MLinside - школа ML

Вебинар "Нужен ли ML-инженер в эпоху GPT?" уже начался, подключайтесь: https://youtube.com/live/pFZ_6nHbg9I?feature=share

«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?

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.

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.

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

Roadmap онлайн-событий MLinside В ближайшее время проведём два вебинара о том, как развиваться в ML в 2026 году – от изменений в работе ML-инженера до построения собственной карьерной траектории. Нужен ли ML-инженер в эпоху GPT? AI уже берёт на себя всё больше задач, которые раньше выполнял ML-инженер. Но значит ли это, что роль специалиста становится менее важной? На вебинаре с Александром Дубейковским (ML Engineer в Авито, ex-Яндекс) разберём, как AI меняет работу ML-инженера, какие задачи уже можно делегировать нейросетям и какие навыки, наоборот, становятся важнее. 📅 3 сентября 🕖 19:00 МСК [ЗАРЕГИСТРИРОВАТЬСЯ] Как войти в ML и развиваться дальше: карьерный путь в 2026 году Следующий вебинар – о том, как системно строить карьеру в ML: с чего начать, какое направление выбрать и как понять, что пора двигаться дальше. Виктор Кантор разберёт, какие навыки нужны на разных этапах карьеры, что сегодня действительно важно работодателям и как не потеряться среди множества технологий и специализаций. А ещё участники смогут заранее отправить свой вопрос и разобрать конкретную карьерную ситуацию Виктора в прямом эфире. 📅 8 сентября 🕖 19:00 МСК [ЗАРЕГИСТРИРОВАТЬСЯ] Выбирайте интересующую тему или приходите на оба – участие бесплатное.

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. Шестнадцатая задача Что нужно сделать: На основе исторических данных о космических миссиях с 1957 года посчитать статистики запусков по каждой площадке: количество запусков, стоимость, успешность миссий и другие показатели. Как можно сделать: ▪️Определить компанию и страну с лучшими показателями успешности миссий; ▪️Определить время года с лучшей статистикой по успешным запускам; ▪️Определить какой космодром самый неудачный (наибольший процент неудач, наибольшая стоимость ракет которые потерпели неудачу). 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

Как построить карьеру в ML – и не потерять интерес к технической работе? В новом подкасте Виктор Кантор разговаривает с Кириллом Малковым — Chief Data Scientist Россельхозбанка. За свою карьеру Кирилл успел поработать в Сбере, Билайне, Росбанке и МТС, а в 21 год стал Chief Data Scientist и вошёл в лонг-лист Forbes «30 до 30». Поговорили о карьерном росте Кирилла – от Data Scientist до руководителя крупных команд – и о том, почему с ростом ответственности его всё сильнее тянет обратно к инженерной работе. А ещё обсудили, как ML приносит бизнесу сотни миллионов рублей, зачем компаниям GenAI, можно ли обойтись без машинного обучения и какую роль в карьерном успехе играет везение. Кирилл также стал одним из авторов специализации MLinside по AI и анализу данных и подготовил для неё модуль по Deep Learning. Полный выпуск уже на канале – смотрите подкаст и делитесь впечатлениями в комментариях. Смотреть в ВК Смотреть в Дзен

ML Kata: разбираем главные вопросы 75 минут на задачу по ML System Design, случайная команда и незнакомый контекст. Такой формат закономерно вызывает вопросы у тех, кто участвует в таком формате впервые. Давайте разбираться: ▪️На кого рассчитана ML Kata? Самое главное – ML Kata, это не экзамен для экспертов, которые знают всё наизусть. Для участия не нужно заранее готовиться именно к той задаче, которая вам достанется. И не обязательно перечитывать всю литературу по System Design. Главное – уметь разобраться в задаче и применить свои знания на практике. ▪️А если я не работал с этим доменом? Это нормально. Более того, именно работа с незнакомым контекстом – одна из полезных частей ML Kata. В работе легко оказаться в пузыре собственного опыта: если вы долго решаете похожие задачи, знакомые подходы начинают казаться универсальными. На ML Kata сначала придётся разобраться в условиях задачи, а уже потом выбрать подход. Это возможность проверить, насколько вы умеете думать за пределами привычного контекста. ▪️Команду нужно собирать заранее? Нет. Команды формируются на самой ML Kata. Вы окажетесь рядом с людьми с разным опытом и бэкграундом. Придётся быстро договориться о подходе, распределить роли и вместе собрать решение. ▪️А если в команде будут люди с разным уровнем опыта? Это нормально и именно поэтому команды формируются случайно. У одного участника сильнее ML, у другого – архитектура, у третьего – декомпозиция, у четвёртого – коммуникация и презентация. Задача команды – объединить эти компетенции в одно решение. Поэтому разный опыт участников становится частью тренировки, а не помехой. А если мы не успеем решить задачу за 75 минут? Ограничение по времени – часть формата. За 75 минут важно определить главное, расставить приоритеты и понять, на каких компромиссах можно остановиться. В незнакомой задаче легко начать искать знакомый ответ: «У *подставьте любую бигтех компанию* делают так – значит, и нам подойдёт». Но ML System Design не сводится к воспроизведению известных паттернов. Важно понять требования и ограничения именно этого кейса. Что я получу от участия? ML Kata даёт возможность выйти за пределы привычного контекста и проверить, как вы принимаете решения, когда готового ответа перед вами нет. А ещё – получить реальный опыт командной работы: вместе разобраться в задаче, договориться о подходе и защитить своё решение. ML Kata — это возможность проверить, насколько хорошо вы умеете построить решение, когда готового ответа нет. Следующая ML Kata уже скоро. Бронируйте место и проверьте себя на практике вместе с Валерием Бабушкиным

Andrew Ng назвал 4 навыка, которые нужны AI-инженеру 14 августа Andrew Ng опубликовал в X свою AI Engineering Skills Map – карту навыков AI Engineering. Вместе с командой он проанализировал более 10 000 вакансий, провёл десятки интервью с AI-экспертами, hiring managers и рекрутерами, изучил данные опросов и другие источники, чтобы определить навыки, которые будут наиболее важны для разработчиков не только сегодня, но и в ближайшем будущем. Andrew Ng – один из самых известных специалистов в области машинного обучения. Он преподаватель Стэнфорда, основатель Google Brain и DeepLearning.AI, сооснователь Coursera и бывший руководитель AI-направления Baidu. Его онлайн-курс по машинному обучению стал одним из первых массовых образовательных продуктов в этой области и помог сделать ML доступным для миллионов людей. Мы перевели и собрали основные идеи его статьи: Карта навыков AI Engineering 1. Создание и развёртывание AI-приложений Главное отличие AI-приложений от традиционного ПО – непредсказуемость результатов. Когда мы отправляем запрос LLM, заранее неизвестно, какой ответ получим. То же самое касается моделей глубокого обучения: мы не знаем точно, какое предсказание модель сделает на новых данных. Поэтому AI-инженеру недостаточно знать, как использовать LLM, RAG, context engineering или agentic workflows. Нужно уметь измерять, направлять и контролировать поведение AI-систем. Ключевой навык здесь – выстраивать дисциплинированные циклы evals и error analysis, которые позволяют находить ошибки и постепенно улучшать систему. 2. Фундаментальные знания Software Engineering AI-агенты не отменяют software engineering – наоборот, делают его ещё важнее. Разработка ПО всегда связана с компромиссами между стоимостью, масштабируемостью, надёжностью, скоростью, безопасностью и приватностью. Понимание фундаментальных принципов помогает увидеть эти компромиссы и принимать более качественные решения при выборе стека, проектировании архитектуры, хранилищ данных и тестировании. Andrew Ng отдельно отмечает проблему vibe coding: если разработчик не понимает основ software engineering, он не сможет эффективно направлять coding agent и оценивать решения, которые тот предлагает. Чем лучше вы понимаете software engineering, тем точнее можете управлять AI-агентами. 3. Использование coding agents Эффективная работа с coding agents становится ключевым навыком для каждого разработчика. Важно понимать, как работают агенты, знать их ограничения и уметь выбирать, где дать им автономность, а где необходимо вмешаться. Для этого нужно уметь управлять контекстом агента, находить баланс между планированием и выполнением, использовать verifiers и evals, работать с чёткими спецификациями и при необходимости координировать нескольких агентов. При этом важно постоянно экспериментировать с новыми инструментами: agentic coding развивается настолько быстро, что лучшие практики регулярно меняются. 4. Определение того, что создавать Если coding agent получает чёткую спецификацию, он всё лучше справляется с её реализацией. Поэтому роль инженера постепенно смещается от вопроса «как это реализовать?» к вопросу «что именно нужно создавать?» Здесь на первый план выходят продуктовое мышление, понимание бизнес-контекста и целей клиентов. AI даёт инженерам больше самостоятельности: можно самому находить проблемы и возможности, быстро создавать MVP и проверять идеи на пользователях. Но важно понимать, когда стоит двигаться быстро, а когда — остановиться и потратить больше времени на качественную реализацию. Что объединяет все четыре навыка? Постоянное обучение AI продолжает быстро меняться, поэтому разработчикам приходится постоянно осваивать новые инструменты, подходы и best practices. Именно поэтому Andrew Ng считает, что AI Engineering – это не отдельная узкая специализация, а набор навыков, которые постепенно понадобятся всем разработчикам: от full-stack и data engineers до DevOps, ML и AI-инженеров. А какой из этих навыков вы считаете самым важным сегодня?

База ML или Специализация: какой путь в ML подойдет именно вам? В ML можно двигаться по разным траекториям – и в MLinside мы как раз предлагаем два формата обучения: «База ML» и специализацию «Искусственный интеллект и анализ данных». Они частично пересекаются по темам, но рассчитаны на разные цели, уровень подготовки и формат обучения. Поэтому сегодня разберёмся, чем они отличаются и какой вариант подойдет именно вам. Сайт курса База ML Сайт Специализации "Искусственный интеллект и анализ данных"

Почему одни ML-инженеры быстро растут, а другие годами стоят на месте? Не всегда дело в знаниях, алгоритмах или количестве пройденных курсов. У сильных инженеров есть рабочие привычки, которые со стороны могут казаться незначительными. Например, они не спешат писать код, умеют задавать «неудобные» вопросы и сначала ищут самый дешёвый способ проверить свою идею. Именно об этом наше новое видео, рекомендуем посмотреть, если еще не видели: Смотреть на YouTube: https://youtu.be/JAM51tM4H-g Смотреть в ВК: https://vkvideo.ru/video-228219607_456239283 Смотреть в Дзен: https://dzen.ru/video/watch/6a7ed73ab614466c3b104ab6

75 минут на решение, случайная команда и разбор реальной ML-задачи с Валерием Бабушкиным ML Kata – это возможность проверить, как вы справитесь с ML System Design в условиях, максимально приближенных к реальной работе. Следующая ML Kata уже скоро. Забронируйте место уже сейчас По всем вопросам пишите менеджеру: @marinagartm

Многие считают, что хороший ML-проект – это сложная модель, десятки алгоритмов и высокий скор на Kaggle... ...но на собеседовании такой проект может не вызвать ни одного вопроса. Гораздо важнее показать, что вы понимаете данные, умеете выбирать метрики, анализировать ошибки модели и строить воспроизводимый ML-пайплайн. Именно это отличает учебный ноутбук от проекта, который действительно работает как инженерное решение. Как вы поняли, на YouTube, в ВК и Дзен у нас вышло новое видео с Александром Дубейковским (ML Engineer в Авито, эксперт MLinside, ex-Яндекс), где он рассказывает, каким должен быть сильный ML-проект и почему на собеседованиях оценивают далеко не только качество модели. Кому будет полезно это видео • Тем, кто собирает первое ML-портфолио и хочет понимать, какие проекты действительно производят впечатление на работодателей. • Студентам и начинающим ML Engineer или Data Scientist, которые готовятся к стажировкам и собеседованиям. • Всем, кто уже умеет обучать модели, но хочет научиться оформлять проекты так, чтобы они демонстрировали инженерное мышление, а не просто знание библиотек. Нашли себя в этом списке? Смело переходите и смотрите видео: https://youtu.be/MB_Wv-kpP_U https://vkvideo.ru/video-228219607_456239277 https://dzen.ru/video/watch/6a75f6a08e808e0adff09cc7

Можно ли научиться проектировать ML-системы по лекциям? Можно понять принципы, но навык появляется только тогда, когда приходится принимать решения самому. Именно поэтому на ML Kata не будет формата «послушали спикера и разошлись». Вы получите реальную задачу, будете проектировать решение в команде, спорить, искать компромиссы и защищать свою архитектуру. Во время воркшопа команды сопровождает Валерий Бабушкин. Но его задача – не подсказывать правильный ответ. Он будет задавать вопросы, которые заставляют посмотреть на систему глубже: ▪️действительно ли вы решаете нужную проблему; ▪️не ушли ли в детали слишком рано; ▪️какие ограничения забыли учесть; ▪️где ваше решение может не сработать в реальном продукте. По сути, вы проходите тот же процесс, что и ML-команды в индустрии, только за несколько часов вместо недель обсуждений. Именно так и формируется насмотренность, которой невозможно научиться в теории. Если давно хотелось попробовать себя в роли ML System Designer и плюсом получить обратную связь от человека, который строил реальные ML-системы мирового уровня, – ML Kata для вас. Успейте занять место

Весь поиск Google держится на одном векторе Представьте таблицу с 500 столбцами. Где здесь сигнал, а где шум – глазами не увидеть. Это проклятие размерности, и с ним сталкивается каждый, кто открыл реальный датасет. Способ разобраться придумали больше ста лет назад. При линейном преобразовании почти все векторы меняют и длину, и направление. Почти все, но не собственные: они сохраняют направление и только сжимаются или растягиваются. Собственный вектор – это направление, а собственное значение λ – во сколько раз оно растянулось, то есть насколько оно важное. Звучит абстрактно, пока не увидишь, где это работает. ▪️ PCA Матрица ковариаций — это паспорт формы вашего облака данных. Её собственные векторы задают новые оси, вдоль которых разброс максимален, а λ показывает, насколько он велик. Берём две-три компоненты с наибольшими λ, остальные отбрасываем. Ровно это происходит, когда вы пишете PCA(n_components=10). ▪️ PageRank Та же математика, другие данные. Страница важна, если на неё ссылаются важные страницы. Определение рекурсивное, в лоб не посчитать. Google собрал все ссылки в интернете в огромную матрицу и стал искать вектор рейтингов, который после раунда голосования не меняется. Это и есть её собственный вектор, и это порядок выдачи в поиске. ▪️ Eigenfaces А самое неожиданное было в 90-х. Учёные прогнали через PCA базу фотографий и превратили главные компоненты обратно в картинки. Получились призрачные полупрозрачные лица: первое – усреднённое, следующие отвечали за ширину лица, очки, угол света. И любое лицо стало не набором из десятков тысяч пикселей, а коротким рецептом из коэффициентов. Одна идея – и сжатие данных, и ранжирование, и распознавание лиц. Чтобы её понять, не нужен мехмат: хватает базовых матриц и производных, но для специалиста именно здесь проходит граница «понимаю, что делаю». А вы уже сталкивались с PCA на практике?

Переобучать модель каждую неделю – не лучшая идея. Иногда это делает её только хуже Но если универсального расписания не существует, как понять, что модель действительно пора обновлять? Именно этот вопрос в реальных ML-проектах оказывается гораздо сложнее, чем кажется. И ответ на него дает Александр Дубейковский (ML Engineer в Авито, ex-Яндекс) в новом видео у нас на YouTube, в ВК и Дзен. Посмотрев видео, вы узнаете: ▪️почему модели начинают деградировать; ▪️чем отличаются Data Drift и Concept Drift; ▪️по каким сигналам команды понимают, что модель пора обновлять; ▪️почему слишком частое переобучение может навредить. Так что если хотите лучше разобраться в том, что происходит с ML-моделью после деплоя, этот выпуск точно стоит посмотреть. Смотреть на YouTube: https://youtu.be/HruY9DlvfO8 Смотреть в ВК: https://vk.ru/video-228219607_456239276 Смотреть в Дзене: https://dzen.ru/video/watch/6a6884e65ea2b41354e6c050 P.S. проводим A|B-тесты обложек, как думаете, какая лучше?

Если вы говорили себе: «После отпуска наконец займусь ML», – у нас для вас хорошие новости Лето – время отдыха, поездок и перезагрузки. А новые цели многие начинают реализовывать уже в конце августа, когда можно спокойно вернуться в привычный ритм. Поэтому мы решили начать пятый поток курса «База ML» 31 августа. Это время мы используем, чтобы финально подготовить курс к старту: актуализировать материалы, доработать практические задания и убедиться, что с первого занятия вы сможете полностью сосредоточиться на обучении. Для вас это тоже хорошая возможность подготовиться к старту без спешки. За ближайший месяц можно освежить Python или школьную математику, задать нам любые вопросы о курсе и выбрать формат обучения, который подойдет именно вам. А дальше мы проведем вас по всему пути – от базовых концепций машинного обучения до создания собственных моделей и понимания того, как ML применяется в реальных продуктах. Если вы давно хотели войти в машинное обучение, но все время откладывали старт, возможно, сейчас как раз тот самый момент. Старт пятого потока – 31 августа Заполните форму предзаписи: https://forms.yandex.ru/cloud/6a4275fe505690a71a0fead6 Подробнее о программе, формате обучения и тарифах на сайте

Как научиться быстро разбираться в новых задачах, договариваться с командой и защищать выбранное решение? Именно эти навыки отличают специалистов, которые уверенно работают над реальными проектами. Поэтому мы запускаем ML Kata – практический формат, где участники решают ML и System Design задачи в командах. Всё происходит максимально близко к рабочему процессу. Участники объединяются в команды по пять человек, получают задачу и за 75 минут должны разобраться в условиях, обсудить возможные подходы и подготовить решение. После этого каждая команда презентует свою работу, отвечает на вопросы жюри и получает обратную связь. В такой работе невозможно просто пересказать материал из курса или найти готовый ответ. Нужно анализировать ограничения, принимать архитектурные решения, аргументировать выбор моделей и технологий, распределять роли внутри команды и учитывать мнение коллег. ML Kata помогает развивать навыки, которые сложно получить на обычных лекциях: системное мышление, декомпозицию сложных задач, командную работу, умение защищать свои идеи и обсуждать технические решения. Если вам хочется попробовать себя в условиях, максимально приближенных к работе ML-команды, приходите на ML Kata. Стоимость участия 10 000 рублей Дата проведения пока на согласовании, но количество мест ограничено. Если хотите поучаствовать, вот страница оплаты: https://mlinside.ru/page156330066.html?utm_source=telegram&utm_medium=social&utm_campaign=anons_28_07_2026 Если у вас остались вопросы, напишите нашему менеджеру: t.me/marinagartm