Про хард-скиллы в ШАДе

Рассказываю про технические навыки, полученные в ШАДе. Естественно, дисклеймер: всё сказанное ниже исключительно моё личное мнение и применимо не для всех.

Пререквизиты

— хотелось бы верить, что у меня достаточно прочная математическая база (мехмат МГУ + кфмн)
— более 4-х лет отраслевого опыта, поэтому было конкретное понимание по приложениям ML в «доменной» области (не металлургии)
— при этом на контрасте я был абсолютный ноль в ML, про нейросети слышал только из новостей, а прогал максимум макросы в Excel. Как сказал бы Греф, я был студентом вчерашнего дня)

Образовательная магистраль

Алгоритмы – Python – ML – Выпуклая оптимизация – Проект

Вокруг этой магистрали были различные обязательные и не очень сайдлайны, которые приходилось закрывать, но сейчас не про них

Алгоритмы и структуры данных.
Я бы назвал это one-man-show Максима Бабенко. Чтобы вы ощутили уровень донесения материала, в программировании и алгоритмах я был около нуля (тот минимум, что нужен для поступления), но понимал на лекции с ходу. А когда приходил домой, не мог вспомнить, почему на лекции всё было понятно. Это курс с практикой на C++. Первое время после курса я решал собесы на плюсах, а не на питоне, чему сейчас искренно удивляюсь. Но основной багаж – это культура кода и паттерны программирования.

Язык Python.
Это самый популярный язык в ML, must-have.

Машинное обучение.
Двухсеместровый курс – ядро моего образовательного трека. Да и в целом, программа Школы так или иначе выстраивается вокруг ML. 70% ценности – в домашках, которые очень ресурсоёмкие, но поэтому супер полезные. Больше всего запомнились следующие:
– Создание нейронки, которая генерирует текстовое описание по картинке. Тестил на личных фото, результат даже не всегда бредовый.
– Конкурс по HFT моделям от Spectral:Technologies с разбором лучших решений

Выпуклая оптимизация.
Не то, чтобы безусловно необходимая вещь, но понимание различных методов оптимизации полезно при тренировке моделей. Начинается всё, конечно, с выпуклых задач. Подача средняя, но порадовала домашка по созданию рекомендательной системы.

Проект,
как место приложения всего вышесказанного. Работа над проектом ведётся в течение второго года обучения (не всеми, а только студентами, которые выбрали прикладной трек). Можно принести свой проект, а можно выбрать из тех, что предлагают преподаватели. Я пришёл со своей идеей с потенциалом развития вне Школы. Опыт достаточно успешный, так как проектная гипотеза подтверждена, и есть смысл продолжать работу. Возможно, расскажу про него в отдельном посте когда-нибудь.

В заключение

Владение навыками создаёт ещё одну возможность – вам легче управлять продуктом / командой, так как вы понимаете возможнoсти моделей / инструментов.

У меня был коллега, который очень любил проводить аналогию на машинах. Буквально любой кейс он перекладывал на язык автолюбителя. Так вот, если вы управляете машиной (продуктом), знание механики под капотом (ML) не обязательно, но даёт выгоду в определённых случаях: обнаружение неисправности, общение в автосервисе на равных, и так далее.