MLinside - школа ML

Когда мы учимся машинному обучению, большая часть времени уходит на данные, модели и метрики. Поэтому легко представить, что и работа ML-инженера устроена примерно так же: подготовил данные, обучил модель, улучшил качество и выкатил её в прод.

В реальном BigTech обучение моделей – только одна часть работы.

У нас на YouTube, в ВК и Дзен вышло видео, где Александр Дубейковский (ML Engineer в Авито, эксперт MLinside, ex-Яндекс) рассказывает, из каких задач на самом деле состоит работа ML-инженера: от аналитики и проверки гипотез до backend-разработки, инфраструктуры, экспериментов и развития ML-систем после релиза.

Смотрите на удобной площадке:
https://youtu.be/3fl93ETxUjE
https://vkvideo.ru/video-228219607_456239327?pl=-228219607_1
https://dzen.ru/video/watch/6abfa4c5c990f33951bd894e

Что, если AI сможет не просто помочь в отдельной задаче, а взять на себя целый продуктовый процесс — от сбора контекста до готового результата?

27 октября у нас стартует новый курс «AI-агенты для продактов». За 6 недель участники соберут набор end-to-end сценариев для продуктовой работы — с доступом к нужному контексту, инструментам и понятными точками контроля результата.

На курсе разберём, как подключать агентов к файлам, инструментам и внешним сервисам, выстраивать повторяемые процессы и использовать их в реальной рабочей среде.

Что ещё будет:
▪️ настроим AI-экзоскелет продакта и соберём сценарии для работы с бэклогом, статусами, файлами и другими регулярными задачами;
▪️ разберём работу с объёмными PRD, требованиями и ТЗ: как дать агенту достаточно контекста, сохранить связность документа и получить результат, который не придётся переписывать с нуля;
▪️ покажем, как работать с AI внутри компании без лишних рисков: контролировать доступ к данным и инструментам, защищать чувствительную информацию и учитывать ограничения корпоративной ИБ;
▪️ соберём workflow для research и discovery — от поиска и анализа контекста до ICP, конкурентов и УТП;
▪️ подготовим материалы для стейкхолдеров и проведём репетицию переговоров с агентом в роли скептика.

После каждого занятия у вас останется готовый workflow или артефакт, который можно адаптировать под свои рабочие задачи.

Курс будет полезен действующим продактам, а также аналитикам и инженерам, которые хотят перейти в продуктовую роль или глубже разобраться в практическом применении AI.

Преподаватели — практики из Avito, МТС, Typeform, Beeline Cloud, MWS Fintech и других компаний.

Старт 27 октября

7 онлайн-занятий по 1,5 часа за 6 недель
Стоимость — 72 000 рублей, есть рассрочка

С 1 октября цена повысится, успевайте подать заявку

Подробнее о программе — на сайте. Там же можно оставить заявку на обучение или получить консультацию менеджера.

Когда смотришь на список математических тем, связанных с ML, легко решить, что до первой ML-модели придётся несколько лет изучать университетскую программу. На практике набор знаний, необходимый большинству ML-инженеров, гораздо компактнее

У нас на YouTube, в ВК и Дзен вышло видео, где Александр Дубейковский (ML Engineer в Авито, эксперт MLinside, ex-Яндекс) разбирает математику для ML по приоритетам: что действительно стоит освоить на старте, какие темы понадобятся с ростом и углублением в отдельные направления, а с чем многие специалисты могут вообще не столкнуться в работе.

Если еще не смотрели, велком на удобную платформу:
YouTube: https://youtu.be/V0T7n5VOYmA
ВК: https://vkvideo.ru/video-228219607_456239318
Дзен: https://dzen.ru/video/watch/6ab60adaf6219133e801aee5

Сегодня стартует 5-й поток курса «База ML» 🚀

«База ML» – курс для новичков в ML и специалистов из смежных областей, которые хотят освоить машинное обучение и понять, как оно применяется в реальных задачах.

Обучение выстроено последовательно: сначала разберём Python, математику и основные алгоритмы машинного обучения, а затем перейдём к работе с данными, нейронным сетям, ML System Design и применению ML в реальных бизнес-задачах.

Также в программе:
▪️ обучение без учителя и методы кластеризации;
▪️ метрики, валидация моделей и A/B-тестирование;
▪️ AI-ассистенты для анализа данных и разработки ML-решений;
▪️ основы MLOps;
▪️ применение ML в бизнесе: рекомендательные системы, динамическое ценообразование, скоринг, антифрод и другие кейсы.

Теорию будем сразу закреплять на практике: в курсе предусмотрены задания по ключевым темам и итоговый проект, который можно добавить в портфолио.

К потоку ещё можно присоединиться.

Оставить заявку на обучение: https://forms.yandex.ru/cloud/6a4275fe505690a71a0fead6

Подробнее о программе, формате обучения и тарифах: https://mlinside.ru/base-ml/?utm_source=telegram&utm_medium=social&utm_campaign=post_23_09_2026

AI Engineering Skills Map: как работать с coding agents

Где-то месяц назад мы разбирали AI Engineering Skills Map от Andrew Ng. С тех пор он продолжил развивать эту тему – в новой публикации он подробно разобрал работу с coding agents и навыки, которые нужны для эффективного взаимодействия с ними.

Мы сделали краткий пересказ материала и собрали основные идеи в карточках. Если хотите ознакомиться с полной версией, статью на английском языке можно прочитать вот тут.

Что меняется в работе инженера

Coding agents уже давно вышли за рамки обычного написания кода. С их помощью можно решать задачи, связанные с анализом данных и управлением системами, а также автоматизировать отдельные этапы разработки. Поэтому инженеру важно не только уметь работать с coding agents, но и понимать, как встроить их в процесс разработки: что делегировать, какой уровень автономности предоставить, как проверять результат и когда вмешиваться.

Andrew Ng описывает этот процесс как итеративный цикл: планирование → выполнение → проверка → развёртывание и мониторинг. При необходимости инженер возвращается на предыдущие этапы, корректирует задачу и снова запускает процесс.

При этом меняется и сама роль инженера. Всё меньше времени уходит непосредственно на написание кода и всё больше на определение того, что нужно построить, проектирование архитектуры, формулирование требований и проверку результата.

Для эффективной работы с coding agents Andrew Ng выделяет пять ключевых навыков. В карточках – подробнее о каждом из них.

Сегодня в 19:00 МСК встречаемся на закрытом вебинаре с Виктором Кантором «Из аналитики и разработки в ML + куда расти дальше»

Если вы сейчас выбираете направление для развития в ML, пытаетесь понять, каких навыков вам не хватает для следующего карьерного шага или не знаете, куда двигаться после Classic ML – этот вебинар будет для вас особенно полезен.

На вебинаре Виктор расскажет:
▪️как перейти в ML из аналитики и разработки;
▪️каких знаний и навыков чаще всего не хватает на собеседованиях;
▪️куда расти после Classic ML: RecSys, поиск, CV, NLP/LLM, антифрод;
▪️что происходит с карьерными треками в research, продуктовом ML, ML-инженерии и менеджменте;
▪️как выбирать направление, чтобы не потратить несколько лет на то, что потом окажется не вашим.

В конце Виктор ответит на вопросы участников.

Сегодня, 21 сентября, в 19:00 МСК

Вебинар только для подписчиков Специализации "ИИ и анализ данных". Если вы ещё не с нами – присоединиться к специализации можно по ссылке.

А если вы уже учились в MLinside или на Специализации МФТИ и Яндекса на Курсере – заполняйте форму, отправим вам промокод со скидкой.

Общий аттеншн, на связи рубрика «ML в реальной жизни» и у нас шестая задача

Мы продолжаем нашу рубрику, где задаем ситуации, с которыми сталкиваются ML/DS-команды в продакшене. В этой рубрике нет единственно правильных ответов. Её цель – научиться рассуждать, обсуждать подходы и смотреть на проблемы с разных сторон.

Поэтому, если хотите, чтобы рубрика была вам максимально полезна, важно не просто выбрать вариант, а объяснить в комментариях:
— почему выбрали именно его
— что бы вы проверяли
— какие риски вы бы учитывали

Сегодня у нас ситуация №6

Ситуация: модель переобучилась. Но об этом никто не знает

Контекст:
Вы заметили, что модель на валидации показывает отличные метрики, но на свежих данных в продакшене качество постепенно снижается. При этом мониторинг не бьёт тревогу – формально всё в пределах допустимого. Команда занята другими задачами, бизнес доволен текущими результатами.

Что будете делать в первую очередь?

Все посты этой рубрики можно будет посмотреть по тэгу: #риллайф_MLinside

Учимся на практике: решаем реальные ML-задачки

Это рубрика #петпроект_MLinside и тут мы публикуем задачи из реальных (ну или почти реальных) проектов, чтобы лучше запомнить теорию. Плюс, упоминание об этом можно включить в портфолио, что определенно поможет вам на собеседованиях.

Семнадцатая задача

Что нужно сделать:
Определить самых успешных игроков и колледжи где чаще всего появляются успешные игроки и посмотреть как это менялось с временем, сделать модель для предсказания рейтинга игрока

Как можно сделать:
▪️Сделать модель предсказания рейтинга игрока, посмотреть на каких местах по важности у модели рост и вес;
▪️Определить самые перспективные колледжи для поступления школьнику который хочет выступать в NBA;
▪️Определить по 3 самых успешных игрока для каждого года рождения, посчитать их зарплату, узнать для какого года рождения сумма зарплаты топ 3 самая большая.

Данные можно взять на Kaggle

Пример ноутбука (с случайными пропусками строк)

Готовы попробовать? Делитесь своими результатами в комментариях. А другие посты этой рубрики можно посмотреть по тэгу: #петпроект_MLinside

Модель стала точнее на 1% – значит, система стала лучше?

В реальном ML-проекте более точная модель может оказаться слишком медленной, требовать в несколько раз больше GPU или сделать инфраструктуру настолько дорогой, что её улучшение просто не окупится.

У нас на YouTube, в ВК и Дзен вышло видео, где Александр Дубейковский (ML Engineer в Авито, эксперт MLinside, ex-Яндекс) разбирает, как оценивать производительность ML-систем и почему в продакшене важны не только метрики качества модели, но и **latency, RPS, CPU, GPU, память и стоимость инференса.

А в конце на примере рекомендательной системы уровня VK Видео разбираем, сколько примерно может стоить реальная ML-система: от серверов для инференса и хранения данных до инфраструктуры и команды. Ответ наверняка вас удивит.

Смотреть на YouTube
Смотреть в ВК
Смотреть в Дзен