MLinside - школа ML

🎯 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

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

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

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

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

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

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

Что нужно знать о специализации «Искусственный интеллект и анализ данных»? Мы собрали самые частые вопросы и ответили на них в карточках. А если вы давно хотели разобраться в ML и AI, сейчас – самое время, чтобы начать. Выбирайте интересующие модули, учитесь в своём темпе и закрепляйте знания на практике.

Как выстроить работу с AI-агентами в разработке? Мы готовим практический курс для разработчиков и техлидов, которые используют Claude Code, Cursor, Codex и другие инструменты. В программе — постановка задач, тестирование, безопасность, ревью и организация работы с агентами в команде. На практике участники соберут собственный harness на Python для запуска агента и проверки его работы. Преподаватели курса: ▪️ Дмитрий Полищук — руководитель отдела разработки WB Taxi, ранее делал СберАвтоТех и создавал Яндекс Go ▪️ Геннадий Евстратов — участник команды AI Marvel в Яндексе, занимается AI-assisted Software Development, более 30 лет в разработке. Запуск курса планируем через 2–3 месяца. До этого хотим собрать реальные кейсы для практических занятий. Расскажите, какие задачи поручаете AI-агентам, с какими проблемами сталкиваетесь и какие ситуации хотели бы разобрать на курсе. Всем, кто заполнит анкету, подарим промокод на скидку. Заполнить анкету и предложить свой кейс для разбора

Сегодня стартует курс «AI-агенты для продактов» 27 октября начинается первый поток нашего нового курса! Если вы хотели присоединиться, но не успели записаться до старта, ещё есть возможность попасть на обучение — набор открыт до 1 ноября. За 9 недель участники научатся собирать AI-агентов под реальные продуктовые задачи: ▪️Подготовку PRD, бизнес-требований и user stories. ▪️Исследование рынка, конкурентов и целевой аудитории. ▪️Анализ продуктовых метрик, воронок и обратной связи. ▪️Проверку гипотез и проработку продуктовой стратегии. ▪️Подготовку презентаций и защиту решений перед стейкхолдерами. В программе — 7 онлайн-занятий по 1,5 часа и бонусный вебинар. Преподаватели — практикующие специалисты из МТС, Avito, Typeform, Beeline Cloud и других компаний. На занятиях участники будут собирать рабочие AI-сценарии, а к концу курса объединят их в собственную систему агентов для продуктовой работы. Хотите делегировать рутину AI-агентам и освободить время для продуктовых решений? Оставьте заявку на участие до 1 ноября

Anthropic советует сворачивать субагентов в один цикл работы агента Команда прикладного ИИ Anthropic объяснила, когда вместо оркестратора с субагентами лучше один агент с навыками и инструментами, подключаемыми по мере необходимости. У крупных клиентов единый цикл часто выигрывал по качеству, а стоимость и время ответа были ниже. Именно поэтому там, где лишние звенья только добавляют задержку, Anthropic советует начинать с одного понятного системного промпта, четырёх-пяти простых инструментов доступа к данным и жёстких ограничений на выходные ответы. Качество всего сценария контролирует одна небольшая команда. Отказываться от субагентов не обязательно: они нужны, когда контекст раздувается и качество падает, задачи надо выполнять параллельно в отдельных контекстах или модель путается в выборе инструментов из-за противоречащих инструкций.

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. Девятнадцатая задача Что нужно сделать: Определить динамику роста цены на разные виды авокадо Что можно сделать: ▪️Для каждого из 3-ех видов авокадо построить график роста цены одной штуки ▪️Определить штаты в которых рост цен был максимальным для каждого из видов авокадо ▪️определить в каких штатах больше рос спрос на обычные авокадо, а в каких на органик (переменная type) 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

Cтоит ли сегодня тратить годы на изучение программирования, если значительную часть работы уже можно поручить ИИ? На YouTube, в ВК и Дзен у нас вышло видео, где Александр Дубейковский (ML Engineer в Авито, эксперт MLinside, ex-Яндекс) делится своим опытом работы с AI-агентами и рассказывает, чему он учился бы сегодня, если бы только начинал карьеру в IT. А еще, мы тестируем новые форматы видео, будем благодарны, если вы поделитесь своим мнением в комментариях тут или под видео. Смотрите на удобной для вас площадке: YouTube: https://youtu.be/b8Nwiasef50 ВК: https://vkvideo.ru/video-228219607_456239347?list=1f138720fc68ec6ccf Дзен: https://dzen.ru/video/watch/6adb5dd2e6b18e075b59ae55

Необязательно изучать все направления машинного обучения одинаково глубоко Аналитику может быть важнее статистика и A/B-тестирование, AI Engineer — работа с LLM и развёртывание моделей, а продуктовому менеджеру — оценка возможностей и стоимости AI-решений. В специализации «Искусственный интеллект и анализ данных» собраны модули для разных профессиональных задач. В карточках показали на четырёх примерах, какие разделы программы стоит изучить в зависимости от вашей работы. А посмотреть содержание всех доступных модулей можно на сайте