0: Привет, друзья. Сегодня с вами Александр Дубиковский, и я расскажу вам о том, как я бы начал изучать машинное обучение в 2025 году с чистого листа.

1: Обязательно оставайтесь с нами до конца, потому что в конце я дам вам несколько книг, которые я сам изучал в процессе построения своей карьеры. Они супер просто воспринимаются. Я честно, даже не знал то, что книги по математике или программированию могут так легко читаться. Вот

2: И также обсудим вопрос между изучением Эмеля и поиском работы. Как это все совмещать и балансировать, когда делать, что отправляемся к 5 пункту. Вот сейчас я бы начал изучать машинное обучение и тут

3: Конечно, нужно погружаться глубоко, но во что погружаться глубоко конечно, вначале вы видите о, все машинное обучение, теперь я там буду детектировать людей на картинках, буду сегментировать там объекты на v.

4: Видео буду там сам чат gpt изобретать вот не надо, не надо. Начните с простого, начните с базы, вот как вот математику мы изучаем в школе, там про задачи, там таблица умножения, яблоки, да, там

5: У кого сколько, как посчитать вместе, так и тут я бы занялся именно этим. Я бы не трогал компьютерное зрение вообще, я бы не трогал энэлпи вообще, если есть интерес к этому, вы вернётесь к этому. Но попозже чуть чуть, когда вы познакомитесь с базой, даже рекомендательные системы я бы тоже не трогал.

6: Хотя это как бы часть базы, но все равно можно не погружаться. Что бы я делал в начале, взял бы линейную регрессию и прям вот хорошо бы с ней разбирался, погружался, также бы сделал с логистической регрессией, с

7: Деревом решений со случайным лесом и с градиентным бустингом. Это вот эти 5 моделей, которые постарался выучить. Ну, очень хорошо, что именно я включаю под, выучить их очень хорошо понять. И хорошо. Надо понимать ответы на следующие вопросы, как ра,

8: Работает сама модель, что в ней происходит? Как она считает, предсказания, как строится модель, как она учится, какие ллосы могут быть оптимизирующие веса в этой модели или если они что-то другое оптимизируют, какие метри

9: Качество по оценке этой модели, какие есть специфики работы у этих моделей, из за чего они переобучаются, что с этим делать? Вот это заняло бы почти все время, которое я бы посвятил машинному обучению и

10: И исходя из моего опыта, порядка 30 собеседований, вот по машинному обучению в большие компании, я бы сказал. Так что вы готовы практически полностью, даже, скорее всего, полностью собеседование по маши.

11: Обучение, а это порядка 50% всех задач. Итак, вот у нас есть уже эмэль 50% и питон алгоритм 40%. С этими знаниями вы точно можете найти работу на джуниор поззи.

12: Прям вот 100% и притом отлично, прям вот уверенно получить оффер. Это уже порядка там 120, 150, 180000 в месяц. Можете посмотреть. Вот, например, ролик никиты зелинского на нашем канале, где он как раз про зарплаты рассказывает. Вот как в МТС все строится.

13: Смотрите, если вам кажется то, что вы все ещё не особо понимаете машинное обучение, даже когда вот базу машинного обучения, даже когда вы разобрались уже с этими темами, которые я назвал, начните просто смотреть вопросы с собеседований в интернете, что

14: Спрашивают, потому что честно спрашивают, очень хорошие штуки. Я иногда, несмотря на то-то, что я учился в шаде, да, иногда поражался глубине вопросов, потому что я понимал то, что, ну, а я не готов, конечно, да, я не все, все, все курсы в шаде проходил, только часть, возможно, там на других.

15: Рассказывали, но иногда я Шёл на сеньорские позиции. Конечно, это не для джиннов эти вопросы, но, тем не менее, вопросы были очень крутые. Вот как там кэтбуст устроен внутри, да, какая у него специфика, что такое ордер? Бустинг? Ну, это вопросы уже такие более тяжёлого.

16: Уровня жена, их не спросят и я, я не знал, я не знал. В итоге после собеседования я посмотрел, почитал, понял. Оказывается, это супер крутая штука. Пошёл на следующее собеседование. У меня спрашивают про модели градиентного бустинга, я им рассказываю там, в бусте, вы знаете, че ест?

17: Вот, а я ещё притом это только изучал. Поэтому, ну, конечно же, интервьювера я сильно удивил. Вот, поэтому используйте собеседование и вопросы собеседований. Вот как именно ваш путь по обучению самого себя, машинному обучению.

18: Вот это, это самый лучший вариант на самом деле, потому что вы подстраиваетесь под то, чтобы получить работу. Есть ещё некоторый момент, есть проблема, с которой сталкиваются люди. Абсолютно понятная и самая частая, это как вот они без опыта, как

19: Чтобы и заметили. И самая лучшая рекомендация это делать какие-то проекты, проекты, их делать хорошо и для образования, потому что вы лучше понимаете картинку, да, вот что вообще происходит, как все применяется, какие проекты мы вам дадим ссылочку

20: Даже вот на которую тыкнуть на каггле, и вы увидите проекты без ссылочки рассказываю, вот по пальцам открывайте кагл, открываете компетишенс вкладочку, где соревнования нажимаете Гитин старт, она на английском называется. Ну, в общем, для тех, кто начинающии.

21: И вот там вот будет порядка 20, 30 соревнований, там будут и по cv, и по энэлпи. Вот. Но это не страшно, они базовые, вы познакомитесь в целом, как устроено машинное обучение, если вам недостаточно этих проектов, чтобы вы понимали суть че как работает, что такое.

22: Модель, оптимизация метрики. Вот это вот все вместе сделайте вот что, как сделал мой студент. Ему кагла, ну, чуточку не хватает. И он, он любит игру wot league of legends. Он нашёл датасет большой по league of legends и

23: И просто делает для себя модельки, делает для себя разведочный анализ данных, аналитику различную. То есть решает все эти вопросы. Вот для себя, что бы он хотел, допустим, 1 из задач. Вот, например, когда проходит чемпионат мира, да, по этой игре, то там

24: Показывают как искусственный интеллект думает какая из команд победит в каждую секунду времени это задача, которая очень хорошо решается я сам вот даже в шаде решал такую у них есть dataset про dota 2, также вот что мне больше всего нравится.

25: Даже больше, чем проекты, потому что все-таки, ну, в моё время, там, 4 года назад, наверное, не столько проекты требовали, и образования профильного хватало в целом, чтобы вас заметили, да, там, на стажёрскую позицию, потому что, ну, стажёров больше, чем студент не требует.

26: Все-таки вот на джунов уже требует, мне больше давало профита смотреть интервью с реальными. Мэлика, там Валерий Бабушкин, вот Виктор кантер, ещё когда дмиа было, его курс предыдущий.

27: И сейчас вот, которые интервью он делает, я все смотрю, потому что сильно, так сказать, и мотивируют на то, чтобы дальше развиваться и дают понимание, как все устроено, потому что задач в машинном обучении много, и у всех есть своя специфика, есть рекомендации.

28: Есть аплифт, есть сегментирование, есть ещё, ещё, ещё, ещё много всего. Вот. И это интересно видеть. Вот как действительно машинное обучение помогает бизнесам, помогает пользователям. Да, поэтому тут такая рекомендация. И я ещё добавлю 1 live.

29: Фак вот сейчас понял. 8 таким дополнительным пунктом, что бы я делал, если бы я начинал с самого начала, однозначно занимался бы своим профилем в linked in обязательно вот по чуть чуть вот каждый день просто заходите на него и добавили пару каких-то даже

30: Пускай случайных людей в друзья, потому что в момент, как в моменте, когда у вас их будет 200, к вам уже сами будут другие люди добавляться и эйчары будут добавляться всех компаний. Вот. И это все число. Вот вы просто заходите там раз в неделю, приняли всех друзей, зашли, потом в

31: Приняли всех в друзья и потом у вас уже там 500 коннекшенов, там ещё больше, там 1000, 1500. И в момент, когда вы хотите уже начать искать работу, вы выкладываете там своё резюме, пишите то, что я открыт к работе, и люди начинают вам писать, но

32: Вот сейчас мне пишет 1 hr раз в неделю, либо из стартапа, либо из большой компании. Вот из тинькоффа за последний год написало около 7 разных рекрутёров это очень интересно. Вот в итоге прохожу.

33: Собеседование с 8 по рекомендации, но тем не менее, они пишут, они заинтересованы, и это куда легче вести переговоры потом с компанией и в плане зарплаты, и в плане того, вот как собеседования проходят

34: Многих нюансов, когда они пришли к тебе, а не ты пришёл к ним, потому что они в тебе уже, ну, очень сильно заинтересованы. Вот они ещё не знают, насколько ты в них заинтересован. Вот такая вот история в образовании есть ещё 1 дилемма. Это какие курсы использовать? Платные или бесплатные у нас

35: Уже есть на канале ролик виктора кантера про это. Он достаточно хороший, где он рассказывает про специфику преподавателей и про опыт преподавателей, и даже про то, насколько много скама. Вот я из своего опыта скажу так, я не

36: Большой фанат платных курсов на самом деле, но в моей жизни такое доводилось использовать, и я остался в восторге почему вот тут мне приходит фраза эндрю энджи такого вот, скажем так, первопроходца в сфере data science, и он говорил то,

37: Что если вы что-то изучаете, то вот постарайтесь хорошо пройти какой-то 1 источник, потому что когда вы изучаете из кучи кучи разных источников, то у вас отовсюду по чуть чуть, и вы в каждом источнике изучили логрегрессию, да, и ничего другого. И в итоге вы ничего

38: Не понимаете, как все, с чем связано, не понимаете? И каша в голове, скажем так, по полноте материалов платные курсы, они однозначно доминируют. Плюс есть специфика для собеседова.

39: Для бизнес задачи, вот для устройства на работу, которой на бесплатных курсах точно нет. И это хорошо. Если у вас есть какие-то финансы, чтобы вот у вас была такая помощь, это очень удобно. Есть ещё важный момент. Все-таки, так как я начинал учиться ещё со школы.

40: Школьных времён, да, математики. Потом, когда студентом вот уже программированию, машинному обучению, то, ну, у меня были года, чтобы пойти устроиться на 1 работу. То есть у меня были знакомые одногодки, которые начали работать на 4 года раньше, чем я, потому что я вот это все время учился, н,

41: У меня было время. Если у вас столько времени нет, то конечно лучше платные курсы, потому что вся информация в 1 месте. Вам не нужно её искать, чем я занимался постоянным поиском. Хотя сейчас chat gpt это упрощает достаточно сильно и есть самая важная специфика, которая

42: Я бы вот выделил вот в определении того, на какие курсы пойти. Это не просто кто там преподаватели в плане опыта, а насколько они вовлечены в процесс, потому что вы можете с ними познакомиться, и вы можете проявить себя и у вас

43: Появятся такие вот связи, они будут доверять вам то, что вы себя проявили на этом курсе. Они знают то, что вы на что-то способны, и вы будете знать их, то, что вы можете к ним прийти. И вот сказать то, что вы ищете работу, вы хотите вот сменить там даже специальность, да, там, допустим, на

44: Пленнинг там вот, или ещё там как-то, да, или там в исследования пойти. И эти люди действительно вам сильно помогут. Я знаю как истории многих людей, которые именно благодаря связям на курсах, которые образовались, смогли найти свою 1 работу даже

45: Да, и сам знаю, какой это профит даёт, какие, ну, мне мои знакомые вакансии предлагают очень интересные, просто потому, что они меня знают, потому что есть связи и насколько много даёт знакомство с теми, кто вас сильно

46: Выше, да, там, допустим, как Виктор кантер, то, что вы можете у них спросить и совета по вакансиям, куда лучше идти и по выбору компании. Вот, ну, безусловно, да, отношения можно ли купить или не купить, это уже философский вопрос для другого видео, но уж подсказать просто вот лучше идти там.

47: 5 групп, или в вк, или там, в яндекс, да, потому что, ну, люди знают друг друга вот там, вверху, да, где лучше работать, какой коллектив, они это все знают, и они могут вам дать эту информацию. Это просто вау. И что тут говорить? Ну, связи решают.

48: Больше знаний это знают все это в каждой сфере. Так вот, итак, бонус, про который я говорил в начале видео, это материалы, которые мне сильно помогли, это 3 книги, это статистики и котики от автора. Владимир Савельев. Прекрасная книга, наверное,

49: Самая простая книга, которую я в жизни читал, которая максимально глубоко объясняет математическую статистику. Я был просто в шоке в книжке, я не знаю, порядка, наверное, 150 страниц, из которой 100 страниц это фотографии котиков. Вот, ну, для задач не просто мемы.

50: Вот и читается она легко и быстро, и очень глубокое погружение пайтон к вершинам мастерства от лучано ромальо, от o'reilly книжка очень глубокая, книжка по пайтону и простая можно wow. Как изучить язык не только чтобы алго?

51: Ритмические собеседования проходить, чтобы реальным экспертом быть. И 3 книжка это крекинг зе Кодин интервью от макдауэлла, это по подготовке к алгоритмическим собеседованиям. Я не говорю сейчас то, что вот эти 3 книги, это все, что вам нужно. Нет, это говорю то, что это те 3 книги, которые я лично проходил

52: Которые я читал, которые мне очень понравились и сильно мне помогли. И сразу скажу, я не проходил каждую из этих книг полностью. Я проходил каждую, только по трети. То есть я не погружался. Это глубоко. И вам, как новичкам, вам и не нужно. Это погружение полное. Вот пройдите 1 треть каждой из этих 3 книг, и у вас сразу зако.

53: Там 70, ну, 60% вопросов на собеседованиях вот со всех секций. Если брать, и вы уже будете действительно хорошим. Эмэль ом, только единственное, что без знания базы эмэль, вот все остальное вы будете прекрасно понимать, как работает это сильно.

54: Важно для работы. И ещё 1 дополнительная часть. Это что же делать? Больше изучать машинное обучение или больше делать фокус на поиск работы? Я бы так сказал то, что лучше делать фокус на поиск работы и идти именно в эту сторону. Скорее всего.

55: У вас тогда больше вероятность попасть именно на стажировку, но если получится найти прям позицию джуниор уровня, это будет супер. Вот тот родмап, который я предлагал, он как раз позволяет вам получить позицию джуниор уровня. Почему? Так? Почему фокусироваться не на знаниях, не на обуче?

56: А на поиске работы, потому что работа вам даст хорошую картинку. Как ни крути, пока вы не поработали, вы не будете понимать, что из себя представляет, как это быть разработчиком по машинному обучению. Вот я, когда работал в 1 компании, к нам пришёл 1

57: Молодой человек тоже устроился разработчиком по машинному обучению, он до этого был сеньором в бэкэнде, и ему было очень интересно попробовать data science датасайнс ему понравился, но быть разработчиком машинного обучения он не захотел в

58: В итоге он познакомился с дата инженерией, и он пошёл в эту сферу. Поэтому, чтобы лучше понять, что вам нравится, что вы хотите делать. Ну попробуйте. Вот, и на самом деле простора там очень много, какие задачи можно решать, поэтому попадите на 1 работу и вот

59: Тогда вот почему я сказал в роадмапе, там энэлпи сиви, рекомендашки, вот не уделять этому время, потому что, когда вы уже будете работать, вы сможете разобраться, а в какое направление хочется, а какие вакансии более прибыльные, а где больше спрос? Вот. А с чем вам могут помочь ваши связи? Куда устроиться?

60: Поэтому я бы сделал вот такой фокус. Хотя, когда я учился в шаде, у нас вот такая тенденция была, то, что нужно развиваться вширь. Вот, потому что на работе вглубь развиваешься, либо какая-то рутина, но вот нужно развиваться в ширь, и тогда ты поймёшь, мне кажется, лучше совместить

61: Процесс и получить рабочий опыт. Ну, в самом лучшем варианте, это на стажировке, это вот вообще 3 месяца, там в яндексе, допустим, тинькоффе, в Сбере, они оплачиваемые получить опыт и после этого понимать вширь, куда вам именно развиваться, как бы я изучал машинное обучении.

62: В 2025 году именно по тем шагам, которые я вам только что предложил, и обязательно с использованием чат gpt и роликов от канала эмэль инсайд. До встречи.

63: А че я остановился то? Ладно, нормально, ага.