Что бы я сделал, если бы сегодня начинал учить Data Science – ML?

Machine Learning и Data Science — это одни из самых популярных и востребованных направлений в IT. Но вместе с этим — они и одни из самых сложных для входа. Здесь огромное количество тем, инструментов, библиотек, подходов и постоянно появляющихся технологий.

Из-за этого многие новички начинают обучение ^[1] с энтузиазмом, но через пару месяцев теряют интерес ^[2]. Причины могут быть разные: слишком много теории, мало практики, нет чёткого плана или понимания, зачем вообще всё это нужно.

Эта статья — не очередной «гайд по ML для новичков». Это мой личный взгляд на то, как бы я подошёл к обучению, если бы начинал с нуля уже сегодня , учитывая свой опыт ^[3] работы в крупных компаниях, проваленные проекты, ошибки ^[4] и победы.

---

Кратко об авторе

Я уже успел отработать в Яндексе, ВК, Сбере, отучиться в МФТИ и на протяжении всей карьеры занимаюсь компьютерным зрением ^[5] и ML. В начале пути наделал уйму ошибок:

• Долго не мог определиться с направлением

• Вообще не понимал, что от меня буду ждать на собесах

• Боялся конкуренции: казалось, что вакансий мало, а требования слишком высоки для новичков

• Разочарование, когда казалось, что я ничему не научился за последние несколько месяцев

Именно поэтому я решил написать эту статью — чтобы поделиться своим опытом и показать, как можно начать с нуля и дойти до реальной работы , минуя типичные ловушки.

Определись с мотивацией

Первое, что нужно сделать, прежде чем погружаться в Machine Learning или Data Science — понять свою цель. Это одна из самых бурно развивающихся областей в IT. Объём знаний необходимых для прохождения собеседований огромен, и он растёт год за годом.

И если ты выбрал эту сферу наобум, без чёткого понимания, зачем ты это делаешь — велик шанс, что ты бросишь обучение на полпути.

Легко не будет — но это того стоит

Готовься много и упорно зубрить. Готовься к тому, что обучение потребует времени, усилий и терпения. Никаких «за месяц станьте ML-инженером» — это миф. Но если подойти правильно, можно пройти путь от новичка до Junior или Middle специалиста за реальное время, с реальным результатом.

Сядь и реши, точно ли ты хочешь в эту сферу? Может лучше пойти в более привычное направление разработки на Go/Python?
Найди свою собственную долгосрочную мотивацию ^[6], зачем ты будешь изучать машинное обучение в течение полугода-год, до нахождения первой работы

Моя история: как я нашёл свою мотивацию ^[7]

Когда я только начинал, я наткнулся на примеры компьютерного зрения: алгоритмы, которые умеют находить объекты на картинках, следить за ними, определять действия, даже описывать изображения текстом.

Для меня это был настоящий вау-эффект .

Мне чисто для себя стало интересно разобраться в том, как это устроено, как самому обучить нейросети делать такие крутые вещи.

Меня и до сих пор удивляет и дико забавляет, то что можно делать с помощью нейросеток, я ни дня не скучаю от своей работы, поэтому в начале пути, мне было просто весело этим заниматься.

Навык 1

И самое первое, что вам необходимо освоить это конечно же Python.

Без базового понимания синтаксиса и структуры кода ты не сможешь ни обучить модель, ни обработать данные, ни даже запустить чужой проект с GitHub.

Многие новички пытаются сразу прыгнуть в теорию ML или нейросети, но спотыкаются уже на уровне элементарного скрипта, который загружает датасет.
Именно поэтому начинать нужно с Python — не с глубокого погружения в ООП или метаклассы, а с практического минимума, который позволит тебе двигаться дальше.

Синтаксис — это основа. Ты должен свободно ориентироваться в конструкциях for, if, while, уметь писать функции. Эти вещи встречаются буквально в каждом скрипте, будь то предобработка данных или логика ^[8] обучения модели.

Структуры данных — это инструменты, которые определяют, насколько эффективно ты можешь работать с информацией. Списки, словари, кортежи — они используются повсеместно. Например, словари удобны для хранения параметров модели, списки — для батчей данных, а кортежи — как неизменяемые структуры часто применяются внутри фреймворков вроде PyTorch или scikit-learn.

Работа с файлами — ты постоянно будешь сталкиваться с необходимостью считать .csv, прочитать .json с гиперпараметрами или сохранить результаты в .txt

😇 Вот мой список лучших материалов для старта:

• 6-ти часовой курс по Python от Ильина ^[9]

• Курс на Stepik, если формат с тестами удобнее ^[10]

• Про хэш-мапу ^[11]

• Декоратор с аргументами ^[12]

• Контекстный менеджер ^[13]

😎 Проверь себя – Вопросы с собеседований:

1. Что произойдёт, если изменить список внутри кортежа, который был ключом в словаре?

2.  Какая сложность по времени у вставки/поиска в списке vs в связном списке?

3. Как работает декоратор @property и зачем он нужен?

4.  В чём разница между __new__ и __init__?

Освоение этого навыка займёт у вас скорее всего от 2 до 4х недель

❌ Игнорируй бесполезные советы

Одна из самых частых ошибок новичков — это следование советам, которые звучат логично, но на практике ведут к выгоранию и потере мотивации ^[14].
В интернете полно статей вроде: «Как стать ML-инженером за 6 месяцев», где первым пунктом стоит «выучи матанализ, алгоритмы и LeetCode».
Не делай этого.

Алгоритмы? Не сейчас

Да, понимание базовых алгоритмов полезно. Но не на старте.
Когда ты только начинаешь путь, тратить недели на сортировки, графы и динамическое программирование — это как учить грамматику языка, прежде чем научиться говорить хотя бы пару фраз.
Тебе не нужно знать, как работает алгоритм Кнута-Морриса-Пратта, чтобы обучить модель классификации текстов или запустить YOLO для детекции объектов.

Математика потом

Многие считают, что без глубокого понимания матана, линейной алгебры и теории вероятностей нельзя заниматься ML. Это миф.
На самом деле, большая часть современных библиотек и фреймворков уже реализует сложные формулы за тебя.
Понимать, что такое матричное умножение или функция активации — полезно.
А вот выводить формулу градиентного спуска на бумажке — не обязательно.

Это не означает, что математика ^[15] вообще не нужна. Она важна, когда ты переходишь на более продвинутый уровень — например, начинаешь оптимизировать архитектуры нейросетей или разрабатывать свои собственные модели.
Но в начале пути она чаще становится преградой, чем помощником.

LeetCode — это не про ML

LeetCode — отличный инструмент для подготовки к интервью в крупные IT-компании.
Но он не учит тому, что реально требуется в работе ML-инженера .
Решение сложных задач на бинарные деревья, перестановки и оптимизацию памяти ^[16] — это скорее тест на стрессоустойчивость, чем реальный навык для работы с данными.

Если ты хочешь просто начать делать проекты, разбираться в моделях и понимать, как устроена реальная работа — забудь про LeetCode на первые пару месяцев.

Что делать вместо всего этого?

Переходи к практике, как можно быстрее. Решай и реализуй реальные практические МЛ задачи, как только ты увидишь первые результаты, твой мозг ^[17] получит положительно закрепление

Ты потрудился – получил результат

А значит стал ближе к своей цели – получению оффера

Навык 2

Когда ты освоишь Python, следующий шаг — понять, что такое Machine Learning и как он работает на практике .

Многие думают, что ML — это про сложные формулы и нейросети. На самом деле, большая часть работы в этой сфере — это работа с данными, выбор модели и оценка её качества.
И начинать нужно не с глубокого обучения, а с базовых задач и моделей.

Основные типы задач:

1. Классификация — определение категории. Например: спам или не спам, кошка или собака на картинке.

2. Регрессия — предсказание числа. Например: сколько будет стоить квартира, или сколько времени пользователь проведёт на сайте.

3. Кластеризация — поиск групп в данных. Например: выделение групп пользователей с похожим поведением ^[18], если заранее неизвестно, какие они.

С этими типами задач ты будешь сталкиваться постоянно, особенно на старте.

Как понять, хороша ли модель?

Не все модели одинаково полезны. Иногда кажется, что всё работает отлично, а на деле — модель просто угадывает.

Вот почему важно знать метрики — числа, которые показывают, насколько хорошо работает твоя модель.

Например:

• accuracy — процент правильных ответов. Но он обманчив, если классы несбалансированы (например, 95% случаев — “нет”, и модель всегда отвечает “нет”).

• precision и recall — покажут, насколько точна модель при поиске нужного ответа.

• F1-score — удобная свёртка этих двух метрик.

• Для регрессии часто используют MAE или RMSE — они говорят, насколько в среднем модель ошибается в своих числовых предсказаниях.

Эти метрики несложно понять, но очень важно уметь их использовать правильно.

😇 Вот мой список лучших материалов для старта:

• Основы pandas ^[19]

• Линейная регрессия ^[20]

• Метрики классификации ^[21]

• Регуляризация ^[22]

😎 Проверь себя – Вопросы с собеседований:

1. Нужно ли нормировать данные прежде, чем подать в их в линейную регрессию?

2. Когда использовать MAE, а когда MSE?

3. Что такое boxplot и как найти выбросы в данных, метод 3-х сигм?

4. Возможно ли такое, что Precision=19%, Recall=92%, Accuracy=10%?

5. Что такое F2 мера, F3 мера, F100500 мера?

Освоение этого навыка займёт у вас скорее всего от 3х до 5 месяцев

Навык 3

Подходим к концу. Третий навык в моем списке это SQL – синтаксис для составления запросов к базам данных, это одна из самых простых технологий для освоения, от вас требуется знание всего лишь базовых аспектов

• Отличие left join от cross join

• Что такое транзакции

• Составление сложных запросов с разными условиями

Освоить SQL на достаточном для собеса уровне можно за 1-2 недели

Навык 4

И последний, четвертый навык — это как можно скорее переходить к практике и заниматься реальными задачами. Именно через практическую работу вы быстрее всего приблизитесь к тому, чтобы стать настоящим, уверенным в себе ^[23] специалистом.

Вам нужно научиться решать те самые задачи, с которыми вас будут просить работать на реальной работе. Речь о бизнес-задачах — именно за них и платят зарплату.

Идеи для пет-проектов легко найти на YouTube и GitHub. Там уже есть огромное количество материалов, примеров и готовых решений, которые другие люди создавали во время своего обучения и делились ими с сообществом. Это сильно облегчает начало пути и помогает не терять мотивацию ^[24].

Вот, в принципе, и всё. Я рассказал о ключевых навыках, распространённых проблемах и мифах, с которыми я сам сталкивался на пути изучения Machine Learning. Надеюсь, этот опыт поможет и вам освоить эту сферу и дойти до своей цели.

---

Про интерактивный сборник материалов по ML ^[25]

Про CLIP модели и базу к Computer vision собесам ^[26]

Вопросы с ML | Computer vision собесов
Читай у меня в телеграм канале