Многие считают, что хороший ML-проект – это сложная модель, десятки алгоритмов и высокий скор на Kaggle...

...но на собеседовании такой проект может не вызвать ни одного вопроса. Гораздо важнее показать, что вы понимаете данные, умеете выбирать метрики, анализировать ошибки модели и строить воспроизводимый ML-пайплайн. Именно это отличает учебный ноутбук от проекта, который действительно работает как инженерное решение.

Как вы поняли, на YouTube, в ВК и Дзен у нас вышло новое видео с Александром Дубейковским (ML Engineer в Авито, эксперт MLinside, ex-Яндекс), где он рассказывает, каким должен быть сильный ML-проект и почему на собеседованиях оценивают далеко не только качество модели.

Кому будет полезно это видео
• Тем, кто собирает первое ML-портфолио и хочет понимать, какие проекты действительно производят впечатление на работодателей.
• Студентам и начинающим ML Engineer или Data Scientist, которые готовятся к стажировкам и собеседованиям.
• Всем, кто уже умеет обучать модели, но хочет научиться оформлять проекты так, чтобы они демонстрировали инженерное мышление, а не просто знание библиотек.

Нашли себя в этом списке? Смело переходите и смотрите видео:
https://youtu.be/MB_Wv-kpP_U
https://vkvideo.ru/video-228219607_456239277
https://dzen.ru/video/watch/6a75f6a08e808e0adff09cc7