Я думал в каком формате сделать ML конспекты, в свое время, я нашёл отличные курсы и отличные учебники по МЛ алгам. Но мне не хватало теории, я все чаще замечаю, что иногда не разбираюсь во всех тонкостях алгоритмов, как мне хотелось бы. Я думаю насчёт того, что бы выпустить что то вроде OWOM ( one week - one model ), где постараюсь подробно разобрать теорию, какие то нюансы и написать алгоритм только с использовать классов и numpy/pytorch. В целом это неплохая практика как для меня, так будет полезно и вам, но все же узнаю.

Я постараюсь разобрать только основные модели, без фанатизма.

Upd: я буду выкладывать книги раз в неделю по тому порядку, которяй в рейтинге опроса(около пятничный формат, что бы на расслабоне в выходной почитать) . Так же вероятно помимо книг, когда они кончаться, буду вам советовать ютуб (если не прикроют) и прочие ресурсы, их не так много, но некоторых смотрю/ читаю с кайфом. 🤖

Книжки/ материал утром выложу.
Сегодня на чиле уже. Пис ✌️

Книги по вышмату

Introduction to probability & statistics

В свое время долго разбирался с теорией вероятности и мат. статистикой. Большинство книг СНГ не используют единую систему обозначений. Не имеют актуальный и исчерпывающий материал. Какие то темы вообще пропускаются. Но книги от univeristy of callifornia просто находка. Мне очень нравиться их подача. Их примеры. Несмотря на том, что она на английском, но разобраться в твимсе с этой книгой будет в разы проще чем с какой либо еще. Тем более она именно практико-ориентированная. Вам не просто так дают формулы, а дают более менее реальные примеры использования с выходом в машинное обучение/эконометрику/аналитику/знание AB тестов.

Линейная Алгебра на Python

Если вы начали читать книги которые я советовал выше по анализу данных. То там нужно разбираться в линейной алгебре. Следовательно эта книга, она конечно не исчерпывающий материал. Но можно разобраться с реализацией многих алгоритмов и покрутить их самим. 

Математика для Data Science [2021] Миронов, Минеева
Небольшой материал по подготовке от STEPIK. Тут именно практика, с разбором, с задачами, с конспектами.

Все ссылки в комментах

Добавил ссылки к посту выше

Рекомендации SkillFactory по собесам, подготовке портфолио и английского языка.

Книги DevOps [MLOps] + Reinforcement learning

Небольшой завал по времени, в коммах все выложу. ✌🏻

Оффтоп:
Вы часто в комменты заходите в разных пабликах? Мир с ума просто сходит, такое ощущение что вокруг не эпидемия ковида, а слобоумия.
Инфовойны, политика, пропаганда это, безусловно, все понятно, но неужели так сложно 2+2 сложить в 2022 году, что бы понять что к чему происходит ;)
Угнетать друг друга в соц. сетях, выглядит как драка обезьян за банан в зоопарке.
Земля круглая
Творите добро
Всем пис ✌️🇺🇦🇷🇺

Личностный рост аналитиков от Intern до director. Полезно, что бы понять куда двигаться дальше.

У них ещё можно сделать тест с индивидуальным планом развития, но я не проходил.

По сути канал начинает набирать обороты, особенно когда я им занимаюсь, а не просто афк посты, как сейчас. Im so sorry, the сессия is coming...
Возможно сегодняшний день станет началом развития личного бренда. Меня интересует ваше мнение, хотели бы вы контент не только в телеграме, я обещал разбор моделей машинного обучения и написания их from scratch, я помню про это! Я имею ввиду формат видео, YouTube?

Всем субботний привет! 👋

Сегодня хочу поделиться с вами накипевшими мыслями, очень люблю когда вы даёте какой то фидбек в комментах.

Хочу поднять три темы сегодня
1) Почему джуны приходят с нулевыми знаниями в компании и как не попасть на этот крючек
2) Что не так с IT образованием в рф/мире
3) Про ютуб канал

Почему джуны приходят с нулевыми знаниями в компании и как не попасть на этот крючек

Джуны - вероятнее всего недавние студенты, только только закончили вуз. И вот я недавно натолкнулся на вакансию, которая требовала минимум 2/3 критериев:
1) сбор данных с нуля
2) создание и улучшие модели
3) какой нибудь недопрод
И это очень стандартный кейс. И знаете что? Не все джуны с этим справятся. Даже в сбербанке иногда люди не знают отличие research от prod стадий (единичные случаи). Пишут prod stage код в юпитерах и тп... Это все происходит по причине того, что почти на всех стадиях обучения упускают этот момент, его сложно как то контролировать. Даже в том же яндекс практикуме (когда я учился) этому не уделяли внимания, несмотря на то, что качество обучения там отличное (на мой взгляд). А в университетах не все преподы python знают и ограничены написанием формул в екселе. Поэтому джуны/ интерны, которые приходят в компании просто не знают о том как правильно это делать, некоторые темы просто никто не освещает в широком круге и учаться этому уже внутри компании. Если вы не хотите опозориться и ответить на вопрос как вы реализовали пайплайн: sklearn.Pipeline, то гуглите другие проекты на гитхаб, смотрите гиты крупных компаний и тп. Учитись на ошибках других.

Что не так с IT образованием в рф/мире

Мы живём в мире высокой волатильности, изменчивости и то что актуально вчера, уже не релевантно для нас сегодня. Особенно вузы, которые не способны набирать актуальных преподавателей и в таком мире невозможно выработать и отследить стандарты, которые меняют из дня в день в добавок с появлением новых сфер и технологий. Вузы не могут научить вас всему, а вы должны заниматься в первую очередь самообразованием.

Про ютуб канал
В связи с этим возникла идея создания ютуб канала, ежедневно я сталкиваюсь с тем, что многие темы не освещают, а узконаправленные темы не шейрятся. Например нет хороший гайдов по фреймворку rllib и metaflow. Хотя их применимость довольно широка и эффективна.
Поэтому можно делать контент редко, но метко, я думаю многим нравится формат Птушкина, Топлеса или Карпова, они выпускают видео не часто, но всегда интересно. Пис ✌️

Ближайшие мероприятия, которые ждут вас в моем телеграм канале и не только!

1. Time to plump pet-project!
Ближайший пост, в котором я расскажу про то как прокачать свой пет проект и почему нельзя ограничиваться юпитером.
~конец июня

2. ?Reinforcement learning в задачах оптимизации
Пока что эта тема под вопросом, но уже есть определённые результаты. Сейчас автоматизирую процесс пайплайна, что бы проводить автоматические эксперименты.
~ пока не загадываю, но предлагаю между июль-сентябрь

3. Machine learning under the hood
Серия гайдов, где будем разбираться как работают те или иные модели под капотом и писать их на pytorch / numpy с нуля.
~ август

4. Как стать мастером kaggle.
Лекция совместно с rue ds club, в котором я расскажу о своём опыте в kaggle. А почему и как фармить медальки в kaggle вы сможете узнать уже в сентябре!