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
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
Продолжаем нашу рубрику «ML в реальной жизни»

Мы всё также 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 №9

Ситуация: Вы нашли способ улучшить модель, но это нарушает процесс

Контекст:
Вы обнаружили, что если добавить один "нестандартный" источник данных (например, лог действий пользователя), качество модели заметно вырастет. Но этот источник не документирован, не проходит по регламенту безопасности, и его использование потребует согласований на месяцы.

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