Найти в Дзене
Знакомим вас с преподавателями специализации AI и анализ данных Это люди, которые строили ML-сервисы в Яндексе, управляли сотнями Data Scientists в МТС, запускали AI в банках. И на курсе они рассказывают о том, что реально работает в индустрии. Почитать подробнее про программу специализации можно на сайте. Сейчас там доступно 2 больших блока на 100+ уроков, а подписка стоит от 5 000 рублей в месяц: vk.cc/...rer
10 часов назад
Сможете найти ошибку в коде?
Обший сбор, code-детективы! У нас тут новый код с ошибкой. Или нет. Да, это наша регулярная рубрика Code Detective. Тут мы публикуем фрагмент кода, а вы смотрите, что с ним не так. Но помните, что ошибки может и не быть. Так что если хотите прокачать навык чтения и анализа чужого кода, а это крайне полезный навык в работе ML-инженера, рубрика вам пригодится. Вот фрагмент кода: Import numpy as np a = [1, np...
4 дня назад
Осенью мы проводили исследование аудитории и с тех пор многое изменилось Мы запустили четвертый поток "Базы ML", запускали пробный курс по математике, а в новом году запустили курс специализация ИИ и анализ данных. Впереди у нас множество планов и интересных новостей, но важно держать руку на пульсе и знать, чего хотите именно вы. От площадок, где вам удобно потреблять наш контент и тому, как вы относитесь к блокировкам площадок (планируете ли переезжать на другие платформы или будете оставаться там, где привычно и удобно), до более подробных вопросов про ML, математику и ваш уровень подготовки. Исследование аудитории мы всегда проводим в 2 этапа: 1. Заполнение формы – forms.yandex.ru/...05, в ней есть ряд вопросов, все с вариантами ответов. Займет минут 5 или меньше, но ваши ответы нам очень помогут. 2. Короткие созвоны с теми, кто оставит контакт в конце формы. Обычно звонок занимает минут 20-30, мы задаем вам вопросы, а вы отвечаете так, как считаете нужным. Вне зависимости от того, поучаствуете вы в первом, втором или обоих этапах – мы будем вам очень благодарны.
1 неделю назад
Учимся на практике: решаем реальные ML-задачки
С вами рубрика #петпроект_MLinside и тут мы публикуем задачи из реальных проектов, чтобы лучше запомнить теорию. Плюс, упоминание об этом можно включить в портфолио, что определенно поможет вам на собеседованиях. Восьмая задача: предсказание бот или человек Что нужно сделать: Предсказать по статистике комментария и аккаунта сделавшего его бот это или человек Как можно сделать: Данные можно взять на Kaggle: https://www...
1 неделю назад
Для многих путь в ML упирается в математику
Производные, матрицы, вероятности – знакомые слова, которые часто откладывают обучение «на потом». Мы хорошо знаем эту проблему, поэтому осенью запускали курс по математике и вот, первый поток завершился, делимся итогами. Всего в обучении участвовали 15 человек, из них 9 стабильно сдавали домашние работы и активно работали на протяжении всего времени. Преподаватель курса, Сергей Жестков, отметил два ключевых результата: сбалансированную программу и высокий уровень вовлечённости студентов. По его...
2 недели назад
Сможете найти ошибку в коде?
Как дела, code-детективы? Да, это наша регулярная рубрика Code Detective. Тут мы публикуем фрагмент кода, а вы смотрите, что с ним не так. Но помните, что ошибки может и не быть. Так что если хотите прокачать навык чтения и анализа чужого кода, а это крайне полезный навык в работе ML-инженера, рубрика вам пригодится. Вот фрагмент кода: import pandas as pd init_df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]}) # инициализируем датафрейм...
3 недели назад
Тот самый курс по машинному обучению, который прошли 200 000 человек
С 2016 по 2022 год специализация от МФТИ и Яндекса на Coursera была «входным билетом» в профессию для каждого второго топового дата-сайентиста в СНГ. Но AI летит вперед слишком быстро. Сегодня просто знать «линейную регрессию» мало. Нужно понимать, как работают LLM, как строить AI-агентов и внедрять их в реальный бизнес. Поэтому в начале года мы запустили специализацию «Искусственный интеллект и анализ данных». Это полный путь: от основ математики до самых свежих технологий 2026 года. Что внутри...
4 недели назад
Учимся на практике: решаем реальные ML-задачки С вами рубрика #петпроект_MLinside и тут мы публикуем задачи из реальных проектов, чтобы лучше запомнить теорию. Плюс, упоминание об этом можно включить в портфолио, что определенно поможет вам на собеседованиях. Седьмая задача: определение вида растения по параметрам почвы Что нужно сделать: по составу почвы (pH, влажность, азот, калий) предсказать, какой вид растения лучше всего подойдёт Как можно сделать: ▪️Использовать многоклассовую классификацию; ▪️Использовать признаки: химический состав, климат, глубина почвы; ▪️Модель: Random Forest, SVM. Данные можно взять на Kaggle:www.kaggle.com/...sett Готовы попробовать? Делитесь своими результатами в комментариях. Все посты этой рубрики можно посмотреть по тэгу: #петпроект_MLinside
1 месяц назад
Главная ошибка ML-специалиста сегодня
С появлением LLM код и прототипы стали появляться заметно быстрее. Рабочее решение можно собрать за вечер, а иногда и за несколько часов. Но всё чаще результат готов раньше, чем приходит понимание того, как это решение должно жить в продукте и какую ценность оно приносит бизнесу. Именно здесь возникает главная ошибка, ведь так легко спутать скорость реализации с профессиональной ценностью. LLM действительно ускоряют работу, снимают часть рутины и помогают быстрее дойти до рабочего варианта. Но они не думают за вас и не принимают решений за продукт...
1 месяц назад
Учимся на практике: решаем реальные ML-задачки Да, это рубрика #петпроект_MLinside и тут мы публикуем задачи из реальных проектов, чтобы лучше запомнить теорию. Плюс, упоминание об этом можно включить в портфолио, что определенно поможет вам на собеседованиях. Шестая задача: прогнозирование температуры Что нужно сделать: предсказать температуру на завтра на основе исторических данных Как можно сделать: ▪️Использовать признаки: температуру ранее, влажность, день года; ▪️Добавить лаги и сезонные признаки (месяц, неделя); ▪️Попробовать: линейную регрессию с разными признаками, Random Forest, Prophet. Данные можно взять на Kaggle: htwww.kaggle.com/...setГотовы попробовать? Делитесь своими результатами в комментариях. Все посты этой рубрики можно посмотреть по тэгу: #петпроект_MLinside
1 месяц назад
Как на самом деле нанимает бигтех
Этим инсайдом поделился Александр Дубейковский. Сейчас он работает в Авито, а до этого несколько лет был в Яндексе и видел процесс найма изнутри. Представьте обычный день человека, который ищет первую работу в ML. Он выделяет целый рабочий день, открывает HeadHunter, LinkedIn, GetMatch и другие сервисы, где обычно размещают вакансии. Он обновляет резюме и начинает рассылать отклики и всё делает верно, пишет трогательные сопроводительные письма, изучает информацию о компаниях, в которые отправляет отклики...
1 месяц назад
Учимся на практике: решаем реальные ML-задачки Это наша регулярная рубрика #петпроект_MLinside и тут мы публикуем задачи из реальных проектов, чтобы лучше запомнить теорию. Плюс, упоминание об этом можно включить в портфолио, что определенно поможет вам на собеседованиях. Шестая задача: оценка кредитного риска Что нужно сделать: Определить, вернёт ли человек кредит на основе его анкетных данных Как можно сделать: ▪️ Использовать признаки: возраст, доход, кредитную история, занятость; ▪️ Использовать модели: Logistic Regression, CatBoost; Данные можно взять на Kaggle: htwww.kaggle.com/...setГотовы попробовать? Делитесь своими результатами в комментариях. Все посты этой рубрики можно посмотреть по тэгу: #петпроект_MLinside
1 месяц назад