👾👾 Стартуем в ML и DS

Привет! На связи Андрей Тюняткин, руководитель команды ML Ценообразования Wildberries.

Представь, что ты решил изучить ML — инженерные задачи, которые стоят за современными ИИ-моделями. Тема популярная, новостей море. Но с чего начать? Давайте разбираться в посте.

Кем я стану, когда вырасту?

ML занимаются два рода специалистов — Data Scientist и ML Engineer.

➡️ Data Scientist изучает зависимости в данных, придумывает и проверяет гипотезы, обучает модели.

➡️ ML Engineer обучает модели на больших данных, упаковывает модели для продакшена и строит на их основе сложные программные продукты.

Если ты математик — тебе, скорее всего, ближе трек Data Scientist.

Если программист — твой путь ML Engineer.

Оттенки ИИ

✅ Classic ML — классические задачи машинного обучения: прогноз спроса, поиск мошенников, разбиение пользователей на кластеры по лояльности. Начинать стоит именно с классики.

✅ RecSys — рекомендательные системы: какие товары предложить пользователю, какое push-уведомление отправить, чтобы он точно кликнул.

✅ CV — компьютерное зрение: распознавание лиц, оценка качества карточки товара, поиск текста на изображениях. Да даже автопилот в беспилотном трамвае!

✅ NLP — анализ естественного языка. Нереально популярная область ML. В комментариях не нуждается — вспомни хотя бы ChatGPT.

Есть и другие направления — например, распознавание голоса. Но их мы оставим за кадром.

Очень советую изучить платформу HuggingFace. На ней представлены множество разных ML-задач и моделей, которые эти задачи решают. Часть моделей можно буквально «потрогать» онлайн: писать им тексты, отправлять картинки и смотреть, как они эти тексты с картинками анализируют.

Где разрабатывать модели?

✅ Твой лучший друг — Jupyter Notebook. Он позволяет интерактивно писать и выполнять код, обучать модели и красиво выводить результаты.

✅ Google Colab — тот же Jupyter, но прямо в браузере, без установки.

✅ VS Code — полноценный редактор, поддерживающий формат Юпитер-ноутбуков. Очень советую: подсвечивает ошибки и делает работу с кодом заметно удобнее.

Во второй части разберёмся: что изучить, какие инструменты использовать, и какие пет-проекты можно выполнить для тренировки.

Продолжаем ⬇️

⭐️ Что почитать и изучить?
Я сам начинал погружение в ML с книги «Python и машинное обучение». Да, индустрия развивается стремительно, и любая книга устаревает за пару лет. Но базовые принципы и основы обучения моделей там изложены понятно и с практикой.
И не забывай про современные LLM!

Напиши, например, Qwen:

«Как опытный и дружелюбный преподаватель по Data Science и Machine Learning, составь мне программу, которая поможет дойти до уровня Junior Machine Learning Engineer. Добавь теорию, примеры на Python и практические задания. Я буду присылать тебе решения, а ты проверяй их подробно и с объяснениями».

После изучения основ обязательно нужна практика. Придумай пет-проект, реализуй его и выложи на GitHub.

Примеры проектов:

✏️ Распознавание рукописных цифр на датасете MNIST. Сравни KNN, полносвязную сеть и CNN. (Забавный факт: архитектуру CNN подсмотрели у зрительной коры кошки.)

👀 Распознавание поз человека с помощью YOLO — пригодится, например, для анализа правильности спортивных упражнений.

✏️ Классификация токсичных сообщений с DeepPavlov, чтобы поддерживать деловой этикет в чатах.

💡 Участвуй в Kaggle-соревнованиях — там куча реальных данных и задач для тренировки.

Куда расти дальше
Важно не только обучать и тестировать модели, но и превращать их в работающие продукты. Для этого пригодятся:

👆 FastAPI — Python-библиотека для создания сервера, который возвращает предсказания модели.

👆 Streamlit — собери интерфейс: настройки, кнопки, визуализация результатов.

👆 ClearML — сохраняй модели и результаты экспериментов, чтобы не теряться в версиях.

👆 Airflow — автоматизируй пайплайн: сбор данных, обработку, вызов модели и сохранение результатов.

Новый виток — ИИ-агенты

LLM открыли целое направление прикладного ИИ, и изучать его стоит уже сейчас.

👆 Qwen — мощная и доступная из РФ LLM: отвечает на вопросы, пишет код, ищет данные, собирает исследования в PDF.

👆 Cursor AI — как VS Code, но с ИИ-помощником: подсказывает, как улучшить код, исправить ошибки и писать чище. Бесплатен для студентов.

👆 N8N — платформа для создания собственных ИИ-агентов и автоматизации. Можно сделать чат, подключить Telegram, почту или календарь, чтобы агент сам присылал план на день или подборку новостей.

Успехов в этом увлекательном пути! До встречи в рядах ML-инженеров Wildberries & Russ