Ваш курс по ML - это музей. В проде используют совсем другое 🤓

Любой курс по ML начинается с одного и того же набора моделей. Линейная регрессия, логистическая регрессия, метод опорных векторов, KNN, решающие деревья, Random Forest, градиентный бустинг.

Складывается ощущение, что в работе тоже всё это в ротации, и каждая задача требует подбора подходящего инструмента. По факту это совсем не так.

Что же реально стоит в продакшне в 2026 году.

Бустинг. 90% случаев 💪

Если откинуть NLP и CV (это отдельные истории), то на табличных данных в большинстве компаний используется именно градиентный бустинг. В том числе и в рекомендательных системах

Почему так:

- Работает из коробки. Дефолтные параметры дают качество, близкое к оптимальному. Сложных предобработок не требует.
- Лучшее качество. Почти всегда обходит Random Forest, линейные модели и SVM на одних и тех же данных.
- Удобно прототипировать. Берёшь датасет, кидаешь в CatBoost или LightGBM, получаешь результат за пару часов. Потом тюнишь, если надо.

Поэтому когда тебя спросят на собесе «с чего начнёшь», правильный ответ: бейзлайн на бустинге. Это и есть индустриальный стандарт.

Random Forest. Почти всегда мимо 👀

Random Forest учат во всех курсах как «продвинутую модель после деревьев». На практике в проде его сейчас встретить сложно.

Причина простая. Бустинг почти всегда показывает результат лучше на тех же данных. При этом обучается сравнимо или быстрее, особенно если взять LightGBM или CatBoost.

Даже его главный плюс - лекго параллелить бустинг уничтожил. Он параллелит деревья (Если вы не поняли данный блок, это нормально)

Линейные модели. Только когда обязательна интерпретируемость и то очень редко ⚡️

Тут история интересная.

Линейные модели в проде используются ровно в одном сценарии: когда модель должна быть жёстко объяснима, и каждая фича понятна.

Самый известный пример это кредитный скоринг в США. По американскому законодательству (Equal Credit Opportunity Act, Regulation банк, отказывая клиенту в кредите, обязан предоставить ему конкретные причины отказа. И не общими словами «вы не подошли по нашим внутренним критериям», а с расшифровкой: «length of residence», «income to debt ratio», «late payments в кредитной истории».

Поэтому в скоринговых моделях часто используется логистическая регрессия на 8-15 признаках. Каждый коэффициент имеет интерпретацию, каждое решение можно разложить и объяснить регулятору.

Бустинг там тоже используется, но требует дополнительных слоёв интерпретации (Shapley values, LIME), что усложняет процесс. CFPB в 2022 году специально выпускал циркуляр на тему «сложные алгоритмы не освобождают от обязанности объяснять решения».

В России аналогов такой жёсткой регуляции пока нет, поэтому бустинг тут чаще выигрывает даже в скоринге.

SVM. Музей ML 🫡

SVM активно использовался в 2000-х, потом его потеснили нейронки и бустинг. Сейчас в проде его встретить почти нереально.

В курсах его до сих пор разбирают по инерции и потому что математически красиво. Учить полезно для общей эрудиции, но в работе ты его не встретишь.

Что забрать в голову 🌀

На курсах тебе показывают весь зоопарк. На работе используют узкий набор. Если хочешь побыстрее войти в индустрию, фокусируйся на градиентном бустинге для работы, остальное на собесах

Остальное по мере необходимости и по специфике направления. Мы реально делаем акцент на бустингах и линейных моделях для упрощенного объяснения концепций нейронок. Остальное в рамках вопросов на собесах, не более.

Как-то так. Если у вас на работе используют что-то экзотическое, накидывайте в комментарии. Любопытно посмотреть.

P.S. Если наберем 30 🔥, сразу выпускаю пост про "реальность" задач в курсах и можно ли нормально понять реальную работу и задачи через них.

Учим тут: https://ml-mentor.ru/

Раскатываем ML кабины | MentorShip