Подборка полезных ресурсов для ML-инженера

Рассказываем, какие русскоязычные курсы, учебники и сообщества помогут ML-инженеру развиваться в профессии или даже войти в неё с нуля.

Онлайн-учебник по машинному обучению от Школы анализа данных — учебник для тех, кто не боится математики и хочет разобраться в технологиях ML. Вы изучите классическую теорию и тонкости реализации алгоритмов, пройдя путь от основ машинного обучения до тем, которые поднимаются в свежих научных статьях.

Прикладная математика для машинного обучения — онлайн-курс от преподавателей МГУ для желающих подтянуть математику. Программа последовательно разбирает методы, на которых строится машинное обучение и модели нейронных сетей. Подходит начинающим ML-инженерам без математического бэкграунда.

Машинное обучение в биологии — машинное обучение используется в самых разных областях — от банковской сферы до прогнозирования заболеваний. Этот курс поможет применить уже имеющиеся знания ML-инжиниринга в биологии и отработать навыки на реальных задачах.

Машинное обучение в физике — ещё один курс-погружение в специфическую область — в этой программе акцент сделан на решение задач, возникающих при работе с данными в физике, с учётом их характерных свойств и особенностей.

Машинное обучение. Портфолио реальных проектов — книга, в которой собраны практические проекты, связанные с конкретными бизнес-задачами из разных индустрий. Помогает понять, в каких сценариях используется машинное обучение, и погрузиться в ключевые концепции через практику.

Промт-инжиниринг для GenAI. Паттерны надежных запросов для качественных результатов — книга для тех, кто хочет научиться получать максимум от GPT и других LLM-моделей. Пригодится как в ML-инжиниринге, так и в решении профессиональных задач в других сферах.

Сообщество ML-инженеров Open Data Science — крупнейшее сообщество в России. Вы сможете посещать мероприятия, искать вакансии в сфере, присоединяться к проектам и проходить курсы, а когда наберётесь опыта — участвовать в соревнованиях (часто с хорошими денежными призами).

Сохраняйте, чтобы не потерять 🖤

Аналитику данных: полезные ссылки для погружения в бизнес и продукт

Делимся материалами, которые помогут погрузиться в контекст бизнеса, узнать, с какими метриками работают аналитики, и научиться рассчитывать эти показатели с помощью Python.

Data-Driven в компании: что это, как принимаются решения и в чём заключается суть подхода. Статья рассказывает, как управлять компанией на основе данных, в чём заключаются принципы подхода и как построить пошаговый план по внедрению метода в работу.

Продуктовая аналитика: инструменты. Видеолекция продуктового менеджера Дмитрия Животворева о продуктовой аналитике, её основных инструментах и сложностях их применения. Материал подходит для неподготовленного слушателя.

Метрики продукта: как оценить эффективность бизнеса. Статья с кратким экскурсом по CTR, LTV, ARPU и другим метрикам продукта, дашбордам и фреймворкам для анализа показателей бизнеса. Не даст ответы на все вопросы, но станет шпаргалкой для новичков и подскажет, куда копать, чтобы разобраться.

Что такое хорошая конверсия в активацию. Бенчмарки и советы на основе более 500 продуктов. Перевод одноимённого материала инвестора и бывшего продакт-менеджера Airbnb Ленни Рачицки — о том, что такое момент активации, каким он может быть и как на основе этого показателя считать успешность продукта или бизнеса.

Thinking Face. Научный подход к аналитике и маркетингу. Телеграм-канал, который поможет расширить кругозор в маркетинге и продуктовой аналитике. Большинство постов — рекомендации в формате карточек с объяснениями и результатами подтверждающих исследований.

Diligence at Social Capital. Англоязычный материал в шести частях от эксперта венчурной компании Social Capital Джонатана Хсу. Внутри много формул и графиков, детально раскрывающих тонкости работы с продуктовыми метриками.

Calculating customer lifetime value: A Python solution. Статья на английском с разбором LTV — метрики, обозначающей пожизненную ценность клиента (сколько денег принёс пользователь за всё время, что он покупает продукцию). Также в материале — код программы на Python, который помогает считать LTV на основе маржи, ежемесячного дохода и других показателей.

Customer Lifetime Value. Ещё более глубокое погружение в LTV, без теории, но с большим количеством фрагментов готового кода на Python для автоматизации вычислений. Сайт может не работать с российского IP.