MLinside

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: mlinside.ru/...026

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?

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: mlinside.ru/...026 Если у вас остались вопросы, напишите нашему менеджеру: t.me/...rtm