Оглавление
- Основы программирования
- Математика
- База в ML
- Выбор специализации
- Что спрашивают на собеседованиях
- Pet-проект — плюс при поиске работы
- Дополнительные советы
Мечтаете ворваться в мир разработки и нейросетей, но не знаете, с чего начать? Основываясь на личном опыте, я собрал лучшие материалы для быстрого и эффективного буста. Без воды, платных курсов и лишних деталей — только то, что действительно полезно. У меня получилось — получится и у вас!
Меня зовут Александр Агеев, я — senior NLP-разработчик, и за 4 года я прошел путь от джуна в стартапе за 35к до работы в международной команде в ЮАР. Отрываю от сердца дорожную карту и делюсь с вами, если окажется полезной — буду рад вашей подписке на Telegram-канал.
Итак, поехали!
- Основы программирования
Самый популярный язык — Python. Я изучал на Stepik следующие курсы:
- Python: основы и применение — отмечу, что в данном курсе иногда попадаются странные задачи, на которых можно застрять на несколько дней: если это произошло, то пропустите сложную задачу.
Параллельно с изучением Python рекомендую базово освоить SQL (отличный курс на Stepik по SQL) и порешать задачки на уровне оконных функций.
Программу реально освоить за 4 месяца — я занимался по 3-4 часа в день 5-6 дней в неделю.
2. Математика
Ряд областей математики являются фундаментальным знанием для ML-разработчика.
- Линейная алгебра: матрицы и их разложения, работа с пространствами, тензоры.
- Математический анализ: функции, производные, экстремумы.
- Теория вероятности и статистика: условная вероятность, теорема Байеса, различные распределения и их оценки, критерии Согласия.
PS: если Вы хотите, чтобы я Вам кинул крутые книжки по математике — пишите в лс, все пришлю.
Линейная алгебра и матан помогают разобраться, как устроены нейросети изнутри, а теорию вероятностей и матстат чаще всего спрашивают на собеседованиях. Плюс математическая база дает возможность читать научные статьи, понимать архитектуры нейросетей и принципы работы алгоритмов машинного обучения.
Чтобы подтянуть математику, советую начать с видеокурсов преподавателей МГУ — они охватывают широкий круг тем и подаются в доступной форме. А для закрепления лучше параллельно читать профильные книги.
3. База в ML
По классическому машинному обучению существует довольно обширный выбор книг с разной степенью ясности изложения. На мой взгляд, лучшая из них — «Python и машинное обучение» Себастьяна Рашка.
На изучение базы ML у меня ушло 7 месяцев в интенсивном темпе.
4. Выбор специализации
Сфера ИИ включает много направлений, джуну на старте лучше сфокусироваться на одном из них. Ниже — ключевые области, упорядоченные по мере усложнения входа.
Классическое машинное обучение — отличная отправная точка, особенно если вы планируете работать с числовыми данными: предсказание кредитных рисков в банках, аналитика покупательского поведения, обработка статистики в соцмедиа и другие задачи, связанные с табличными данными. На мой взгляд, это единственное направление, где можно пробовать выходить на рынок сразу после уверенного освоения базовых инструментов.
Компьютерное зрение — включает в себя задачи видеоаналитики: например, подсчет людей через камеры наблюдения, анализ поведения, определение количества объектов на конвейере, распознавание лиц, детекция и сегментация объектов, а также трекинг. Отдельное направление — генеративные модели (создание изображений и видео), а также задачи, связанные с 3D. Когда я принял решение стать ML-разработчиком, я выбрал именно это направление, посчитав его максимально перспективным: работы много, специалистов меньше, чем в классическом ML, и конкуренция пока не столь высокая.
Обработка аудио — используется в системах распознавания речи, голосовых помощниках, а также в программных решениях для транскрибации. Однако стоит учитывать, что входной порог здесь достаточно высок, особенно для новичков.
NLP (Natural Language Processing) — направление, связанное с анализом и генерацией текста. Работа с крупными языковыми или мультимодальными моделями требует серьезных вычислительных ресурсов, и для начинающего специалиста аренда серверов может оказаться дорогостоящей. Поэтому важно заранее понимать, во что вы ввязываетесь.
Обучение с подкреплением (Reinforcement Learning) — обучение интеллектуальных агентов в симулированных средах: от игр вроде шахмат и го до реальных задач типа управления роботами. Несмотря на научную привлекательность, вакансий в этой области немного, и чаще всего они встречаются только в больших технологических компаниях. Поэтому для первого шага в карьеру ML‑инженера — не самый удачный выбор.
5. Что спрашивают на собеседованиях
Я упоминал ранее, что свою карьеру начал с компьютерного зрения, поэтому расскажу именно об этом.
Первый этап взаимодействия с потенциальным работодателем обычно проходит через HR-специалиста. На этом этапе вас, скорее всего, попросят рассказать о своем опыте, зададут базовые теоретические вопросы, а иногда предложат выполнить тестовое задание. Если все пройдено успешно, вас пригласят на техническое интервью, которое обычно длится от одного до полутора часов. В нем может участвовать как один разработчик, так и целая команда, включая руководителя отдела. Мне, например, приходилось проходить собеседования, где участвовали до пяти человек одновременно.
Хорошая практика — по мере изучения новых тем фиксировать ключевую информацию в своей таблице или базе знаний. Это помогает структурировать материал и значительно упрощает подготовку к собеседованиям, особенно когда вопросов много и они охватывают разные области.
Что спрашивали у меня чаще всего:
- Python: принципы работы памяти, основы ООП, механизм GIL, работа декораторов и лямбда-функций, типы структур данных, оценка сложности и производительности алгоритмов.
- Машинное обучение: обязательные вопросы по метрикам качества, классические алгоритмы, их математическая подоплека, а также темы ошибок первого и второго рода.
- Нейронные сети: история развития архитектур (это почти всегда спрашивают), глубокое понимание устройства слоев, вычисление градиентов, порядок вычислений. Метрики также остаются важной частью обсуждения.
- Математика: охватывается сразу несколько разделов — линейная алгебра, матстат, теория вероятностей, матанализ.
- Железо: в основном — на базовом уровне, если предполагается работа с моделями на серверной стороне.
- OpenCV: вопросы по этой библиотеке иногда всплывают при работе с изображениями.
- Linux и Docker: встречаются редко, но лучше хотя бы понимать базовые команды и принципы.
- PyTorch: тоже спрашивают нечасто, но знание основ может сыграть в плюс, особенно при работе с нейросетями.
Важно учитывать, что конкретные вопросы могут отличаться в зависимости от специализации: CV, NLP, табличные данные, RL и т.д. Поэтому советую заранее изучить актуальные вакансии по своей цели, выписать встречающиеся требования, отсортировать их по частоте, а затем оценить, насколько вы этим требованиям соответствуете.
6. Pet-проект — плюс при поиске работы
На джуновской позиции выделиться среди соискателей помогает небольшой личный проект. Он может стать ключевым элементом сильного резюме: если у вас нет опыта с реальными задачами, собственный проект становится отличной возможностью показать навыки.
Важно не только наличие идеи, но и понимание, какие методы подойдут для ее реализации, как использовать структуры данных и оформить код так, чтобы его можно было продемонстрировать. Даже простое приложение с базовой логикой может сыграть в вашу пользу, если оно работает стабильно, использует готовую нейросеть «из коробки» и при этом доступно для показа — например, через Docker-контейнер или простой демо-сервер. Такое решение показывает способность довести начатое до результата и понимание, как работает связка «код-модель-деплой».
7. Дополнительные советы
Установите Ubuntu рядом с Windows — как вторую операционную систему. Большинство инструментов и задач, с которыми вы, скорее всего, столкнетесь в области машинного обучения и разработки, так или иначе ориентированы на Linux-среду. Поэтому умение работать с этой ОС желательно.
Начните регулярно заниматься английским. Это не рекомендация, а необходимость: основные материалы, научные статьи, документация и обучающие курсы в первую очередь выходят именно на английском языке. Русские переводы появляются гораздо позже — и далеко не всегда в полном объеме.
Определившись с направлением, выберите профильную книгу и пройдите ее как полноценный курс. Выполняйте все задания в среде Google Colab — это удобный онлайн-инструмент с поддержкой GPU, в котором можно тестировать и отлаживать код без установки дополнительного ПО.
Изучение аппаратной части: какие видеокарты сейчас актуальны, их характеристики, стоимость и производительность. Это пригодится не только на практике, но и на собеседованиях — мне нередко приходилось отвечать на вопросы о том, какие ресурсы потребуются для запуска конкретной модели или проекта.
Освойте один из популярных фреймворков для создания API — Django, FastAPI или Flask. Это позволит вам упаковывать модель в сервис и делать ее доступной для использования извне.
Разберитесь с Git и Docker. Git поможет вам отслеживать изменения в проектах и сохранять прогресс, а Docker позволит изолировать среду выполнения и собрать модель в удобный и воспроизводимый микросервис.
Статья была интересной? Больше полезной информации в моем тг-канале, созданный специально для джунов в ИИ.