MLinside

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

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.

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

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

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