239352
Дзен: https://dzen.ru/video/watch/6af6d44f6b72ee6e12a5300a
👍9❤4🔥3
Please open Telegram to view this post
VIEW IN TELEGRAM
❤3🔥1