Топ вопросов по математике для ML и Data Science собесов: линейная алгебра и матан
Математикой часто пугают новичков ML и Data Science. В этой статье разберем, что спрашивают и до какой глубины изучать математику для собеседований.Статья не рассчитана на изучение математики до уровня вышмата в вузе - но для трудоустройства это и не является обязательным критерием. Тем не менее материал может послужить отправной точкой изучения математики и неким роадмапом, что важно, а что нет.Содержание:Линейная алгебравектора, матрицы, операции над ними и дрМатематический анализпространство, градиент, апроксимация и дрПолезные материалы
Курсы по машинному обучению в 2026 году: топ-6 для жаждущих практики
Представьте: через годик-полтора вы на собеседовании в топовом бигтехе. Вас спрашивают не про теорему Байеса, а про то, как вы чистили данные для модели, почему выбрали CatBoost вместо XGBoost и как развернули пайплайн в Docker. Вы уверенно отвечаете — потому что делали это на курсе. Не в теории, а в проекте, который теперь лежит в вашем GitHub. Мы нашли 6 программ в каталоге Хабр Курсов, которые моделируют именно такой путь: от первого import pandas до оффера на позицию Junior ML Engineer.Содержание
30 паттернов инженерии ИИ-систем
В Островке мы используем ИИ в разных задачах — от автоматизации внутренних процессов до продуктовых сценариев — и периодически рассказываем об этом на Хабре. Например, как строим вспомогательные системы на ��азе LLM и RAG или
М.Видео открывает предзаказ на новые MacBook Air и MacBook Pro с чипами серии M5
Оформить предзаказ можно с 4 марта на сайте
Менеджер ML-экспериментов. Что это и как он нас выручает
Привет, Хабр! Меня зовут Владимир Кочетков, и я тимлид Deep Learning разработки в области распознавания речи и соавтор курса «MLOps для разработки и мониторинга моделей» в Яндекс Практикуме. А ещё автор скромного образовательного телеграм-канала про ML :-)Сегодня поделюсь опытом, как мы с командой внедряли менеджер ML-экспериментов, и расскажу:в чём сложность обучения моделей;когда нам понадобился менеджер экспериментов;
Пилот взлететел, полет нормальный
Миронов В.О., Попов Д.В. ВведениеДиспетчер, общий сбор всех Хабристов !!! У нас экстренный пациент, надо доставить его как можно быстрее !!! Именно в таком формате у нас и проходил хакатон, который мы организовывали на базе Финансового университета при Правительстве РФ с поддержкой многопрофильного ИТ-холдинга T1. Для нас это был "пилотный" проект, и мы выполнили его очень бодро и весело. По моему мнению, участники остались довольны и было высказано всеобщее мнение повторить подобное ещё не раз.
Поиск аномалий: статистика или ML? Выбираем лучшее
Поиск аномалий(Outlier Detection) является важной темой в машинном обучении. Алгоритмы такого типа актуальны и используются повсеместно: Кибербез, Банковские системы, предобработка данных, медицина, анализ логов, контроль качества и это лишь малая часть всего списка.Сегодня мы с вами познакомимся с двумя такими алгоритмами, сравним их и посмотрим результаты нашей работы.В нашем исследовании оценивать алгоритмы мы будем по метрикам Recall(реальная доля тех, кого правильно пометили как аномалию), Precision(Показывает долю истинно положительных результатов среди всех, которые модель пометила как положительные)
Машинное обучение в бизнесе: подборка бесплатных курсов и материалов
Подборка посвящена A/B-тестированию, бутстрапу, кросс-валидации и ансамблевым методам — эти четыре темы образуют ядро практического Data Science. Они позволяют формулировать и проверять бизнес‑гипотезы, количественно оценивать неопределённость результатов, гарантировать обобщающую способность моделей машинного обучения и существенно повышать их точность и стабильность. Всем привет! Это Данила Ляпин, наставник курса «Специалист по Data Science»
