Вступайте также в наш чат - сообщество MLinside, где можете задать любой интересующий Вас вопрос Виктору и другим сильным специалистам в области ML: @ml_insidechat 🔥

О дальнейших планах MLinside📝

Известна история про то, как академик Курчатов, став во главе института атомной энергии (после сметри академика получившего его имя), решил проблему оптимальной прокладки асфальтированных дорожек на территории института. Он распорядился всю территорию засеять газоном и не прокладывать дорожки вовсе, а потом заасфальтировать те тропинки, которые протопчут сотрудники. Какое отношение это имеет к обучению, спросите вы? Самое прямое.

📚В нашем первом курсе, базовом ML, мы сейчас готовим 16 занятий и домашних работ, посвященных самым необходимым темам ML для работы джуном и прохождения собеседований. Никаких объемных курсов "математика в Data Science", "основы Python" и им подобных на старте не будет, только первые 4 вводных занятия, где мы будем сразу показывать, какая математика и где применяется в ML (объясняя по ходу дела) и как на Python делать базовые для ML операции. Дальше будет 8 занятий непосредственно по основам supervised learning вместе с валидацией моделей, а затем будет еще 4, чтобы нарешать полезных для понимания задач с собеседований и лучше понять, как же все работает.

На лицо сильный контраст с 7 или 9-месячным обучением от лидеров ML образования. С чем он связан? С тропинками. Первый заход будет с одной стороны тестовый, с другой стороны с запредельным вниманием к слушателю.

👉Во-первых, занятия будут вживую по Zoom. С вами будут напрямую общаться два Chief Data Officer'а топовых российских компаний (ну ладно, я уже бывший) с опытом преподавания 10+ лет и еще несколько практикующих экспертов.
👉Во-вторых, мы будем тщательно следить, где у вас возникают проблемы с освоением курса, и получится ли решить главную задачу - перевод вас как слушателя в статус учащегося на практике, работая в настоящей компании на джуновской позиции. Все препятствия, что мы встретим на пути к вашему пониманию и трудоустройству, лягут в основу новых модулей и курсов, а участникам "тестовой" группы конечно будут предоставлены особые условия для участия в этих курсах.

Таким образом, возможно мы и придем к 7-месячной программе или чему-то похожему, но тропинки будут проложены ровно там, где надо.

Для чего мы это делаем именно так?⤵️

▪️Во-первых, у длинных курсов очень небольшой процент дохождения до конца.
▪️Во-вторых, у меня есть некоторая нетерпимость к отсутствию решительных действий, ну например когда человек годами учится и никак не устроится или не начнет применять знания в своей работе.

Моя гипотеза - что мне интересно работать с теми, кто закрепляет свой опыт на практике в реальной работе. И эту гипотезу мне предстоит проверить, поэтому базовый курс ориентирован не на долгое обучение, а на быстрый путь "к станку" :)

Что будет дальше? А дальше будет самое интересное. Курс по применению ML в бизнесе, освещающий общие паттерны применения ML (скоринги, рекомендации, look-alike, прайсинг и многое другое) и показывающий как это используется в конкретных сферах. Более продвинутый курс по базовому ML, когда на работу уже устроился, но хочешь развиваться. Конечно же, курс для вкатывания в DL и специализированные курсы по NLP и CV. Отдельные курсы по применению ML в каждой сфере бизнеса, углубляющие общий ML in business и отвечающие на ваш конкретный вопрос "что крутого мне сделать, если я работаю в компании из сферы Х".

Но все это - контент для тех, кто работает работу, а не просто ходит по курсам. Так что сначала - базовый ML.

Какой критерий хорошего преподавателя вы считаете самым важным? 👨‍🏫

У меня назрел этот вопрос не просто так. Я решил поделиться с вами историей поиска преподавателей для школы ML, и записывая все свои мысли, я задумался о том, что для каждого решающим критерием выбора учителя может стать что угодно, начиная от его квалификации и заканчивая тембром голоса.

Делитесь своим мнением по этому вопросу в комментариях⬇️

Моя история запуска школы ML
(часть 2 - про преподавателей) 👀

Поиск экспертов в команду не занял у меня много времени, потому что я знал, кого я хочу видеть в качестве преподавателей👇

1️⃣ Первым был Илья Ирхин, Chief Data Officer Яндекс.Еды. Илья в свое время пришел в Яндекс именно в мою команду, а чуть позже с нас и начался ML-отдел Яндекс.Go, который мы весьма успешно строили, развивали, и в какой-то момент Илья им руководил в качестве CDS (Chief Data Scientist) Яндекс.Go. С Ильей вместе мы провели не один запуск DMIA, и его преподавательский стиль невероятно обаятелен, харизматичен, но, самое главное, полон любви к студентам.

2️⃣ Вторым человеком стал Никита Зелинский, CDS Big Data МТС. Никита обладает двумя критично важными качествами для моей затеи. Во-первых, он чудовищно въедливый, копает так, что иногда кажется, что скоро вылезет где-то в Австралии. От него я узнаю про ML те вещи, которые за 15 лет не узнал сам, и он продолжает приносить что-то новое каждый день. Если бы не было маленького ручейка знаний в обратную сторону, я бы уже умер от синдрома самозванца :))) Каждый раз, когда мне удается показать что-то новое или слегка переспорить Никиту - это небольшая личная победа, потому что превосходство 100% на его стороне. Такой человек очень важен в команде, если мы хотим построить все-таки Стэнфорд. Область развивается очень быстро, важно оставаться актуальными, важно копать и раскапывать новые нюансы, ведь базовый уровень подготовки и требования к специалистам со временем растут. А что до второго качества Никиты - оно проявилось, когда мы с ним вели курс ML в бизнесе в МФТИ и во ВШЭ. Это опять же бесконечная любовь к слушателю при подготовке материалов. У нас даже был один очень сильный студент (очень круто сдававший все домашки), который попросился в будущем преподавать с нами, потому что ему понравилось именно то, с какой любовью сделаны материалы.

Итак, с Ильей я планировал сделать базовый курс ML, с Никитой - ML в прикладных задачах, для начала пойдет👍 Бизнесовую часть закрывал Савелий со своей командой (см. часть 1). Минимальная команда в сборе!

Первое видео на YouTube в рамках школы MLinside 🚩

Рад сообщить, что мы с командой дали старт проекту MLinside в том числе и на youtube-канале. В вводном видео я рассказал о том, как бы я учил машинное обучение в 2024, если бы начинал с нуля.

Буду рад вашей поддержке в виде подписки, лайка и комментария✅

Приятного просмотра⬇️
https://www.youtube.com/watch?v=ylMFNJID3Ks&ab_channel=MLinside

Новый ролик уже на канале👇

Приятного просмотра!
https://youtu.be/YV7KoklrFpw?si=yBzrJjz3e_S96GaI

Давайте знакомиться🤝

В прошлом посте я рассказал вам о том, как искал преподавателей для ML-школы, и думаю, что стоит познакомить вас немного поближе⬇️

Начнем с Ильи Ирхина, CDO в Яндекс.Еде. За свой 8-летний стаж работы в машинном обучении он успел:
▪️стать одним из тех людей, с кого начался ML-отдел в Яндекс.Такси,
▪️поработать Chief Data Scientist в Яндекс.Go,
▪️выступить в качестве соавтора и преподавателя запусков DMIA,
▪️стать кандидатом физико-математических наук,
▪️пройти путь от Junior до С-level сервиса в Яндексе.

В посте не хватит символов, чтобы рассказать вам, кто такой Илья. Поэтому мы сняли целое интервью в рамках YouTube-канала MLinside, в котором Илья расскажет о том, как работает Яндекс изнутри, какие скиллы нужны, чтобы попасть в такую крупную компанию, как преодолеть быстрорастущую конкуренцию на рынке труда и многое другое.

Ролик выйдет на канале уже в пятницу в 19:00 по мск.
Не пропустите 🔔

Чего не хватает ML образованию сейчас?🤓

Курсов и материалов по машинному обучению сейчас так много, и они настолько на любой вкус, что остро встает проблема выбора. За время преподавательской карьеры и карьеры в индустрии я сформулировал ряд вещей, которые хотелось бы видеть в хорошей программе обучения, ими сегодня и поделюсь👇

1️⃣«Многомерность» объяснения: иллюстрации, формула, код, аналогия. Здесь речь идет о том, что для разных людей подходят разные способы объяснения. И безумно важно сразу применять в курсах все способы донесения материала, чтобы среди используемых точно был тот, который лучше усваивается слушателем, и чтобы параллельно развивать у него другие.

2️⃣Разные слои практики:
- понимание принципов работы алгоритмов,
- умение реализовать методы на каком-то уровне самостоятельно,
- наблюдение и понимание особенностей поведения ML моделей на практике,
- умение применять ML модели из коробки и понимание, чем каждый подход ценен и где применим,
- понимание значимости признаков для ML модели, как их готовить,
- умение видеть в реальных задачах модельные задачи машинного обучения.

3️⃣Возможность варьировать скорость изучения ML: у каждого слушателя она индивидуальна. Отлично, когда в программе нет четких дедлайнов, и ученик сам может подстраивать под себя скорость обучения.

4️⃣Побуждение слушателя к действию. В программе обучения должны быть триггеры на применение полученных знаний - «попробуйте сходить на собеседование и вернитесь к нам с задачками», «попробуйте применить в своем проекте и расскажите в классе», «поучаствуйте в соревновании».

5️⃣Наличие большого количества ссылок на дополнительные материалы. Интерес к дополнительным ресурсам по теме - показатель того, что слушатель реально хочет погрузиться в процесс обучения с головой. Победа для преподавателя - не принудить вас все знать, а сделать так, чтобы вам было интересно самому совершенствовать свои знания всю жизнь.

6️⃣Наличие сообщества для обсуждения как контента курса, так и особенностей его применения, ваших личных историй про ваши проекты, дополнительных материалов и многого другого. Если вы изучаете что-то, но вам не с кем поговорить - это очень замедляет процесс.

7️⃣И последний, но очень поучительный момент. Хорошей программе обучения нужна соревновательность, как опция. Здесь понадобятся две истории для иллюстрации. Много лет назад, когда запускался курс ML от Open Data Science, его авторы пиарили его всюду, как «курс с соревнованиями по ML и рейтингом участников», как будто это было чем-то новым, а не использовалось на всех курсах ML уже 10 лет. И оказалось, что это было гениальным маркетинговым ходом. Людям и правда хорошо продавалась история с соревновательным обучением, подсветить которую авторы других курсов просто не догадывались. Однако расскажу и другой пример. Лет за 5 до описанных событий студенты МФТИ успешно сдали первый семестр курса ML, в котором все задания были оформлены в виде соревнований, а оценка зависела от занятого места в таблице с результатами. Приступая ко второму семестру, студенты просто упрашивали преподавателей не делать все домашки соревнованиями. Студентам хотелось уже просто учить предмет на хорошем уровне, а не каждый раз пытаться превзойти однокурсников. Главный вывод: соревновательность нужна, ценна, но, во-первых, как опция, а не обязаловка, а во-вторых, в меру. Людям итак хватает постоянной конкуренции в жизни, образование должно давать некоторое безопасное пространство для получения знаний и совершенствования навыков.

☝️И именно по причине того, что рынок сейчас перенасыщен различными курсами, некоторые из которых первоначально не преследуют цель реально научить чему-то слушателя, нашей с командой главной задачей становится разработать такой курс, чтобы не только по максимуму дать каждому качественные и структурированные знания, практику, возможность состоять в комьюнити, но и сделать так, чтобы в вас проснулось искреннее желание самому развиваться и совершенствовать свои умения📈

А как вы думаете, чем еще можно дополнить этот список?🤔

Интервью с одним из преподавателей школы MLinside, Chief Data Officer в Яндекс.Еда и специалистом с 8-летним стажем работы в машинном обучении, Ильей Ирхиным, уже на нашем youtube-канале!

На интервью обсудили:
🔹как ML-разработчику попасть в такую компанию, как Яндекс,
🔹нужно ли высшее техническое образование, чтобы стать ML-специалистом,
🔹какую зарплату ждать джуну,
🔹почему важно развивать софт-скиллы наравне с хардовыми
и многое другое.

Приятного просмотра⬇️

https://youtu.be/C08_tr4xjpw?si=zi6bo9Sbg_Aaknp

🎥 На нашем YouTube-канале вышел новый ролик!

В нем рассказал:
▪️в чем разница между такими специалистами, как ML engineer, Data scientist, Data analyst и Data engineer,
▪️и в каких областях более востребован каждый из них☝️

Приятного просмотра⏯️

https://youtu.be/aauY34As0Yo?si=dEDuWUQcWvRWC2bt

Как я решился на убийство: мы подготовили первый курс MLinside и узнали, что он НЕ НУЖЕН!😱

↪️Итак, ранее я уже рассказывал про замысел первого курса (базового ML). Цель - как можно быстрее дотянуть слушателя до собеседований и трудоустройства в любое место, куда его возьмут заниматься DS. И дальше слушатель приходил бы к нам не «просто поучиться», а научиться справляться с вызовами, которые встречает на работе. Совершенно другой уровень мотивации и вовлечения, нежели «учеба ради учебы» или каких-то очень далеких целей. Вы скажете: «А что, если человек к вам не вернется, потому что ему только и надо было трудоустроиться?». Я отвечу: «И замечательно, меньше всего на свете я хочу делиться нашими сакральными знаниями с тем, кому они не нужны».

План был дерзкий, но мой опыт подсказывал, что так можно👇

🔹Первые 2 недели - быстрое напоминание математики (производная, градиент, умножение матриц, распределения и статистические оценки). То, что это все учат два года, для нас не блокер, потому что нам не нужны на старте матан, линал, теорвер и матстат целиком. Нужны только штук пять ключевых понятий.
🔹Далее 4 недели собственно ML - тоже за счет концентрации только на том, что всегда используется на практике и спрашивается на собеседовании (линейные модели, градиентный бустинг над деревьями, метрики качества, А/В тесты).
🔹Далее еще 2 недели порешать задачки с собеседований и быстрее идти собеседоваться. Была даже идея дать поход на собеседование в качестве домашнего задания.

И вот у нас готовы все материалы: и презентации для теоретических занятий, и код для практических. Мы завершаем последние приготовления и причесываем домашние задания, но из кастдева приходят очень тревожные новости. Люди НЕ ВЕРЯТ, что даже имея физмат образование в анамнезе, можно «вкатиться» в ML за 2 месяца.

Что мы узнали:
- Меньше 4 месяцев выглядит, как шарлатанство,
- Лучше 6+ месяцев,
-Есть люди (и их много), которые уже применяли ML у себя на работе, уже прошли Яндекс Практикум, Karpov Courses или Skillbox, но перед собеседованием на Джуна в DS все еще хотят год чему-то учиться.

💭Возникла ужасная мысль: принудительно увеличить курс с 2 месяцев до 6, чтобы у нас его покупали. Представьте, пройдет через курс 1000 человек, они потратят на 4 месяца больше, чем могли бы. Суммарно 4000 месяцев или 333 года, или 4,75 человеческих жизней. Просто потому, что НЕ ВЕРЯТ, что можно идти собеседоваться (не к лидерам рынка, но к ним иногда тоже) практически только почитав туториалы, разобрав вопросы с собесов и потренировавшись на них отвечать. А уж с поддержкой в виде экспресс-программы на 2 месяца - тем более можно.

🤔Ну что же, 4,75 виртуальных человеческих жизней - это не такие большие жертвы, чтобы обучить тысячу. Пришлось поменять формат курса, о чем мы расскажем в следующем посте. А как бы поступили вы?

Поговорим про деньги💰

Начинающих специалистов часто беспокоит вопрос их будущей зарплаты: чего им ждать при трудоустройстве, какие перспективы финансового роста сейчас на рынке DS📈

На youtube-канале MLinside вышел ролик, где я рассказал о том, сколько сейчас могут зарабатывать дата саентисты на разных грейдах: от джуниора до сеньора💲. И от чего зависит уровень зарплаты.

Приятного просмотра👇

https://youtu.be/eZilM1zqnIg?si=TSR6vQeTs5DPtCXI

Итак, рассказываю продолжение истории разработки курса: что же мы сделали с форматом подачи👇

Разные потребности людей по длительности вводного курса в ML связаны не столько с тем, что люди хотят изучить различный объем перед трудоустройством (хотя это тоже есть), сколько с тем, что люди учатся с разной скоростью. И это нормально, у каждого свой процесс мышления и познания, например, учиться медленнее – не обязательно значит хуже. Иногда это значит осваивать материал увереннее и глубже.

Изначально мы хотели проводить живые занятия в зуме, имитируя работу в классе. Но главное ограничение работы в классе - уравниловка. Общая программа и общий темп изучения приводят к появлению как неуспевающих, так и тех, кому чудовищно скучно🥱 Замысел провести все «вживую» возник, чтобы лучше прочувствовать аудиторию. Но столкнувшись с запросом на обучение за 4-6 месяцев вместо двух, мы поняли, что если просто удлинить курс, мы будем иметь слишком длинный цикл обратной связи. Следовательно, дорабатывать курс мы будем очень медленно.

💡Решение лежало на поверхности – сразу нарезать курс на видео по 7-15 минут, как это было в формате Coursera, и в таком виде давать для прохождения. Кто хочет – справится за полгода, кто хочет – за месяц. В этом случае мы сможем учитывать фидбек и перезаписывать любое видео сразу же. А освободившееся время преподавателей посвятить созданию опционального контента и аналогу «office hours» в университете.

🧑‍💻Да-да, от зума мы не отказались. Просто на нем мы будем отвечать на накопившиеся вопросы слушателей и объяснять какие-то вещи вживую, если есть необходимость. Знаете, как в университете: преподаватель задает слушателям вопрос, понимает, что чего-то уже пройденного вы так и не поняли, и пробует объяснить по-другому. Вот и мы так попробуем.

Поделитесь в комментариях, чему бы еще вы посвятили зум-звонки, если сами занятия уже будут на видео :) Может быть вместе мы сделаем формат курса еще лучше 💪

Что такое Artificial Intelligence, Machine Learning, Deep Learning и Data Science?
И в чем разница между этими понятиями?🤔

Об этом я рассказал в новом видео на youtube-канале MLinside🎥

Приятного просмотра⤵️

https://youtu.be/IfXXbP-oShU?si=1ehNY-B1nPCww4mx

Мы готовы анонсировать первый курс в рамках MLinside🍾

Итак, спустя несколько месяцев плодотворной работы над разработкой курса мы с командой готовы анонсировать программу первого учебного потока в рамках MLinside🙂

Но прежде, чем раскрыть вам все карты, хочу попросить вас оставить под этим постом ответ на следующий вопрос:

На какой должности в профессии вы сейчас?
Напишите в комментариях свою специальность и уровень👇

🧑‍💻Как я говорил ранее, первый курс, который мы будем запускать в рамках проекта MLinside – Базовый курс Машинного обучения.

Во время разработки курса мы провели много кастдевов для того, чтобы понять, кто наши читатели, и какие у вас потребности. И в предыдущем посте я не просто так интересовался вашей профессией и уровнем☝️ Главная цель – показать и вам тоже, что в канале собрались абсолютно разные специалисты, каждый с уникальным опытом в профессии (вы можете зайти в комментарии под постом и почитать ответы). И все вы пришли сюда ради одного дела – изучить Machine Learning. Именно поэтому мы запускаем курс, который подойдет не только узкому кругу ML-специалистов, но и работникам смежных направлений.

Мы будем ждать вас на потоке, если вы:

▫️новичок в IT, у вас есть огромная любовь к математике и вы выбрали ML, как направление, в котором хотите развиваться,
▫️хотите работать в проекте, тесно связанном с ML-командой,
▫️испытываете большой интерес к этой сфере, знаете, что за ML – будущее, видите широкие перспективы, новые возможности в ML,
▫️хотите научиться решать разные задачи с применением ML, самостоятельно тестировать гипотезы, оценивать сроки и результаты работы, правильно ставить задачи,
▫️устали от однообразной работы и хотите расширить свой кругозор и получить новые навыки,
▫️любите создавать что-то новое и решать сложные, нетривиальные задачи,
▫️хотите запустить свой продукт с применением машинного обучения.

Что даст вам этот курс:

▪️понимание того, как работает машинное обучение, новые возможности работы с информацией,
▪️возможность работать в активно развивающейся сфере,
▪️способность применять инструменты ML на практике и решать задачи с применением machine learning уже во время обучения,
▪️возможность найти новый коммерческий проект в качестве ML-специалиста,
▪️возможность стать лучшим и иметь преимущества на рабочем месте,
▪️возможность забустить карьеру и получить повышение до следующего грейда,
▪️финансовый рост,
▪️умение работать и общаться с DS/ML-специалистами на «их языке».

👥Мы будем ждать всех, кто готов расти и развиваться в направлении Data Science, на нашем первом потоке по базе ML!

Чуть позже мы более подробно расскажем вам о том, что вас ждет на курсе. А пока следите за обновлениями в канале, чтобы не пропустить важные анонсы🔔

Что такое Data Science простыми словами?
Какие есть примеры применения Data Science?
Какие профессии существуют в этом направлении?

На эти вопросы я ответил в новом видео на нашем youtube-канале🎦

Приятного просмотра👇

https://youtu.be/v3FaHQXRPQ8?si=LBxRMsgJjY0TIMPt

Chief Data Scientist в МТС и один из преподавателей школы MLinside – Никита Зелинский👥

☝️Как я уже говорил ранее, Никита обладает двумя важнейшими для меня качествами хорошего преподавателя – глубочайшим погружением в темы, которые его интересуют, и искренней любовью к грамотной подготовке материалов для вас, наших слушателей.

Помимо ученой степени (кандидат физико-математических наук) и преподавательской практики Никита имеет 14 лет коммерческого опыта в Data Science/ML. Он прошел большой путь от джуниор ML-специалиста до CDS & Head of ML-platforms и успел поработать в таких крупных компаниях, как:
▪️Сбер (CDO в среднем и крупном бизнесе),
▪️МТС (CDS & Head of ML),
▪️Департамент информационных технологий Москвы (Team Leader DS),
▪️Яндекс.Терра (ML-engineer).

Я искренне горжусь тем, что в моей команде есть такой человек, как Никита. И я уверен, что вас он также не оставит равнодушными :)