#How_to_заботать

How to заботать Machine Learning?

Уже делали подобную подборку, но там как-то вышло совсем кратко. Да и участников становится все больше, да и у нас появился преподаватель по ML/DL, который хочет поделиться своим видением бота Machine Learning для ШАДа, магистратур и стажировок.

Перед тем, как разбираться в работе нейронных сетей, стоит изучить алгоритмы классического машинного обучения. На стаэеров в Data Science/ШАД etc. требуют в основном их знание и умение применять. На большей части курсов рассказывают про Numpy, pandas и визуализацию на уровне, необходимом для работы, так что не будем на этом останавливаться.
Материалы можно разделить на два типа: больше практические и больше теоретические.
Из хороших практических курсов можно отметить следующие:
1) Mlcourse.ai
англоязычная версия Открытого курса по машинному обучению от ODS. Он достаточно полно рассказывает об основных моделях машинного обучения и как их применять на практике, и, в отличие от множества других курсов, уделяет отдельное внимание разведывательному анализу данных и feature engineering, что мало где освещается и помогает получать хорошие результаты в контестах и отборочных по АД.
2) Введение в Data Science и машинное обучение
Очень много практических примеров и заданий, основное внимание уделяется линейным моделям и деревьям - основным моделям, используемым в табличном машинном обучении. Отточенный навык их применения также сильно улучшит ваши результаты в контестах и задачах классического ML.
3) Машинное обучение и анализ данных
Cпециализация от МФТИ и Яшки, 6тилетней давности. Очень много практики и различных приемов, показанных на разных задачах, в том числе на нетабличных данных вроде временных рядов.
Большая часть практических курсов повторяют друг-друга, и редко приносят что-то новое. Если изучить 2 их 3 представленных выше курсов, то вы сможете показать хорошие результаты в любом отборочном контексте по машинному обучению и анализу данных, что позволит пройти без труда пройти в ШАД или на стажировку, магистратуру.

Однако, порой на собеседованиях начинают больше спрашивать про теорию машинного обучения, которую на практических курсах объясняют на пальцах. Чтобы больше в неё погрузиться, можно воспользоваться следующими материалами:
1) Курс Воронцова на физтехе
Лекции, есть и семинары. Но основная его ценность заключается в полноте представленной информации и глубокому теоретическому обоснованию всего происходящего. Для тех, кто любит математику.
2) Учебник Яндекса
Очень глубоко рассказывает как про математические основы алгоритмов ML, так и про то, как их эффективно написать. Никаких практических примеров нет, но по нему легко самостоятельно написать эти алгоритмы, что даст вам хороший прирост в понимании и позволит впечатлить HR.
3) Курс ФКН по Машинному обучению
Есть как теория, так и много практических заданий. Наиболее разносторонний курс из представленных. Очень советуем ознакомиться при наличии времени и желания.