👾👾 Стартуем в ML и DS

Привет! На связи Андрей Тюняткин, руководитель команды ML Ценообразования Wildberries.

Представь, что ты решил изучить ML — инженерные задачи, которые стоят за современными ИИ-моделями. Тема популярная, новостей море. Но с чего начать? Давайте разбираться в посте.

Кем я стану, когда вырасту?

ML занимаются два рода специалистов — Data Scientist и ML Engineer.

➡️ Data Scientist изучает зависимости в данных, придумывает и проверяет гипотезы, обучает модели.

➡️ ML Engineer обучает модели на больших данных, упаковывает модели для продакшена и строит на их основе сложные программные продукты.

Если ты математик — тебе, скорее всего, ближе трек Data Scientist.

Если программист — твой путь ML Engineer.

Оттенки ИИ

✅ Classic ML — классические задачи машинного обучения: прогноз спроса, поиск мошенников, разбиение пользователей на кластеры по лояльности. Начинать стоит именно с классики.

✅ RecSys — рекомендательные системы: какие товары предложить пользователю, какое push-уведомление отправить, чтобы он точно кликнул.

✅ CV — компьютерное зрение: распознавание лиц, оценка качества карточки товара, поиск текста на изображениях. Да даже автопилот в беспилотном трамвае!

✅ NLP — анализ естественного языка. Нереально популярная область ML. В комментариях не нуждается — вспомни хотя бы ChatGPT.

Есть и другие направления — например, распознавание голоса. Но их мы оставим за кадром.

Очень советую изучить платформу HuggingFace. На ней представлены множество разных ML-задач и моделей, которые эти задачи решают. Часть моделей можно буквально «потрогать» онлайн: писать им тексты, отправлять картинки и смотреть, как они эти тексты с картинками анализируют.

Где разрабатывать модели?

✅ Твой лучший друг — Jupyter Notebook. Он позволяет интерактивно писать и выполнять код, обучать модели и красиво выводить результаты.

✅ Google Colab — тот же Jupyter, но прямо в браузере, без установки.

✅ VS Code — полноценный редактор, поддерживающий формат Юпитер-ноутбуков. Очень советую: подсвечивает ошибки и делает работу с кодом заметно удобнее.

Во второй части разберёмся: что изучить, какие инструменты использовать, и какие пет-проекты можно выполнить для тренировки.