Чего не хватает ML образованию сейчас?🤓

Курсов и материалов по машинному обучению сейчас так много, и они настолько на любой вкус, что остро встает проблема выбора. За время преподавательской карьеры и карьеры в индустрии я сформулировал ряд вещей, которые хотелось бы видеть в хорошей программе обучения, ими сегодня и поделюсь👇

1️⃣«Многомерность» объяснения: иллюстрации, формула, код, аналогия. Здесь речь идет о том, что для разных людей подходят разные способы объяснения. И безумно важно сразу применять в курсах все способы донесения материала, чтобы среди используемых точно был тот, который лучше усваивается слушателем, и чтобы параллельно развивать у него другие.

2️⃣Разные слои практики:
- понимание принципов работы алгоритмов,
- умение реализовать методы на каком-то уровне самостоятельно,
- наблюдение и понимание особенностей поведения ML моделей на практике,
- умение применять ML модели из коробки и понимание, чем каждый подход ценен и где применим,
- понимание значимости признаков для ML модели, как их готовить,
- умение видеть в реальных задачах модельные задачи машинного обучения.

3️⃣Возможность варьировать скорость изучения ML: у каждого слушателя она индивидуальна. Отлично, когда в программе нет четких дедлайнов, и ученик сам может подстраивать под себя скорость обучения.

4️⃣Побуждение слушателя к действию. В программе обучения должны быть триггеры на применение полученных знаний - «попробуйте сходить на собеседование и вернитесь к нам с задачками», «попробуйте применить в своем проекте и расскажите в классе», «поучаствуйте в соревновании».

5️⃣Наличие большого количества ссылок на дополнительные материалы. Интерес к дополнительным ресурсам по теме - показатель того, что слушатель реально хочет погрузиться в процесс обучения с головой. Победа для преподавателя - не принудить вас все знать, а сделать так, чтобы вам было интересно самому совершенствовать свои знания всю жизнь.

6️⃣Наличие сообщества для обсуждения как контента курса, так и особенностей его применения, ваших личных историй про ваши проекты, дополнительных материалов и многого другого. Если вы изучаете что-то, но вам не с кем поговорить - это очень замедляет процесс.

7️⃣И последний, но очень поучительный момент. Хорошей программе обучения нужна соревновательность, как опция. Здесь понадобятся две истории для иллюстрации. Много лет назад, когда запускался курс ML от Open Data Science, его авторы пиарили его всюду, как «курс с соревнованиями по ML и рейтингом участников», как будто это было чем-то новым, а не использовалось на всех курсах ML уже 10 лет. И оказалось, что это было гениальным маркетинговым ходом. Людям и правда хорошо продавалась история с соревновательным обучением, подсветить которую авторы других курсов просто не догадывались. Однако расскажу и другой пример. Лет за 5 до описанных событий студенты МФТИ успешно сдали первый семестр курса ML, в котором все задания были оформлены в виде соревнований, а оценка зависела от занятого места в таблице с результатами. Приступая ко второму семестру, студенты просто упрашивали преподавателей не делать все домашки соревнованиями. Студентам хотелось уже просто учить предмет на хорошем уровне, а не каждый раз пытаться превзойти однокурсников. Главный вывод: соревновательность нужна, ценна, но, во-первых, как опция, а не обязаловка, а во-вторых, в меру. Людям итак хватает постоянной конкуренции в жизни, образование должно давать некоторое безопасное пространство для получения знаний и совершенствования навыков.

☝️И именно по причине того, что рынок сейчас перенасыщен различными курсами, некоторые из которых первоначально не преследуют цель реально научить чему-то слушателя, нашей с командой главной задачей становится разработать такой курс, чтобы не только по максимуму дать каждому качественные и структурированные знания, практику, возможность состоять в комьюнити, но и сделать так, чтобы в вас проснулось искреннее желание самому развиваться и совершенствовать свои умения📈

А как вы думаете, чем еще можно дополнить этот список?🤔