Kantor.AI

Оффер на Senior Data Science роль за 1 неделю — реально? 🚀 Да. Авито запускает Fast Track — ускоренный отбор для Senior и Senior+ Data Science специалистов. Одна неделя на все технические этапы и финал → оффер в классифайд №1 в мире по количеству пользователей. 📅 Основные этапы — 20–26 июля. Регистрация по ссылке открыта до 15 июля, 23:59 МСК. Как проходит: 🟣 До 15 июля — заявка + HR-скрининг 🟣 До 24 июля — техническая секция (ML-теория + Python) 🟣 25 июля — ML System Design 🟣 26 июля — финал 🟣 До 28 июля — оффер Преимущества фаст-трека: 🟣 Быстрый отбор и совмещённые этапы 🟣 Все даты известны заранее 🟣 Возможность оценить свои скилы — результат закрепляется на год Кого ждут: 🟣 От 4 лет опыта в крупных российских и международных IT, BigTech и FinTech компаниях 🟣 Полный цикл разработки моделей — от ресёрча до выкатки в прод 🟣 От 1 года самостоятельного лидирования проекта, автономность и инициативность Команды на выбор: антифрод и модерация, монетизация и реклама, поиск и рекомендации, вертикальные DS-команды. ⏳ Регистрация — до 15 июля. Успей оставить заявку. Рекрутеры проведут тебя через все этапы за рекордно быстрые сроки!

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

#ML Как и 60 лет назад, нейронки начали часто сравнивать с мозгом, а у мозга есть психологи (хотя и у нейронов уже появляются исследователи настроений). И как и в любой другой области знаний, у психологов есть свой собственный глоссарий, и я решил составить первый словарь по переводу с психологического на язык MLE. Меня осенило когда читал статью Kahneman-Tversky Optimisation — это же идея обесценивание в чистом виде) Итак, первый в мире словарь Psychologist — Machine Learning Engineer: Выборочное внимание (selective attention) — Attention // комментарии излишни, эту статью знают все Выгорание — Vanishing Gradients // градиент ещё где-то есть, но до полезного обновления уже не доходит Газлайтинг — Label Corruption Attack // истинные метки подменены, модель больше не доверяет собственному датасету Гиперконтроль — Hard Attention // фокус в точку Границы личности — Constrained Attention // у каждого входа есть предел влияния на твой hidden state Диссоциация — Stop-Gradient Operation // событие вроде обрабатывается, но связь с чувством “это происходит со мной” разорвана Защитная реакция — Robustness Patch Under Distribution Shift // не исправляет внутреннюю модель, но помогает не развалиться на новых входах Избегание — Early Stopping // обучение прекращается ровно перед тем батчем, где могло стать полезно, но неприятно Катастрофизация — Worst-Case Data Augmentation // из каждого обычного примера генерируем самый страшный out-of-distribution сценарий Накопленная обида — Gradient Accumulation // градиенты копятся несколько шагов, а параметры не обновляются Навязчивые мысли — Neural Text Degeneration // модель застревает в повторяющихся нежелательных продолжениях Низкая самооценка (почти то же что и Синдром самозванца) — In-Distribution Underconfidence // даже на знакомых примерах модель отвечает “вероятно, я ошибаюсь” Обесценивание — Kahneman-Tversky Optimisation // минимум наград за успехи, максимум штрафов за ошибки Отрицание — Missing Data Imputation // значения нет, но система подставляет приемлемую замену и продолжает как ни в чём не бывало Пассивная агрессия — Low-Rank Hostility Adapter // базовая модель вежливая, но маленькая LoRA добавляет токсичный стиль Перфекционизм — Overfitting // модель не готова к деплою, пока loss не станет метафизически равен нулю Потребность в одобрении — RLHF // модель учится через внешнюю человеческую оценку того, “хороший” ли был ответ Прокрастинация — Learning Rate Warmup // Начнем с раскачки Проекция — Transfer Learning (negative transfer) // модель переносит старое представление на новый домен, хотя там оно уже искажает реальность Психологическая устойчивость — Robust Generalization Under Distribution Shift // мир вокруг меняется Рационализация — Post-hoc Explainability // сначала модель выдала странный ответ, потом уверенно объяснила, что так и было задумано Ревность — Triplet Loss // держи чужого подальше от семьи) Руминация — Repetition Loops in Neural Text Generation // модель застревает в повторяющемся цикле и снова генерирует то же самое содержание Самокритика — есть Self-critical Sequence Training и еще Adversarial Self-Supervised Contrastive Learning // Модель сравнивает сэмплированный ответ со своим же baseline-выводом Самосаботаж — Reward Hacking // агент нашёл reward, но выбрал действие, которое ломает собственную функцию полезности Созависимость — Co-adaptation // один feature detector становится полезным только в присутствии других и теряет самостоятельность Травматический опыт — Outlier-weighed Layerwise Sampling for LLM Fine-tuning // один пример получил слишком большой вес и теперь портит всю функцию потерь Тревожность — Noise Memorization // Система начинает видеть значимый сигнал в шуме и переобучается на случайные паттерны Эмоциональное подавление — Gradient Clipping // слишком сильные эмоции обрезаются до допустимой нормы Эмоциональные качели — Training Instability // обучение нестабильно: сигнал то исчезает, то взрывается. Продолжение следует

🕒 Синдром «Серебряной пули» История про «эффективного менеджера» направления CVM (customer value management) Задача ребят — продавать доп. услуги клиентам и повышать конверсию. Вводные от заказчика прекрасны:

«Мы тут ходили к другой команде, они нам собрали фичу — "лучшее время отправки SMS". Мы полгода крутили пилот, получили нулевой результат. Хотим, чтобы вы сделали то же самое, но лучше».

Начинаем копать от бизнес-задачи. Выясняется: конверсия низкая. Почему? Ну, логично же: мы просто отправляем SMS не в то время! 🤡 Дальше — диалог, достойный войти в учебники по «продукт-менеджменту»: — Вы же уже проверили гипотезу на пилоте, результат нулевой. Зачем развивать безнадежную идею? — Мы в это верим. — Мы работали со многими крупными компаниями, решали эту задачу. Вы первые, кто просит именно эту фичу. — Мы переиграем рынок. — Ок, если я получу ваш пуш в 10:00 вместо 12:00, реально есть вера, что конверсия взлетит? — Разве это не очевидно? Тут мы немного выпали в осадок, но решили узнать, как устроена сегментация и выборка клиентов. — А как вы понимаете, кому слать? Есть функция ранжирования (uplift-модели, скоринг)? — Не понял вопрос. — Ну как вы понимаете, кто сконвертится лучше или хуже? — А-а-а, никак. Просто случайно выбираем из сегмента. Они же ВСЕ заинтересованы в продукте! — То есть ваш сегмент — это просто жесткие бизнес-правила (условия типа ЕСЛИ/ИЛИ)? — Если упрощенно, то да. Мы строим гипотезы и тестируем их через А/Б! То есть ребята делают А/Б тест на абсолютно случайной выборке внутри кастомного сегмента, не умеют в предсказание оттока/конверсии, но верят в тайминг. Пытаемся нащупать омниканальность. У них есть SMS, пуши и звонки. — А не пробовали выстроить каскадную стратегию? Например: сначала SMS, через день — звонок? — Ну и чем это кончится? — Оптимизацией стратегии... *(Повисла неловкая пауза)* — У нас либо звонки, либо SMS! ❌ Итог: Мы рассказали, как строим нормальный ML-пайплайн для CVM у других заказчиков (с моделированием, склонностью к покупке и оптимизацией стратегии). Продукту не зашло. Ведь у нас нет самого главного — алгоритма, который высчитывает идеальную секунду для отправки SMS человеку, которому это предложение вообще не всралось. Как называется эта болезнь? В медицине не знаем, но в ИТ это «карго-культ фичи». Когда команда игнорирует базовую математику, отсутствие нормальной сегментации и кривую коммуникацию, но свято верит, что одна «модная» фича переиграет рынок. Сталкивались с такими «верующими» заказчиками? Какую самую дикую фичу у вас просили завернуть в ML? 👇

Господи, как же достала эта клиника, спасибо огромное Владу за психотерапевтический пост ❤️

Как вам название статьи? 😁😁😁

Вот так вот, поигрались и хватит (см. скриншот с сайта Anthropic) Как чувствовал и не стал откладывать использование. Бенчмарки никакие не мерил, но от бытовых применений был в восторге. К слову о запретах. Не так давно общался с зампредами из одного российского банка на тему «нужен ли свой претрейн LLM» (в числе прочих обсуждавшихся тем). На встрече по неопытности и стадным чувствам топил за популярное последнее время в нашей профессиональной среде мнение, что нафиг надо, денег не хватит, и все равно опенсорс будет все меньше по качеству отставать. Но с того момента и до сих пор все больше думаю, что государственные структуры в странах, где есть свои топовые LLM, с большой вероятностью введут законодательные ограничения, как только LLM будут выглядеть слишком пугающе крутыми. Началось это уже сейчас, или это просто гениальная маркетинговая компания Anthropic, пока не ясно до конца. Но что меня еще больше беспокоит, так это что запрещать и не пущать умеют не только за океаном, но и у нас. Так что заведомо не очевидно, кто первый заблокирует нам наши любимые нейросетки. Впрочем, тот факт, что этот текст я пишу, а вы читаете в телеграме, оставляет надежду, пока для блокировок не начнут эффективно использовать те же сетки.

Про ML System Design Валеры Бабушкина Однажды в разговоре про образование с Валерой Бабушкиным мы начали обсуждать его курс ML System Design, который к тому моменту уже пережил три потока. В процессе выяснилось, что курс не просто про сильно структурирующие мышление и очень полезные вещи для любого сколько-нибудь синьорного ML инженера, дата саентиста, AI инженера или руководителя, работающего с этими темами. Оказалось, что курс еще и: 1) Объемный - 4 месяца х 2 занятия в неделю (60 астрономических часов, даже 60+ с учетом ответов на все вопросы на занятии) 2) Читается вживую - те самые 2 занятия в неделю это не записи, а живой зум с возможностью задавать вопросы лично Валерию, участвовать в разборах и вообще всячески проявлять активность на занятии и преисполняться опыта 3) Проводится лично Валерой Вообще-то это просто колоссальная работа и невероятное по своей уникальности предложение, так что я был очень рад, когда мы договорились запустить этот курс в MLinside :) Что имеем в итоге: карьеру Валера построил потрясающую, в теме внедрения ML разбирается очень круто, а в курс ML System Design вкладывается очень серьезно. Так что если вы еще не проходили курс MLSD - просто идем и записываемся на ближайший поток. Вангую, что через год-два опции поучиться лично у Валеры уже не будет, так что лучше не откладывать.

Чем я занимаюсь в 4 часа ночи? Читаю про Риманову оптимизацию, благодаря Claude. История была простая: гостья в интервью упомянула concept whitening в нейросетях, и меня пробило на знакомство со всякими подходами к интерпретации LLM с поиском какой-то красивой геометрии. Начал я знакомство конечно с вопроса Клоду, что прочитать. В "учебники для бэкграунда" первым пунктом попала замечательная книга: Boumal, N. (2023) An Introduction to Optimization on Smooth Manifolds ( https://www.nicolasboumal.net/book/ ) Просмотрев первые две рекомендованные Клодом главы, я подумал, что все это конечно интересно, но нужно посмотреть публикации непосредственно про геометрию концептов в LLM. Посмотрел и обнаружил там достаточно простую линейную алгебру. На мой резонный вопрос "и зачем ты меня отправил ботать оптимизацию на гладких многообразиях?" Клод невозмутимо ответил, что всего лишь пытался расширить мой бэкграунд, чтобы я сам тоже мог что-нибудь порисерчить по теме, и закончил пассивно-агрессивным извинением: "Прошу прощения за избыточную рекомендацию в первоначальном плане — это типичная ошибка «дать карту территории, а не путь к цели»." Забавно, но мысленно матюкнувшись на такой ответ, я подумал, что в общем-то все равно мне книжка понравилась и пошел изучать учебник по римановой оптимизации дальше. Минусов не вижу.

Многослойность произведений и курсов Интересная особенность гениальных произведений и объектов культуры, к коим я несомненно отношу легендарную игру Half-Life 2 (впрочем, и первую часть тоже) - многослойность. То, что я дальше напишу, обычно объясняют на примере художественных книг или картин, но мне хотелось бы показать, что эта многослойность есть не только в солидных культурных произведениях, но и в более повседневных вещах. Простой пример HL2: если вам просто пострелять и пройти сюжет, то игра более чем великолепна для этого применения до сих пор, спустя 22 года после выхода. Если же вы начинаете интересоваться лором игры (комплексной информацией об игровой вселенной), то непременно узнаете, что главный герой Гордон Фримен - физик, закончивший MIT. И, готов поспорить, что многие, кто играл в HL2 еще в школе и на просторах СНГ, возможно так про MIT и узнали (несмотря на всю легендарность Массачусетского Технологического Института). Но чем глубже вы погружаетесь в лор, тем больше интересных отсылок вы узнаете. Например, у доктора Айзека Кляйнера в какой-то момент появляется домашний питомец - хэдкраб (существо-паразит из вселенной HL) Ламарр. Опять же, если нам только пострелять - да и пофиг. Если интересно "а почему Ламарр", мы сразу же узнаем, что логичное уменьшительно-ласкательное имя для хэдкраба - Хэди, но т.к. его хозяин ученый-физик, он идет дальше и вспоминает про голливудскую актрису и изобретательницу Хэди Ламарр (на фото к посту) и называет хэдкраба Ламарр. Опять же, минимальный интерес к лору игры поощряет вас уже не только знакомством с MIT и Лигой плюща, но и удивительным открытием, что можно днем сниматься в кино, а по ночам изобретательствовать. Что любопытно, в хороших курсах, по тому же ML (но не только по нему) есть та же черта: если их быстро "пробежать", если вдумчиво послушать и если прям основательно закопаться с изучением всех отсылок и пониманием, почему лектор что-то рассказал именно так, а не как в этом и вот в этом источнике - это три разных курса и три разных способа учиться. Они не противоречат друг-другу, можно в первый раз изучить в экспресс-режиме, во второй раз поглубже и так далее. Но точно стоит хотя бы раз попробовать погрузиться по полной. Отдельный респект лекторам, которые прямо на лекции иногда делают небольшое лирическое отступление и показывают как эту многослойность, так и куда копать.

Про теплые камерные форматы мероприятий Вчера был на Yet Another Insight, очень камерном митапе для CDO в Яндексе, организованном командой аналитики поисковых сервисов и ИИ. Вместо целого экстрополиса - зал для небольших презентаций и 20-30 гостей. С многими так или иначе пересекался или работал, в каких-то случаях уже много лет. Вместо фальшивых докладов про стахановские подвиги и успешно покоренный рынок нормальные адекватные люди искренне рассказывают и показывают, что сделали, что взлетело, что не взлетело, а что пока пылится в бэклоге. А еще с самого начала аудиторию неплохо раскачали вопросами, так что пришлось отложить телефон и вовлечься. В общем, было очень душевно и вызвало теплые ассоциации с Data Driven Top 100 похожего формата (только там не на вечер, а на несколько дней в какой-нибудь теплой стране). Есть подозрение, что в ближайшие несколько лет запрос на камерность мероприятий будет расти и мы увидим много вариаций на эту тему. Ушел думать, как поддерживать этот тренд в образовании. Похожие примеры знаю, но не в обучении техническим дисциплинам, а в языках. Кидайте идеи в комментарии :)

Тезисы с панельки часть 2: про образование Что изменилось в образовании с появлением нейронок Меняется понимание о базовых курсах. Например у нас в MLinside сейчас рефакторится курс базы ML и в него приезжают сильно более синьорные темы - как строить рекомендательные системы, прайсинг, лидогенерацию, автоматизировать поддержку. Казалось бы: зачем так грузить новичков? Но сейчас сетки существенно повышают производительность в написании кода, и с того, чтобы только набить руки, фокус смещается на понимание прикладных задач. Самое главное заблуждение у тех, кто сейчас занимается своим собственным образованием Во-первых, игнорирование нетворкинга. Только шарить недостаточно, надо, чтобы кто-то, у кого есть подходящая для вас вакансия, об этом еще и знал. Во-вторых, какой-то тотальный отказ верить в возможности. Когда в соцсетях MLinside какие-то видео с нарезками из интервью залетают, в комментариях сильно заметно, что люди просто не верят в то, как быстро можно строить карьеру, в те числа, которые называют гости, хотя там нет ничего сверхъестественного. Просто в публичном поле до нас было настолько много инфоцыганства и скам-курсов про «стать кем-то за три месяца», что, как показывают наши кастдевы, люди теперь в качестве обратной реакции на это считают, что учиться надо год, два, обязательно пойти в какую-нибудь магистратуру, а то все места займут выпускники топ ВУЗов. Это отчасти правда, но нужно учитывать, что все зависит и от уровня слушателя, и от уровня курса. Есть те, кто правда может попасть в профессию за 3-6 месяцев, есть те, кому правда нужно два года, все индивидуально. Опять же, есть курсы от среднего миддла/синьора из средней компании, а есть курсы, идентичные тому, что происходит в топ-вузах, когда у авторов большой опыт и в индустрии и в преподавании. Разница колоссальна и это примерно как с нейронками: кто-то попробовал два раза бесплатную версию ChatGPT и плюется, а кто-то во всю использует максимальную версию Claude, делает какие-то задачи на 20 часов за полчаса-час и очень доволен. Есть ли ощущение инфляции вузовского образования из-за LLM: что 5 лет назад выпускники МФТИ, например, делали домашки без сеток и потому были сильнее, чем сейчас? Ощущения, что стало хуже, нет. Если кажется, что пять лет назад МФТИ (как и ВШЭ, МГУ или любой другой ВУЗ) заканчивало меньше никчемных - это не так. Особой разницы, катать домашки у соседа или у LLM, если честно, нет, а те, кто скатал все или почти все, всегда были и есть. Ну и вообще говоря даже спихнуть экзамен в МФТИ требует быть хотя бы не дураком, известное «методичка есть - докурим и пойдем сдавать» абсолютная правда. Поэтому именно с появлением LLM качество выпускников не понизилось, а ценность высшего образования осталось той же - в первую очередь научиться учиться, причем в сжатые сроки. Есть какие-то красные флаги для курсов, на которые нужно обращать внимание? Самый главный красный флаг - обещание трудоустройства. Никогда не верьте тем, кто обещает трудоустройство, это мошенники. Как они могут обещать, не видя слушателя? А если курс купит кто-то реально тупой? Ну бывают же люди, которым ничего не поможет. А еще есть талант, а еще есть интерес, а еще предрасположенность. Обещать трудоустройство или говорить «каждый может стать» - это обман. Я вообще отвратительный продавец курсов, когда я прихожу на вебинар и говорю, что надо будет много работать, желавшие купить курс в основном разбегаются. Но, увы, это правда. Нужно и самому быть неглупым, и много работать, и изначальный какой-то интерес иметь, а уж если курс хороший, он этот интерес поможет развить, необходимой базой тоже снабдит, и, если не забивать на нетворкинг, есть шанс, что что-то получится. Но точно никаких «каждый может стать». Стать аналитиком или DS - это не ваше базовое право, это то, к чему все-таки надо еще прийти, и придут не все. И это нормально, трагедии в этом никакой нет.

Тезисы с панельки часть 1: про профессию аналитика Как изменились требования к аналитикам в связи с развитием LLM Во-первых, быстро и свободно использовать Python и SQL теперь не достижение, только если уметь написать сложный запрос, где пока и нейронка путается. Больше теперь запрос на умение думать и делать выводы. Во-вторых сам навык кодинга с AI тоже стал базой, иногда даже отдельно проверяется на собеседовании. Чего хочется от тех, кто уже использует на работе AI Часто люди приходят на рабочую встречу с презентацией и искренне верят, что остальные участники не знают, как выглядит презентация, сделанная ИИ. Минусов в том, чтобы положить свои мысли на слайды нейронкой, нет, но вот проблема в том что и мыслей часто не оказывается. Очень хочется все-таки, чтобы в основе результата лежал какой-то свой вариант, пусть даже текстом и тезисно, а не все от мыслей до слайдов генерировалось нейронкой. Нужно ли аналитику развивать технические скиллы, если теперь все умеют нейронки Нужно, потому что валидировать результат все равно надо, а валидировать то, что знаешь, получается лучше :) И в целом лучше всего сетками получается решать задачи, которые можешь решить и самостоятельно. В чем секрет трудоустройства (и, в частности, прохождения дальше рекрутера) в 2026 году Как и в 2025 в нетворкинге. Ходить на митапы, знакомиться, задавать там вопросы уже работающим где-то людям, ходить попить кофе или пиво. В общем всячески социализироваться и узнавать о существующих возможностях. Нужно ли нанимать джунов или их работу теперь сделают нейросетки? Нужно. Мы живем в странном мире: мы успели задуматься об углеродном следе и обязать компании что-то с этим делать в рамках ESG политик, но часто не думаем о кадровом следе - о том, что компания дает среде кроме своих успешных финансовых показателей. Те, кто сегодня говорят, что им хватает нанимать уже опытных с рынка и не инвестируют в джунов, завтра будут плакаться, что не могут нанять мидла/синьора, потому что просто на всех не хватит. Джуну на смену приходит не сетка, а джун с сетками.

Сегодня выступал на лучшей панельной дискуссии в моей жизни. Обычно панельки это заунывный кусок говна. Я не про архитектуру, если что: панельки, которые дома, просто one love ❤️. Но сегодня было весело, и даже аудитория держалась до последнего, возможно потому что мы говорили, что думали (и кажется нарушили все мыслимые стандартные требования любой PR-службы крупной компании), а возможно потому что много шутили и незлобно, практически с любовью, постебывали друг-друга. 👠 Спасибо коллегам по панели Никите Гурьянову, Вове Абазову и Паше Бухтику, ключевые тезисы напишу уже завтра.

Про пиратство курсов Сегодня написали, что нашли в интернете сливы курсов MLinside и предложили «помощь» с удалением и судами. Я рос в 90е, когда от нищеты (а часто и отсутствия локализаций) пиратили всё, поэтому честно ответил, что совсем не против, если тот, кто не может себе позволить купить курс ни за кэш, ни в рассрочку, скачает слив. Помогатор пока не ответил 😁

💜 Авито зовёт в гости на Data Fest 2026 Встречаемся 30 мая, чтобы обсудить самое интересное из мира ML, встретить лето на нашей Дата Даче и просто хорошо провести время. Зарегистрироваться → Что в программе 🔸 ML in Marketplace 🔸 Advanced LLM 🔸 Computer Vision 🔸 ML & Education 🔸 Соревновательный трек и обсуждение Avito ML Cup 2026 Что будет, помимо докладов 💬 Нетворкинг и карьерные разговоры ⚡️ DS-квиз 😎 Афтерпати на веранде прямо в офисе Когда и где 30 мая в 11:00 ждём в московском офисе Авито. Количество мест ограничено — регистрация открыта до 27 мая. Присоединяйтесь: будем вместе копать данные, а не огороды 🤩

👓 Продолжаем серию митапов о компьютерном зрении

На новом D><Vision вновь поговорим о CV, на этот раз — в самых разных сценариях: 🌽 Про сбор данных для беспилотных комбайнов расскажет Никита Шубин, ЦПТ «Агроцифра» 🗣️ Про создание визуальных аватаров — Александр Паркин, VisionLabs 🏛 Про генеративный ИИ в архитектурном проектировании — Анастасия Анциферова, Сбербанк 📚 Про развитие EdTech-направления внутри Алисы AI — Василий Висков, Яндекс

🙃 Приходите послушать доклады и пообщаться с коллегами 📍 Встречаемся 21 мая в Quattro Space ➡️ Зарегистрироваться

Пока все говорят в основном об LLMках, ребята из Vision Labs продолжают поддерживать тему компьютерного зрения на своих митапах, за что им большое человеческое спасибо :) Очень хороший набор тем и спикеров, если где и слушать про CV, то лучше всего тут ❤️ Не забудьте зарегистрироваться по ссылке в конце поста

По мотивам всех постов о высшем образовании В ФКН НИУ ВШЭ и ФПМИ МФТИ открывается набор на магистратуры «Аппаратная разработка умных устройств» Это совместные с Яндексом двухлетние программы. От преподавателей вузов — фундаментальная теория, от Яндекса — постоянная практика и преподаватели-инженеры из команды Алисы и Умных устройств. Студенты будут разрабатывать ПО под ограниченные ресурсы, интегрировать ML, проектировать умные устройства. Рекомендую всем выпускникам технических специальностей, которые смотрят в сторону робототехники. Узнать детали поступления можно здесь.

Про математику AI У меня в MLinside таки настал момент, когда к курсам по ML потребовалось запустить дополнительно курс по высшей математике. Связано это с тем, что учимся мы по-разному и кому-то вводного модуля курса ML (в котором тоже есть напоминание высшмата) хватает, а кому-то нужно разобраться подробнее. Первый поток мы уже провели, преподавателем был несравненный Сергей Жестков - очень харизматичный и понятно объясняющий математику лектор, отзывы очень хорошие. Сейчас мы запускаем второй поток курса по математике для AI и завтра в 19:00 у нас с Сергеем будет вебинар на эту тему. На вебинаре я расскажу, как матан, линал, теорвер и матстат используются в ML, а Сергей расскажет про одну из популярных тем на собеседованиях и в целом очень важную для понимания работы ML концепцию - теорему Байеса. Хорошая возможность задать нам любые вопросы, особенно по математике, а также присмотреться к преподавательскому стилю Сергея и, возможно, решиться залететь к нам в следующий поток курса :) Независимо от ваших планов на курсы регистрируйтесь к нам на вебинар, он бесплатный и должно быть интересно :) Ссылка для регистрации: https://t.me/ml_insideBot?start=web140526 Вебинар завтра (в четверг) в 19:00, а курс стартует уже 18 мая