MLinside - школа ML

«Кажется, я слишком поздно начал изучать ML» Это одна из самых частых фраз, которые мы слышим от новых студентов. Кто-то откладывал обучение несколько лет. Кто-то думал, что без сильной математики в машинном обучении делать нечего. Кто-то смотрел на вакансии и был уверен, что индустрия уже переполнена специалистами. Но каждый новый поток показывает одно и то же: в ML приходят люди с очень разным опытом и стартовыми знаниями. Аналитики, разработчики, инженеры, менеджеры и даже те, кто раньше вообще не работал с данными. Главное не то, когда вы начали, а то насколько системно вы учитесь. И мы рады сообщить, что открываем набор на 5 поток курса «База ML». Это курс для тех, кто хочет разобраться в машинном обучении последовательно и без бесконечных пробелов в знаниях. От основ Python и математики до построения собственных моделей и понимания того, как ML применяется в реальных продуктах. За время обучения вы: ▪️освоите ключевые алгоритмы машинного обучения; ▪️научитесь работать с данными и строить модели на Python; ▪️разберетесь в метриках и оценке качества моделей; ▪️познакомитесь с нейронными сетями; ▪️поймете, как устроены современные ML-системы; ▪️выполните практические задания и соберете проект для портфолио. В 5 потоке мы также усилили программу темами, которые сегодня активно используются в индустрии: -применение AI-инструментов в работе ML-специалиста; -основы ML System Design; -разбор реальных бизнес-кейсов; -больше практики и поддержки от кураторов. Мы не обещаем, что путь будет простым. Машинное обучение требует времени, практики и настойчивости. Но если вы давно хотели разобраться в ML и не знали, с чего начать, сейчас хороший момент сделать первый шаг. Набор на 5 поток уже открыт, заполните форму для предзаписи: https://forms.yandex.ru/cloud/6a4275fe505690a71a0fead6 Подробности о программе, формате обучения и тарифах на сайте: https://mlinside.ru/?utm_source=telegram&utm_medium=social&utm_campaign=anons_29_06_2026 А если у вас есть вопросы о курсе, задавайте их в комментариях. Постараемся ответить на каждый.

«Кажется, я слишком поздно начал изучать ML»

Это одна из самых частых фраз, которые мы слышим от новых студентов. Кто-то откладывал обучение несколько лет. Кто-то думал, что без сильной математики в машинном обучении делать нечего. Кто-то смотрел на вакансии и был уверен, что индустрия уже переполнена специалистами. Но каждый новый поток показывает одно и то же: в ML приходят люди с очень разным опытом и стартовыми знаниями. Аналитики, разработчики, инженеры, менеджеры и даже те, кто раньше вообще не работал с данными. Главное не то, когда вы начали, а то насколько системно вы учитесь. И мы рады сообщить, что открываем набор на 5 поток курса «База ML». Это курс для тех, кто хочет разобраться в машинном обучении последовательно и без бесконечных пробелов в знаниях. От основ Python и математики до построения собственных моделей и понимания того, как ML применяется в реальных продуктах. За время обучения вы: ▪️освоите ключевые алгоритмы машинного обучения; ▪️научитесь работать с данными и строить модели на Python; ▪️разберетесь в метриках и оценке качества моделей; ▪️познакомитесь с нейронными сетями; ▪️поймете, как устроены современные ML-системы; ▪️выполните практические задания и соберете проект для портфолио. В 5 потоке мы также усилили программу темами, которые сегодня активно используются в индустрии: -применение AI-инструментов в работе ML-специалиста; -основы ML System Design; -разбор реальных бизнес-кейсов; -больше практики и поддержки от кураторов. Мы не обещаем, что путь будет простым. Машинное обучение требует времени, практики и настойчивости. Но если вы давно хотели разобраться в ML и не знали, с чего начать, сейчас хороший момент сделать первый шаг. Набор на 5 поток уже открыт, заполните форму для предзаписи: https://forms.yandex.ru/cloud/6a4275fe505690a71a0fead6 Подробности о программе, формате обучения и тарифах на сайте: https://mlinside.ru/?utm_source=telegram&utm_medium=social&utm_campaign=anons_29_06_2026 А если у вас есть вопросы о курсе, задавайте их в комментариях. Постараемся ответить на каждый.

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. Пятнадцатая задача Что нужно сделать: По различным параметрам и результатом анализов женщины определить есть у нее диабет или нет Как можно сделать: ▪️Построить confusion matrix для нескольких признаков, посмотреть есть ли между ними зависимость или нет ▪️Обучить классификаторы на данных ▪️Посмотреть на важность признаков, если некоторые зависят друг от друга и важны, то попробовать их как-то разделить и обучить классификатор снова ▪️или сделать что-то другое Данные можно взять на Kaggle: https://www.kaggle.com/datasets/uciml/pima-indians-diabetes-database Пример ноутбука (с случайными пропусками строк): https://colab.research.google.com/drive/1NZXRFcxHAR-RABH7cEplpUd4wX67dibw?usp=sharing Готовы попробовать? Делитесь своими результатами в комментариях. А другие посты этой рубрики можно посмотреть по тэгу: #петпроект_MLinside

Кажется, что к собеседованию по ML нужно заново выучить всю математику? На практике это не так. Большинство математических вопросов на интервью связаны не со сложными доказательствами и выводами формул, а с пониманием того, как работают модели, метрики и эксперименты. У нас на YouTube, в ВК и Дзен вышло видео, где Александр Дубейковский (ML Engineer в Avito, ex-Yandex, эксперт MLinside) расскажет, какие математические темы чаще всего встречаются на ML-собеседованиях, как быстро восстановить знания перед интервью и почему решение задач работает намного лучше, чем чтение учебников в последний момент. Кому будет полезно это видео: ▪️Тем, кто готовится к ML-собеседованиям ▪️Junior и Middle ML-инженерам ▪️Data Scientists ▪️Студентам, ищущим первую работу в ML ▪️Всем, кто давно не открывал математику и хочет быстро освежить знания Нашли себя в этом списке? Тогда велком на удобную площадку: https://youtu.be/LQif1TY84s0?is=PyaQPNF08kmPMe9w https://vkvideo.ru/video-228219607_456239242 https://dzen.ru/video/watch/6a3d7bbb2dd9ef51bfaa2a60?share_to=link

Это рубрика «ML в реальной жизни» и у нас третья задача Мы продолжаем нашу рубрику, где 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, в комментариях важно не просто выбрать вариант, а объяснить: — почему выбрали именно его — что бы вы проверяли — какие риски вы бы учитывали Сегодня у нас ситуация №3: Ситуация: Модель молча сломалась Контекст: Модель в продакшене перестала обновлять прогнозы. Логи в норме, ошибок нет, пайплайн "зелёный". Но свежие предсказания не появляются. Вы подозреваете тихий сбой: завис джоб, кончилось место, изменился формат входных данных – но где именно, непонятно. Варианты действий: Что будете делать в первую очередь? Все посты этой рубрики можно будет посмотреть по тэгу: #риллайф_MLinside

А у нас там подкаст вышел, видели? Если вдруг нет, то заходите на YouTube, в ВК или Дзен, там увидите подкаст Виктора Кантора и Татьяны Гайнцевой – AI Researcher и PhD-кандидат в Queen Mary University of London, исследовательница в области интерпретируемости и управления поведением генеративных моделей. Обладательница стипендии DeepMind, преподаватель Deep Learning School и Nebius Academy, соосновательница Deep Learning School, автор телеграм-канала DLStories и подкаста Deep Learning Stories. Ранее занималась исследованиями в Huawei и Philips, работая над задачами компьютерного зрения и медицинского AI. В выпуске разговор получился не столько про карьеру в AI, сколько про исследовательское мышление. Почему одни специалисты годами улучшают метрики моделей, а другие пытаются понять, что происходит внутри них? Зачем вообще исследовать интерпретируемость нейросетей? Можно ли управлять поведением LLM через активации отдельных слоев? И почему иногда самый интересный вопрос в машинном обучении – не «как сделать лучше», а «почему это вообще работает»? Ждём вас на удобной для вас площадке: https://youtu.be/pXMd0N6xSAQ https://vk.com/video-228219607_456239235 https://dzen.ru/video/watch/6a314bf1a6d473684e1eb721

9 июля пройдет форум Data Day 2026 — одно из крупнейших событий про данные, аналитику и AI. На форуме обсудят: — как бизнес использует data-driven подходы, — реальные кейсы внедрения AI и аналитики, — тренды рынка, — практику команд и компаний, которые уже строят решения на данных. Соберутся сильные эксперты, практики и лидеры индустрии — будет много прикладного контента и полезного нетворкинга. И у вас есть возможность попасть на форум бесплатно. Для этого нужно подписаться на каналы спикеров и организаторов через бота. Чтобы получить билет, переходите в бота. Посмотреть программу и состав спикеров можно на сайте Data Day

9 июля пройдет форум Data Day 2026 — одно из крупнейших событий про данные, аналитику и AI. На форуме обсудят: — как бизнес использует data-driven подходы, — реальные кейсы внедрения AI и аналитики, — тренды рынка, — практику команд и компаний, которые уже строят решения на данных. Соберутся сильные эксперты, практики и лидеры индустрии — будет много прикладного контента и полезного нетворкинга. 🎫 И у вас есть возможность попасть на форум бесплатно. Для этого нужно подписаться на каналы спикеров и организаторов через бота. Чтобы получить билет, переходите в бота. 👉 Посмотреть программу и состав спикеров можно на сайте Data Day

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. Четырнадцатая задача Что нужно сделать: По разным параметрам сделать классификатор уволится человек с работы или нет (переменная attrition) Как можно сделать: ▪️Обучить классификатор на всех данных ▪️Определить при каких значениях разных переменных человек с большой вероятностью уволится. Определить топ 5 для каждого уровня образования, посмотреть насколько этот топ меняется ▪️Определить насколько важен ворк/лайф баланс ▪️Обучить свой классификатор увольнения для каждого значения переменной PerformanceRating, изменился ли топ 5 значимых переменных в этих классификатор по сравнению с топ 5 у общей модели ▪️или сделать что-то другое Данные можно взять на Kaggle: https://www.kaggle.com/datasets/pavansubhasht/ibm-hr-analytics-attrition-dataset Пример ноутбука (с случайными пропусками строк): https://colab.research.google.com/drive/1tAgD5KleAkCtYHKI0uUHWTfW1ucDv5ZX?usp=sharing Готовы попробовать? Делитесь своими результатами в комментариях. А другие посты этой рубрики можно посмотреть по тэгу: #петпроект_MLinside

Если вы открыли курс по Machine Learning (или любой другой курс) и через 15 минут поняли, что не понимаете вообще ничего... ...то видео, которое у нас вышло на YouTube, в ВК и Дзен будем вам полезно. Большинство людей думают, что проблема в них: "не хватает таланта", "слишком поздно начал", "ML не для меня". Но на практике почти все специалисты проходили через этот этап. Машинное обучение объединяет программирование, математику, статистику и работу с данными, поэтому первое время мозгу просто не на что опереться. Александр Дубейковский (ML Engineer в Avito, ex-Yandex, эксперт MLinside) расскажет, почему непонимание это нормальная часть обучения, как правильно изучать сложные темы и что делать, если очередной урок кажется набором незнакомых слов. Кому будет полезно это видео ▪️Тем, кто только начинает изучать Machine Learning ▪️Студентам онлайн-курсов по ML и Data Science ▪️Разработчикам и аналитикам, которые переходят в AI ▪️Тем, кто думает бросить обучение из-за сложных тем ▪️Всем, кто хочет выстроить правильную стратегию обучения Если вы тоже сталкивались с ощущением, что "ничего не понятно", напишите в комментариях, какая тема в ML оказалась для вас самой сложной.

Внимание-внимание, рубрика «ML в реальной жизни» прибывает со второй задачкой Да, это продолжение нашей рубрики, где мы 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, в комментариях важно не просто выбрать вариант, а объяснить: — почему выбрали именно его — что бы вы проверяли — какие риски вы бы учитывали Сегодня у нас ситуация №2: Ситуация: Обнаружен дрейф признака. Но не ясно, что с ним делать Контекст: Система мониторинга показала значительный дрейф распределения одного из ключевых признаков (например, время активности пользователя). Модель ещё не деградировала по метрикам, но вы видите, что данные "поехали". Ресурсы на срочный рефакторинг пайплайна ограничены. Варианты действий: Что будете делать в первую очередь? Все посты этой рубрики можно будет посмотреть по тэгу: #риллайф_MLinside

Бывало ли у вас такое, что модель работала отлично, а потом внезапно начала терять качество? Главная ошибка в такой ситуации – сразу же запускать переобучение, потому что в продакшене деградация модели может быть связана с разными причинами: изменились входные данные, поменялось поведение пользователей, появились новые бизнес-сценарии или проблема вообще не в модели. У нас на YouTube, в ВК и Дзен вышло видео, где Александр Дубейковский (ML Engineer в Avito, ex-Yandex, эксперт MLinside) разбирает одну из самых важных тем для ML-инженеров – Data Drift и Concept Drift. Вы узнаете, чем отличается изменение распределения данных от изменения самой зависимости между признаками и целевой переменной, как эти проблемы проявляются в реальных ML-системах и почему автоматический retraining часто не решает проблему, а иногда даже ухудшает ситуацию. Кому будет полезно видео: ▪️ML-инженерам и Data Scientists ▪️Специалистам, работающим с продакшн-моделями ▪️Студентам и начинающим специалистам в ML ▪️AI Engineers и MLOps-инженерам ▪️Всем, кто хочет лучше понимать жизненный цикл ML-моделей Нашли себя в этом списке? Тогда велком на удобную для вас платформу: https://youtu.be/ix3XCTglkIc https://vkvideo.ru/video-228219607_456239233 https://dzen.ru/video/watch/6a214c829804be60200348e1

Ищем руководителей и менеджеров для исследования использования ИИ в работе Мы проводим серию интервью с руководителями и менеджерами. Хотим разобраться, какие рабочие задачи они решают с помощью ИИ, что уже внедряют в свои процессы и какие сложности возникают на практике. Кого ищем: ▪️Руководителей команд ▪️Руководителей направлений ▪️Руководителей отделов ▪️Product-менеджеров ▪️Project-менеджеров ▪️Предпринимателей Что хотим узнать: ▪️Какие задачи занимают больше всего времени ▪️Для чего уже используется ИИ ▪️Что получается автоматизировать, а что не получается ▪️Каких знаний и инструментов не хватает Что конкретно от вас требуется: Если вы руководитель или менеджер, заполните короткую анкету на 2–3 минуты. Если у вас есть чуть больше времени и вы готовы ответить на дополнительные вопросы, мы будем рады пригласить вас на интервью продолжительностью 20-30 минут в любое удобное для вас время. С нас, базово, улучшить наши курсы, чтобы они отвечали вашим потребностям, ну и конечно же промокод со скидкой на подписку специализации "AI и анализ данных". Анкета в яндекс формах: https://forms.yandex.ru/u/6a1fd4666d2d734f2bf67756

Учимся на практике: решаем реальные ML-задачки Продолжаем рубрику #петпроект_MLinside – 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. Тринадцатая задача Что нужно сделать: посмотреть на исторические данные об Олимпийских играх, найти зависимости и тренды Как можно сделать: ▪️Определить топ 5 стран с наибольшим количеством уникальных спортсменов в первый год за который есть данные и за последний, построить графики количества спортсменов для этих стран в зависимости от года ▪️Разделить данные на летние и зимние игры, затем сделать действия из прошлого пункта, изменился ли топ и графики? ▪️Определить максимальное количество золотых и любых медалей завоеванных одним и тем же человеком ▪️Определить для каждого года количество спортсменов которые начали выступать за другую страну ▪️Определить у какого спорта меньше всего уникальных человек завоевывали медали ▪️и т.д. Данные можно взять на Kaggle: https://www.kaggle.com/datasets/heesoo37/120-years-of-olympic-history-athletes-and-results Пример ноутбука (с случайными пропусками строк): https://colab.research.google.com/drive/1jiwqav41cNlmn9FUn75WMCLES3H8-DQH?usp=sharing Готовы попробовать? Делитесь своими результатами в комментариях. А другие посты этой рубрики можно посмотреть по тэгу: #петпроект_MLinside

ML-инженеров скоро заменит AI? На фоне бума LLM и нейросетей всё больше людей уверены, что профессия ML-инженера исчезнет уже в ближайшие годы. Но действительно ли всё так просто? На практике ML, это давно не только “обучение модели”. Современные ML-системы– это инфраструктура, данные, продуктовые ограничения, бизнес-логика и постоянная поддержка моделей в production. И чем активнее компании внедряют AI, тем сложнее становятся сами ML-системы. У нас на YouTube, в ВК и Дзен вышло видео, где Александр Дубейковский (ML Engineer в Авито, ex-Yandex и эксперт MLinside) разбирает, почему развитие AI не убивает профессию ML-инженера, а меняет её роль внутри индустрии. Кому будет полезно это видео: • начинающим ML-инженерам — чтобы понять, как реально устроена профессия; • Data Scientist и аналитикам — чтобы увидеть, как ML работает в production; • backend и software engineers — чтобы разобраться, как ML интегрируется в большие системы; • студентам и тем, кто хочет войти в AI/ML — чтобы понять перспективы индустрии; • всем, кто переживает, что AI “заменит программистов” — чтобы посмотреть на развитие технологий без хайпа. Ссылки на видео: https://youtu.be/fgkz3qyRxkY https://vk.com/video-228219607_456239232 https://dzen.ru/video/watch/6a196939320fd81ff68a0765

Устали от «идеальных» ML-кейсов? Где данные всегда чистые, метрики стабильные, а модель после обучения сразу готова к продакшену. Ведь в реальной работе всё иначе: метрики могут упасть за ночь, данные – измениться, а решение нужно принимать быстро, да еще и с неполной информацией. Поэтому мы запускаем новую рубрику «ML в реальной жизни» – здесь будут ситуации, с которыми сталкиваются ML/DS-команды в продакшене. Сразу же предупредим, что 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, в комментариях важно не просто выбрать вариант, а объяснить: — почему выбрали именно его — что бы вы проверяли — какие риски вы бы учитывали Сегодня у нас ситуация №1: Ситуация: Метрики упали на 40% за ночь Контекст: В продакшене работает модель прогнозирования оттока. Утром вы видите: — precision упал с 0.82 до 0.49 — recall — с 0.76 до 0.41 Последний деплой модели был 3 дня назад, изменений в пайплайне не было. Данные поступают из того же источника. Внимание, вопрос: Что будете делать в первую очередь? Все посты этой рубрики можно будет посмотреть по тэгу: #риллайф_MLinside

Как перейти со стажера на джуна в ML? Многие стажёры в ML уверены: если знаешь Python, sklearn и можешь обучить модель, значит уже готов к позиции junior. Но на практике переход из стажёра в джуна зависит не только от технических знаний. На YouTube, в ВК и Дзен у нас вышло видео, где Александр Дубейковский (ML-Engineer Авито, ex-Yandex, эксперт MLinside), разбирает, какие навыки действительно важны для роста в ML, что ожидают команды от начинающих специалистов и почему одних ноутбуков с моделями недостаточно. Также, в видео Александр расскажет: какие технические навыки считаются обязательным минимумом для junior ML engineer, почему софт скилы часто решают больше, чем алгоритмы, как правильно проявлять инициативу в команде, по каким причинам стажёров не переводят в штат после испытательного срока, а также, поговорим про разницу между требованиями бигтеха и небольших компаний, ожидания тимлидов и реальные критерии роста внутри ML-команд. Кому будет полезно видео: ▪️Стажёрам в ML — чтобы понять, чего реально ждут от junior-специалиста ▪️Тем, кто хочет попасть в первую ML-команду — чтобы избежать типичных ошибок на старте ▪️Начинающим ML-инженерам — чтобы быстрее расти внутри команды и понимать процессы продакшна ▪️Студентам и новичкам в Data Science — чтобы увидеть, как выглядит работа ML-инженера за пределами ноутбуков ▪️Тем, кто проходит стажировку прямо сейчас — чтобы повысить шансы на оффер после испытательного срока Ссылки на видео на разных площадках: https://youtu.be/_ZdaCJnRoLY https://vkvideo.ru/video-228219607_456239221 https://dzen.ru/video/watch/6a0ef27e1059563825902c56

Обновили информацию по курсу ML System Design с Валерием Бабушкиным ▪️Старт курса переносится на 1 июля ▪️Актуальная стоимость курса — 178 500 ₽ Информация на сайте уже обновлена. Дополнительный месяц до старта используем, чтобы сделать программу ещё сильнее: добавляем новые материалы по agentic AI и проектированию современных AI-систем. Спасибо всем, кто уже оставил заявки и интересуется курсом