Всем привет, добро пожаловать на канал MLinside - школы машинного обучения от практиков и для практиков🧑‍💻

Меня зовут Виктор Кантор, и я основал MLinside, чтобы воплотить в одном месте весь свой 15-летний опыт преподавания и работы в индустрии, а также собрать вокруг себя не менее увлеченных экспертов-единомышленников.

В сфере анализа данных мне довелось
🔹пройти путь от студента-джуна до топ-менеджера,
🔹построить службу машинного обучения Яндекс.Такси,
🔹вырастить на порядок эффекты от Big Data в МТС,
🔹запустить самую популярную (200k+ слушателей) русскоязычную специализацию по машинному обучению на Coursera,
🔹запустить Академию Больших Данных MADE Mail.Ru,
🔹с 18 лет и по сей день преподавать машинное обучение в топовом техническом ВУЗе России - МФТИ,
🔹и даже стать первым Data Scientist на обложке Российского Forbes.

Я обучал сотрудников большинства Российских крупных компаний, регулярно читаю лекции про анализ данных на программах MBA и вообще очень неравнодушен к образованию.

↪️Этот канал будет полезен для всех, кто хочет учиться настоящему машинному обучению и развиваться в профессии. Также многое из контента будет интересно тем, кто не обучает ML модели своими руками, но участвует в ML проектах как менеджер, разработчик или инженер. Здесь мы будем писать как о хардовых вещах (как работают алгоритмы, как решаются типичные ML задачи в компаниях, когда можно обойтись простыми эвристиками, а когда нужны сложные алгоритмы, как правильно ставить задачи и оценивать качество их решения), так и о более развлекательных темах (обсуждать новости ML, рассказывать об истории развития области, о больших идеях, лежащих в основе машинного обучения). Конечно же, не обойдется без анонсов наших курсов и вопросов к вам, нашей аудитории.

☝️Обязательно подписывайтесь на канал, чтобы не пропустить запуск крутых непопсовых курсов по машинному обучению для серьезной аудитории, а также узнавать много нового об одной из самых быстро развивающихся в наше время
технологий :)

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