На вебинаре с Алексеем Кожариным вы задали много интересных вопросов об ML. Отвечаем на все, как и обещали.
А если хотите перейти к интенсивному обучению и практике в ML, ждем вас на курсе «Инженер машинного обучения». Старт уже на этой неделе.

Насколько нужен ML-инженеру матанализ? Какие аспекты важны?

Понимание ключевых концепций матанализа облегчает работу с ML. Например, производные и градиенты — основа градиентного спуска, который используется для обучения моделей. Понимание того, как маленькое изменение веса влияет на ошибку модели, помогает правильно настраивать алгоритмы. А пределы и сходимость помогают оценивать, как модель себя ведет на больших данных или с малым шагом обучения.

Могу ли я уйти на позицию Data Scientist после курса по ML для начинающих?

Да, если создадите портфолио с проектами, сможете претендовать на стартовые позиции DS. Но учитывайте, что базовый ML — только часть навыков. Нужно еще:
1️⃣Понимать данные и уметь их исследовать (EDA) — смотреть распределения, корреляции, строить графики.
2️⃣Работать с базами данных — SQL, иногда NoSQL.
3️⃣Понимать статистику и проводить A/B-тесты для проверки гипотез.

Какой спрос на ML-инженеров разных направлений: классика, CV, NLP, Recsys?

➗Классический ML востребован, но кандидатов много.
➗На CV высокий спрос в промышленности, медицине, автопилотах.
➗На NLP — в финтехе, чат-ботах, анализе текстов.
➗На Recsys — в e-commerce, стриминговых сервисах.
Если только начинаете карьеру, CV и Recsys открывают больше вакансий и практических кейсов.

Курсы «Инженер машинного обучения» и «Математика для Data Science» дают hard skills для DS?

Вместе эти курсы дают базовый набор hard skills: Python, библиотеки ML, линейная алгебра, статистика, работа с данными — все, чтобы построить базовую модель. Но для полноценного DS важно еще работать с большими данными (миллионы строк), создавать проекты для портфолио, применять ML к реальным бизнес-задачам.

На курсе учат работать с Big Data (миллионы строк)?

На курсе «Инженер машинного обучения» данные ограничены, чтобы сосредоточиться на логике ML и базовых методах. Для работы с миллионами строк нужны инструменты типа PySpark, Dask, ClickHouse, PostgreSQL. Они есть на продвинутом курсе «Hard ML». Там мы хоть и фокусируемся на логике работы ML, но используем Big Data, чтобы учиться обеспечивать эффективность и производительность моделей.

Будут ли A/B-тесты в стеках или просто Python-библиотека?

На базовом курсе — Python-библиотеки: scipy, statsmodels. В реальной работе A/B-тесты часто интегрированы в продуктовые системы и BI-платформы.

Как применяют ML в промышленности (кроме CV)?

Яркие примеры: прогноз поломок оборудования, оптимизация логистики, уменьшение затрат, ускорение операций, анализ сенсорных данных (контроль качества, мониторинг процессов), рекомендательные системы для управления запасами.

Какой карьерный путь ML-инженера и вилки развития?

Есть два пути:
➗IC (Individual Contributor): Junior → Middle → Senior → Lead → Principal. Глубокое развитие в ML, настройка алгоритмов, проектирование моделей.
➗Менеджмент: Team Lead → Product/Project Manager → Head of ML. Руководство командой и продуктами.

Как начали работать ML-инженером? Было ли, что сначала не любили ML?

Часто новичку ML кажется сухим и сложным из-за математики и алгоритмов. Интерес появляется при работе с практическими задачами, когда видишь, как модели влияют на продукт и бизнес.

Сколько получает начинающий ML-инженер? Сложно ли найти работу?

Junior ML-инженер в России получает около 100–180 тыс. ₽/мес. (в Москве и Санкт-Петербурге больше). С портфолио работу найти реально, особенно если есть реальные кейсы и проекты.

Что изменилось за последние 5 лет в ML (кроме нейросетей)?

➗AutoML и автоматизация пайплайнов сокращают ручной перебор моделей.
➗Библиотеки CV и NLP упрощают обработку текстов и изображений.
➗Инструменты интерпретации, такие как SHAP и LIME, помогают понять, почему модель делает тот или иной прогноз.
➗Благодаря новым библиотекам работать с временными рядами и Big Data проще.

Работа аналитика почти всегда начинается с баз данных. В них хранятся заказы, действия пользователей, переходы по рекламе — все, что важно для бизнеса. Только информация хранится не в готовом виде, а в десятках и сотнях таблиц. Чтобы достать из них только нужные данные, аналитики используют SQL.

Что значит SQL
Расшифруем аббревиатуру, чтобы лучше разобраться в инструменте:
Structured — структурированный: файлы хранятся в упорядоченном виде, как в Excel.
Query — запрос: вы отправляете инструкцию, чтобы взаимодействовать с нужными сведениями.
Language — язык: это набор правил и команд, с помощью которых вы «общаетесь» с программой.

Как используется на практике
Допустим, вы владелец интернет-магазина одежды. У вас есть 3 таблицы:
1️⃣Для товаров: с артикулами, размерами, ценами.
2️⃣Для клиентов: с именами, адресами электронной почты.
3️⃣Для заказов: с историей покупок по каждому клиенту.
С помощью SQL можно посредством одной команды:
➗Найти все позиции дешевле определенной суммы.
➗Изменить цены в конкретной категории, например, при распродаже.
➗Подсчитать общее количество заявок или резервов на складе.
➗Вывести список пользователей, которые покупают чаще всего.
➗Объединить сведения из разных таблиц, например, чтобы увидеть, кто приобретал конкретную позицию.
В отличие от других языков программирования, SQL декларативен: вы описываете, что хотите получить, а не как это сделать. Вы только запрашиваете информацию, а СУБД сама определяет алгоритм.

Чем хорош инструмент
— Универсальный: SQL поддерживают почти все базы данных. Он используется в крупных корпорациях, малом бизнесе, стартапах, госструктурах.
— Востребованный: это базовый навык для аналитиков, маркетологов, дата-сайентистов, разработчиков.
— Простой в обучении: команды похожи на обычный английский язык.
— Имеет практическую ценность: один запрос может дать цифру, которая повлияет на бизнес-решение.

Где освоить
Научиться правильно составлять запросы можно на нашем бесплатном симуляторе SQL. Вы попробуете себя в роли аналитика сервиса доставки: проверите гипотезы, посчитаете метрики, извлечете из показателей полезные инсайты.

RFM-анализ в действии: как аналитики оценивают эффективность акций и находят точки роста в клиентской базе

Во вторник, 21 октября в 19:00 по Мск, разберем реальную задачу продуктового аналитика:
— Как с помощью RFM (Recency, Frequency, Monetary) находить активных и «спящих» клиентов;
— Как построить RFM-матрицу, heatmap и провести когортный анализ;
— Какие навыки аналитика особенно важны в 2025 году и как их развивать.

Встреча подойдет начинающим аналитикам, студентам и всем, кто хочет перейти в Data Science и понять, как аналитики решают бизнес-задачи.

Спикеры:
➗Дмитрий Бакаев — продуктовый аналитик направления аналитики новых продуктов и бизнес-трансформации в компании Передовые Платежные Решения
➗Екатерина Хайытбаева, HR эксперт карьерного центра karpov.cоurses, DevRel в Передовые Платежные Решения

[Зарегистрироваться]