8 ноября команда MLinside выступила на одной из крупнейших конференций года — «Матемаркетинг 2024», которая собрала 2000 гостей, 120 докладов и 100 экспертов из ведущих компаний!
Мы были организаторами секции «ML в бизнесе», где эксперты обсудили, как машинное обучение помогает решать реальные задачи и приносить бизнесу пользу.
🔍 Почему это было важно?
«Матемаркетинг» — это не просто конференция, а возможность увидеть, как аналитика и ML меняют бизнес-подходы, помогают находить решения и внедрять инновации.
🙌 Спасибо организаторам, участникам и всем, кто был с нами на секции! А для тех, кто не смог присоединиться, мы делимся атмосферой и фотографиями прямо из зала. 📸
Были на конференции?
Поделитесь в комментариях какой доклад запомнился больше всего!
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥9❤4👍1
🤔Работаете в компании аналитиком? Вы анализируете данные, приносите бизнесу пользу, придумываете эвристики, которые работают…Но вдруг бизнес нанимает Data Scientist’ов с зарплатой втрое больше, чтобы решать те же задачи с помощью ML моделей. Знакомая ситуация?
Битва между «решить задачу аналитическим отделом» и «решить задачу одним Data Scientist» продолжается в бизнесе уже давно. Иногда побеждает один вариант, иногда другой. Но сейчас хайп вокруг AI означает, что DS’ов будут нанимать в любом случае.
Как сделать так, чтобы бизнес продолжал ценить вашу работу?
Простой ответ — нужно не противостоять изменениям, а возглавить их. Если вы начнете успешно применять ML модели в своей аналитической работе и показывать их как часть аналитического процесса, а не как его замену, бизнес поймёт вашу ценность. Вы пока не ломите ценники, как AI-специалист, но уже строите модели. Конечно, проще поддержать вас, чем нанимать новых людей, не знакомых с вашим бизнесом!
Что вас ждёт в зависимости от пути, который вы выберете:
1️⃣ Если вы первыми внедрили ML-модели и успешно презентовали их менеджменту:
Задачи закрепятся за вами, а ваша команда постепенно превращается в DS-отдел. Рабочие отношения уже налажены, и вас признают ценным специалистом. Такой путь монетизируется дольше, но на длинной дистанции у вас почти неограниченный потенциал. А если вам захочется «карьерного роста», то проще будет возглавить такую команду.
2️⃣ Если вы начали показывать свои таланты, когда в компании уже есть признанные эксперты по Data Science:
Вам предложат пройти обучение и стать полноценным DS-специалистом. Этот путь монетизируется быстрее: вы сразу попадаете на зарплатные вилки DS и живете в них.
🎯 Подвох есть?
Да, он есть. Сколько меня ни просили аналитики о переобучении в DS, энтузиазм падал, как только мы начинали разбираться в градиентных спусках. Математика, матрицы, производные — всё это пугало. Поэтому мы в MLinside начинаем курс «База ML» с математического дополнения.
📱 Часть этих материалов сейчас доступна на YouTube. Это позволяет новичкам, только что знакомым с математическим ожиданием, уже решать задачи по анализу функций потерь в ML.
🧮 Высшая математика сегодня — это не то, что было 20 лет назад. Сейчас её можно понять, изучить и освоить быстрее, интереснее и проще.
❤️ Если этот пост наберёт 100 “сердечек”, мы опубликуем продолжение, где расскажем, как освоить основы ML-моделей без курсов, без кредитов и без помощи родственников!
〰️ 〰️ 〰️ 〰️ 〰️ 〰️ 〰️ 〰️ 〰️ 〰️
Автор поста : Основатель и эксперт школы MLinside, Виктор Кантор.
🎓 А кто уже готов из аналитиков перейти в ML — ждём вас на нашем курсе «База ML», старт 9 декабря!
Битва между «решить задачу аналитическим отделом» и «решить задачу одним Data Scientist» продолжается в бизнесе уже давно. Иногда побеждает один вариант, иногда другой. Но сейчас хайп вокруг AI означает, что DS’ов будут нанимать в любом случае.
Как сделать так, чтобы бизнес продолжал ценить вашу работу?
Простой ответ — нужно не противостоять изменениям, а возглавить их. Если вы начнете успешно применять ML модели в своей аналитической работе и показывать их как часть аналитического процесса, а не как его замену, бизнес поймёт вашу ценность. Вы пока не ломите ценники, как AI-специалист, но уже строите модели. Конечно, проще поддержать вас, чем нанимать новых людей, не знакомых с вашим бизнесом!
Что вас ждёт в зависимости от пути, который вы выберете:
1️⃣ Если вы первыми внедрили ML-модели и успешно презентовали их менеджменту:
Задачи закрепятся за вами, а ваша команда постепенно превращается в DS-отдел. Рабочие отношения уже налажены, и вас признают ценным специалистом. Такой путь монетизируется дольше, но на длинной дистанции у вас почти неограниченный потенциал. А если вам захочется «карьерного роста», то проще будет возглавить такую команду.
2️⃣ Если вы начали показывать свои таланты, когда в компании уже есть признанные эксперты по Data Science:
Вам предложат пройти обучение и стать полноценным DS-специалистом. Этот путь монетизируется быстрее: вы сразу попадаете на зарплатные вилки DS и живете в них.
🎯 Подвох есть?
Да, он есть. Сколько меня ни просили аналитики о переобучении в DS, энтузиазм падал, как только мы начинали разбираться в градиентных спусках. Математика, матрицы, производные — всё это пугало. Поэтому мы в MLinside начинаем курс «База ML» с математического дополнения.
🧮 Высшая математика сегодня — это не то, что было 20 лет назад. Сейчас её можно понять, изучить и освоить быстрее, интереснее и проще.
❤️ Если этот пост наберёт 100 “сердечек”, мы опубликуем продолжение, где расскажем, как освоить основы ML-моделей без курсов, без кредитов и без помощи родственников!
Автор поста : Основатель и эксперт школы MLinside, Виктор Кантор.
🎓 А кто уже готов из аналитиков перейти в ML — ждём вас на нашем курсе «База ML», старт 9 декабря!
Please open Telegram to view this post
VIEW IN TELEGRAM
mlinside.ru
Курс "База ML"
Курс по основам машинного обучения для подготовки к ML-секции собеседования
❤103🔥2🤔1🙏1
🗓 Когда: 30 ноября (суббота), 17:00 (МСК)
🎙 Спикер: Виктор Кантор — основатель MLinside, эксперт по ML, AI и большим данным
На вебинаре:
Присоединяйтесь — стартуем в ML вместе!
Please open Telegram to view this post
VIEW IN TELEGRAM
❤10🔥1
Почему аналитику НЕ НУЖНО идти в ML? ❌
Ранее я описал, какие карьерные выгоды дает аналитику освоение машинного обучения, но на любой вопрос могут быть разные точки зрения, поэтому давайте посмотрим и на противоположный взгляд: почему аналитику лучше не знакомиться с ML.
В прошлый раз я рассматривал финансовую мотивацию. Это конечно здорово и классно, но ведь мы на работе проводим большую часть жизни, что насчет интересных задач? С точки зрения интересных задач оставаться аналитиком лучше.
Например, нужно вам сделать модель оттока и удержания клиентов — ну так считаем отточниками тех, кто снизил потребление ваших услуг на X% и даем им скидку Y%. Отсечки подберете вручную по паре графиков. Или еще лучше: даем скидку на большее количество услуг так, чтобы за счет большей базовой цены всех этих услуг вместе еще и больше заработать с клиента (ну т.е. допродать больше, чем дать скидкой). Вообще epic win, а главное сколько у вас свобод — и Х выбираете, как считаете нужным, и Y, и что предлагать. А сколько влияния — делали удержание, а сделали еще и допродажи услуг, и сосед по опенспейсу теперь недоумевает почему в его проекте по допродажам клиенты уже не восприимчивы к предложениям. А вы хитро улыбаетесь🙂
То ли дело с ML: данные собирать, признаки готовить, строить прогноз оттока, нигде не допустить leak таргета в признаки. Потом для выбора методов удержания еще модель строить. А еще нужно чтобы горизонт прогнозирования был не меньше, чем время, нужное на удержание клиента, а то все сломается. А построение самого алгоритма это в целом понятная операция: вы не изобретаете модели, вы берете градиентный бустинг и правильно его обучаете и валидируете.
Понимаете, в чем подвох? Как аналитик вы придумали все сами. Как машинлернер вы взяли все открытое до вас и рутинно применили.
В этом и проблема: когда ты не умеешь решать задачи как образованный человек, тебе каждое твое «кулибинское изобретение» троллейбуса из буханки хлеба кажется достижением уровня Нобелевки. Ты мыслитель, Прометей, повелитель математики и алгоритмов. А когда начинаешь изучать, что человечество уже придумало (САМО, БЕЗ ТВОЕГО УЧАСТИЯ), узнаешь, что ты внезапно не так уж умен. И все, что ты собирал из костылей и велосипедов люди давно придумали, как делать по-человечески.
Осознать это очень больно. Большинство людей это откровение отвергает и возвращается в состояние «я царь, я гений, я Илон Маск» со своими решениями для бизнеса в два прихлопа три притопа, а про DS при этом говорят: «Вот смотрите, я и без DS обхожусь». И, самое главное, живет в счастье.
Те же, кто пустил знания в свою душу, сталкиваются с печальной правдой, что поверх реальных достижений человечества уже ничего крутого-то и не могут придумать. Только собирать из готовых блоков. И дальше каждый по-своему переживает эту травму. Кто-то разочаровывается и меняет сферу деятельности, кто-то, наоборот, принимает инженерный взгляд на задачи и собирает решения из готовых блоков, не тратя времени на попытки переиграть умных людей, уже все придумавших. Кто-то принимает вызов и идет в ML research разрабатывать новые алгоритмы и все же учиться двигать человечество вперед.
Но само по себе знание не является ценностью в абсолюте. У каждого из вас есть свобода выбора. И для многих оптимальный выбор — конструировать велосипеды и наслаждаться своей гениальностью. Если это ваш случай — не изучайте ML.
〰️ 〰️ 〰️ 〰️ 〰️ 〰️ 〰️ 〰️ 〰️ 〰️
Автор поста : Основатель и эксперт школы MLinside, Виктор Кантор.
🎓 А кто уже готов из аналитиков перейти в ML — ждем вас на нашем курсе «База ML», старт 9 декабря!
Ранее я описал, какие карьерные выгоды дает аналитику освоение машинного обучения, но на любой вопрос могут быть разные точки зрения, поэтому давайте посмотрим и на противоположный взгляд: почему аналитику лучше не знакомиться с ML.
В прошлый раз я рассматривал финансовую мотивацию. Это конечно здорово и классно, но ведь мы на работе проводим большую часть жизни, что насчет интересных задач? С точки зрения интересных задач оставаться аналитиком лучше.
Например, нужно вам сделать модель оттока и удержания клиентов — ну так считаем отточниками тех, кто снизил потребление ваших услуг на X% и даем им скидку Y%. Отсечки подберете вручную по паре графиков. Или еще лучше: даем скидку на большее количество услуг так, чтобы за счет большей базовой цены всех этих услуг вместе еще и больше заработать с клиента (ну т.е. допродать больше, чем дать скидкой). Вообще epic win, а главное сколько у вас свобод — и Х выбираете, как считаете нужным, и Y, и что предлагать. А сколько влияния — делали удержание, а сделали еще и допродажи услуг, и сосед по опенспейсу теперь недоумевает почему в его проекте по допродажам клиенты уже не восприимчивы к предложениям. А вы хитро улыбаетесь
То ли дело с ML: данные собирать, признаки готовить, строить прогноз оттока, нигде не допустить leak таргета в признаки. Потом для выбора методов удержания еще модель строить. А еще нужно чтобы горизонт прогнозирования был не меньше, чем время, нужное на удержание клиента, а то все сломается. А построение самого алгоритма это в целом понятная операция: вы не изобретаете модели, вы берете градиентный бустинг и правильно его обучаете и валидируете.
Понимаете, в чем подвох? Как аналитик вы придумали все сами. Как машинлернер вы взяли все открытое до вас и рутинно применили.
В этом и проблема: когда ты не умеешь решать задачи как образованный человек, тебе каждое твое «кулибинское изобретение» троллейбуса из буханки хлеба кажется достижением уровня Нобелевки. Ты мыслитель, Прометей, повелитель математики и алгоритмов. А когда начинаешь изучать, что человечество уже придумало (САМО, БЕЗ ТВОЕГО УЧАСТИЯ), узнаешь, что ты внезапно не так уж умен. И все, что ты собирал из костылей и велосипедов люди давно придумали, как делать по-человечески.
Осознать это очень больно. Большинство людей это откровение отвергает и возвращается в состояние «я царь, я гений, я Илон Маск» со своими решениями для бизнеса в два прихлопа три притопа, а про DS при этом говорят: «Вот смотрите, я и без DS обхожусь». И, самое главное, живет в счастье.
Те же, кто пустил знания в свою душу, сталкиваются с печальной правдой, что поверх реальных достижений человечества уже ничего крутого-то и не могут придумать. Только собирать из готовых блоков. И дальше каждый по-своему переживает эту травму. Кто-то разочаровывается и меняет сферу деятельности, кто-то, наоборот, принимает инженерный взгляд на задачи и собирает решения из готовых блоков, не тратя времени на попытки переиграть умных людей, уже все придумавших. Кто-то принимает вызов и идет в ML research разрабатывать новые алгоритмы и все же учиться двигать человечество вперед.
Но само по себе знание не является ценностью в абсолюте. У каждого из вас есть свобода выбора. И для многих оптимальный выбор — конструировать велосипеды и наслаждаться своей гениальностью. Если это ваш случай — не изучайте ML.
Автор поста : Основатель и эксперт школы MLinside, Виктор Кантор.
🎓 А кто уже готов из аналитиков перейти в ML — ждем вас на нашем курсе «База ML», старт 9 декабря!
Please open Telegram to view this post
VIEW IN TELEGRAM
❤16🔥6😁5👍1😈1
Зачем разработчику знакомиться с ML 👨💻
Вот вы разработчик и разрабатываете, например, популярное приложение — сервис заказа такси. И вот вы знаете, как код писать грамотно, как проектировать высоконагруженные сервисы. Но возникает творческая задачка: показать пользователю подсказки места назначения. То есть, до того как он начал вводить адрес, нужно угадать и сразу предложить несколько вариантов.
Люди, вызывавшие такси ночью зимой с 1% заряда аккумулятора, точно оценят такую фичу🙂
Задача, как я уже заметил, творческая, и вы радостно потираете руки. Первое ваше решение - всегда показывать топ 3 популярных мест пользователя. Но, конечно, оно вас не очень радует: программист вы в конце-концов или нет? Сразу рождается второе решение: а давайте, если в место человек ездил примерно в эти часы за последнюю неделю, будем добавлять варианту +1 балл. Ну и популярность мест тоже как-то пересчитаем в баллы. Хорошо, это мы время учли, а есть же еще день недели. На работу мы ездим в будни, а куда-то еще - в выходные. Отлично, тогда добавляем +2 балла, если мы ездим сюда, например по будням, а сегодня как раз будний день. А еще такие же баллы за регулярные поездки по каждому дню недели. А еще есть места, в которые мы ездим даже издалека (например, опять же, на работу), а есть места, в которые мы ездим, когда они рядом - например, в бар рядом с работой едем с работы, а в бар рядом с домом едем из дома. О, еще одно наблюдение! Важно, ОТКУДА мы едем. Там тоже можно сделать разбалловку. В итоге через пару недель наших творческих фантазий в продакшене уже куча правил, по которым мы считаем баллы каждого места, куда часто ездит пользователь, и места с самыми большими баллами мы выводим в приложении как подсказки.
И вот, прошло 6 месяцев. У вас есть в коде прекрасный алгоритм из 100 правил, учитывающих разные ситуации, и иногда конфликтующих друг с другом. Он ваш, родной, сами все баллы подбирали, но стоит добавить новое правило и уже все ломается, заново надо что-то тюнить. И вот за 6 месяцев вам уже поднадоело этой ерундой заниматься.
У меня для вас хорошие новости - можно не заниматься. Берете какую-нибудь популярную ML библиотеку (например XGBoost, LightGBM или CatBoost), собираете выборку с поездками пользователей (из логов) в разные места, обучаете модель классифицировать пары (пользователь, место) на 2 класса - 0, если не поедет туда, 1 - если поедет. И весь ваш алгоритм заменяете классификатором. Либо добавляете прогноз старого алгоритма как один из признаков, и больше уже не страдаете его модификацией и улучшением.
Плюсы: ML-модель учится на данных, самостоятельно формирует правила (и их может быть тысячи). Вам не нужно лезть внутрь, просто использовать готовое решение.
Минусы: Теперь придется учиться проверять качество модели. Если раньше хватало проверки на нескольких примерах, то для ML потребуется валидационная выборка. Важно хотя бы в теории понимать, как это работает.
Но по сути вопрос свелся к тому, что лучше: практически готовое решение или свой велосипед. Большинство разработчиков знает, что свой велосипед это часто весело и задорно в начале. Но вот через полгода-год (а иногда и через месяц) его поддержка уже не вызывает былого энтузиазма.
А еще говорят, что хороший тон для разработчика писать код так, будто тот, кто потом будет его после вас править и поддерживать, знает, где вы живете :) Вот для того, чтобы сразу решать подобные задачи стандартными моделями и библиотеками, с которыми все умеют работать, и нужно разработчику знакомиться с ML.
Есть конечно и другие причины. Это и более широкий спектр решаемых задач, когда вы знаете ML, и то, что алгоритмы машинного обучения это в целом очень интересно и красиво, и популярность сферы, и множество новых карьерных возможностей.
〰️ 〰️ 〰️ 〰️ 〰️ 〰️ 〰️
Автор поста: Основатель и эксперт школы MLinside, Виктор Кантор
🎓А кто из разработчиков уже готов знакомиться с ML — ждём вас на нашем курсе «База ML», старт 9 декабря!
Вот вы разработчик и разрабатываете, например, популярное приложение — сервис заказа такси. И вот вы знаете, как код писать грамотно, как проектировать высоконагруженные сервисы. Но возникает творческая задачка: показать пользователю подсказки места назначения. То есть, до того как он начал вводить адрес, нужно угадать и сразу предложить несколько вариантов.
Люди, вызывавшие такси ночью зимой с 1% заряда аккумулятора, точно оценят такую фичу
Задача, как я уже заметил, творческая, и вы радостно потираете руки. Первое ваше решение - всегда показывать топ 3 популярных мест пользователя. Но, конечно, оно вас не очень радует: программист вы в конце-концов или нет? Сразу рождается второе решение: а давайте, если в место человек ездил примерно в эти часы за последнюю неделю, будем добавлять варианту +1 балл. Ну и популярность мест тоже как-то пересчитаем в баллы. Хорошо, это мы время учли, а есть же еще день недели. На работу мы ездим в будни, а куда-то еще - в выходные. Отлично, тогда добавляем +2 балла, если мы ездим сюда, например по будням, а сегодня как раз будний день. А еще такие же баллы за регулярные поездки по каждому дню недели. А еще есть места, в которые мы ездим даже издалека (например, опять же, на работу), а есть места, в которые мы ездим, когда они рядом - например, в бар рядом с работой едем с работы, а в бар рядом с домом едем из дома. О, еще одно наблюдение! Важно, ОТКУДА мы едем. Там тоже можно сделать разбалловку. В итоге через пару недель наших творческих фантазий в продакшене уже куча правил, по которым мы считаем баллы каждого места, куда часто ездит пользователь, и места с самыми большими баллами мы выводим в приложении как подсказки.
И вот, прошло 6 месяцев. У вас есть в коде прекрасный алгоритм из 100 правил, учитывающих разные ситуации, и иногда конфликтующих друг с другом. Он ваш, родной, сами все баллы подбирали, но стоит добавить новое правило и уже все ломается, заново надо что-то тюнить. И вот за 6 месяцев вам уже поднадоело этой ерундой заниматься.
У меня для вас хорошие новости - можно не заниматься. Берете какую-нибудь популярную ML библиотеку (например XGBoost, LightGBM или CatBoost), собираете выборку с поездками пользователей (из логов) в разные места, обучаете модель классифицировать пары (пользователь, место) на 2 класса - 0, если не поедет туда, 1 - если поедет. И весь ваш алгоритм заменяете классификатором. Либо добавляете прогноз старого алгоритма как один из признаков, и больше уже не страдаете его модификацией и улучшением.
Плюсы: ML-модель учится на данных, самостоятельно формирует правила (и их может быть тысячи). Вам не нужно лезть внутрь, просто использовать готовое решение.
Минусы: Теперь придется учиться проверять качество модели. Если раньше хватало проверки на нескольких примерах, то для ML потребуется валидационная выборка. Важно хотя бы в теории понимать, как это работает.
Но по сути вопрос свелся к тому, что лучше: практически готовое решение или свой велосипед. Большинство разработчиков знает, что свой велосипед это часто весело и задорно в начале. Но вот через полгода-год (а иногда и через месяц) его поддержка уже не вызывает былого энтузиазма.
А еще говорят, что хороший тон для разработчика писать код так, будто тот, кто потом будет его после вас править и поддерживать, знает, где вы живете :) Вот для того, чтобы сразу решать подобные задачи стандартными моделями и библиотеками, с которыми все умеют работать, и нужно разработчику знакомиться с ML.
Есть конечно и другие причины. Это и более широкий спектр решаемых задач, когда вы знаете ML, и то, что алгоритмы машинного обучения это в целом очень интересно и красиво, и популярность сферы, и множество новых карьерных возможностей.
Автор поста: Основатель и эксперт школы MLinside, Виктор Кантор
🎓А кто из разработчиков уже готов знакомиться с ML — ждём вас на нашем курсе «База ML», старт 9 декабря!
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
❤7💯3🔥2👍1
🗓️ Когда: 30 ноября (суббота) , 17:00 (МСК)
🎙 Спикер: Виктор Кантор — основатель MLinside, эксперт по ML, AI и большим данным
Что вас ждёт
💥 Презентация второго потока курса «База ML»: получите информацию о программе, преподавателях и полезных обновлениях! Старт — 9 декабря!
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥3❤2👍1
⏳Через 15 минут начинаем вебинар «Зачем и как войти в ML» с Виктором Кантором, основателем MLinside, Ex Chief Data Officer МТС, преподавателем ML в МФТИ и ВШЭ
Переходите на вебинар по ссылке
Переходите на вебинар по ссылке
❤5🔥4
Часть нашего курса теперь на Stepik‼️
Если вы давно задумывались о старте в ML, но всё ещё сомневаетесь, подойдёт ли вам обучение, у нас отличная новость: теперь вы можете заглянуть внутрь нашего курса «База ML»!
Мы подготовили для вас демо-курс на Stepik! Это отличная возможность:
🔹 Погрузиться в процесс обучения: узнайте, как наши преподаватели объясняют сложные темы простым и понятным языком.
🔹 Оценить подачу материала: почувствуйте, как легко и увлекательно можно получать новые знания.
👨💻 Мы открыты, потому что уверены в качестве наших курсов. Хотите попробовать, прежде чем погружаться полностью? Это ваш шанс!
➡️ Смотрите курс здесь
👨🎓 Примерьте на себя роль студента MLinside и сделайте первый шаг к новым знаниям уже сегодня!
Если вы давно задумывались о старте в ML, но всё ещё сомневаетесь, подойдёт ли вам обучение, у нас отличная новость: теперь вы можете заглянуть внутрь нашего курса «База ML»!
Мы подготовили для вас демо-курс на Stepik! Это отличная возможность:
🔹 Погрузиться в процесс обучения: узнайте, как наши преподаватели объясняют сложные темы простым и понятным языком.
🔹 Оценить подачу материала: почувствуйте, как легко и увлекательно можно получать новые знания.
👨💻 Мы открыты, потому что уверены в качестве наших курсов. Хотите попробовать, прежде чем погружаться полностью? Это ваш шанс!
👨🎓 Примерьте на себя роль студента MLinside и сделайте первый шаг к новым знаниям уже сегодня!
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥12👍5❤3
Курс «База ML»: Поддержка на каждом шаге вашего пути в машинное обучение! 🚀
Мы знаем, что изучение машинного обучения — это не просто видеоуроки и чтение материалов. Это путь, где важно не только усваивать информацию, но и получать поддержку и обратную связь от профессионалов. Поэтому наш курс «База ML» предлагает уникальные возможности для общения с экспертами и преподавателями.
💫 Что вас ждёт?
🔘 Еженедельные онлайн-встречи: Каждую неделю у вас будет возможность в реальном времени задать вопросы, обсудить темы курса и проработать сложные моменты с экспертами и преподавателями. Это онлайн-сессии, где вы можете не просто слушать, а активно участвовать в обсуждениях, делиться своими мыслями и решать задачи вместе с наставниками.
🔘 Чат с преподавателями и экспертами: Мы всегда на связи! В специальном чате курса вы сможете общаться не только с однокурсниками, но и с преподавателями и экспертами. Возник вопрос — пишите, и вам обязательно ответят, поддержат и дадут рекомендации.
🔥 Почему это важно?
🔘 Обратная связь: в отличие от самостоятельного обучения, на курсе вы получаете непрерывную поддержку, не теряя времени на поиски решения или интерпретацию информации.
🔘 Обсуждение задач и кейсов: Совместное решение задач помогает лучше понять материал и быстрее освоить алгоритмы и методы машинного обучения.
🔘 Рефлексия и развитие: Вы не только учитесь, но и рефлексируете, делитесь множеством идей с коллегами и преподавателями — это помогает углубить понимание темы.
🧑🏫 Максимальная поддержка на каждом этапе — от понимания теории до практических навыков и подготовки к собеседованиям!
💡Мы уверены, что с таким уровнем сопровождения и поддержки вы сможете не только усвоить материал, но и уверенно развиваться в сфере ML!
⚡️ Старт второго потока курса «База ML» — 9 декабря! Присоединяйтесь уже сейчас!
Мы знаем, что изучение машинного обучения — это не просто видеоуроки и чтение материалов. Это путь, где важно не только усваивать информацию, но и получать поддержку и обратную связь от профессионалов. Поэтому наш курс «База ML» предлагает уникальные возможности для общения с экспертами и преподавателями.
🔥 Почему это важно?
🧑🏫 Максимальная поддержка на каждом этапе — от понимания теории до практических навыков и подготовки к собеседованиям!
💡Мы уверены, что с таким уровнем сопровождения и поддержки вы сможете не только усвоить материал, но и уверенно развиваться в сфере ML!
Please open Telegram to view this post
VIEW IN TELEGRAM
mlinside.ru
Курс "База ML"
Курс по основам машинного обучения для подготовки к ML-секции собеседования
🔥6❤1👍1👎1
Ты освоил базу машинного обучения, но не хватает коммерческого опыта или навыков решения бизнес-задач? Готов углубиться в реальные кейсы и узнать, как приносить бизнесу пользу с помощью ML? Тогда этот курс для тебя!
💡 Что мы разберём?
На курсе ты узнаешь, как бизнес зарабатывает с помощью Data Science. Мы расскажем, как решаются реальные задачи в таких областях как:
Также ты научишься работать с интерпретируемостью моделей, освоишь подходы вроде ICE, PDP, LIME, SHAP, и даже изучишь RAG — вопросно-ответные системы на базе знаний.
⏳ Когда старт?
Курс начнётся с вводного вебинара в конце декабря, а полноценное обучение стартует уже в январе.
👉 Следите за обновлениями в канале, чтобы не пропустить анонс вебинара и подробности курса. Скоро поделимся датой старта и ссылкой на сайт для записи!
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
❤12🔥7👍5