👾👾 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.

Продолжаем ⬇️

⭐️ Что почитать и изучить?
Я сам начинал погружение в ML с книги «Python и машинное обучение». Да, индустрия развивается стремительно, и любая книга устаревает за пару лет. Но базовые принципы и основы обучения моделей там изложены понятно и с практикой.
И не забывай про современные LLM!

Напиши, например, Qwen:

«Как опытный и дружелюбный преподаватель по Data Science и Machine Learning, составь мне программу, которая поможет дойти до уровня Junior Machine Learning Engineer. Добавь теорию, примеры на Python и практические задания. Я буду присылать тебе решения, а ты проверяй их подробно и с объяснениями».

После изучения основ обязательно нужна практика. Придумай пет-проект, реализуй его и выложи на GitHub.

Примеры проектов:

✏️ Распознавание рукописных цифр на датасете MNIST. Сравни KNN, полносвязную сеть и CNN. (Забавный факт: архитектуру CNN подсмотрели у зрительной коры кошки.)

👀 Распознавание поз человека с помощью YOLO — пригодится, например, для анализа правильности спортивных упражнений.

✏️ Классификация токсичных сообщений с DeepPavlov, чтобы поддерживать деловой этикет в чатах.

💡 Участвуй в Kaggle-соревнованиях — там куча реальных данных и задач для тренировки.

Куда расти дальше
Важно не только обучать и тестировать модели, но и превращать их в работающие продукты. Для этого пригодятся:

👆 FastAPI — Python-библиотека для создания сервера, который возвращает предсказания модели.

👆 Streamlit — собери интерфейс: настройки, кнопки, визуализация результатов.

👆 ClearML — сохраняй модели и результаты экспериментов, чтобы не теряться в версиях.

👆 Airflow — автоматизируй пайплайн: сбор данных, обработку, вызов модели и сохранение результатов.

Новый виток — ИИ-агенты

LLM открыли целое направление прикладного ИИ, и изучать его стоит уже сейчас.

👆 Qwen — мощная и доступная из РФ LLM: отвечает на вопросы, пишет код, ищет данные, собирает исследования в PDF.

👆 Cursor AI — как VS Code, но с ИИ-помощником: подсказывает, как улучшить код, исправить ошибки и писать чище. Бесплатен для студентов.

👆 N8N — платформа для создания собственных ИИ-агентов и автоматизации. Можно сделать чат, подключить Telegram, почту или календарь, чтобы агент сам присылал план на день или подборку новостей.

Успехов в этом увлекательном пути! До встречи в рядах ML-инженеров Wildberries & Russ

Стажировка в Wildberries & Russ: Аня поделилась с нами, как проходила её стажировка в договорном отделе правового департамента 🩷

Узнать о Wildberries & Russ больше — как?
1 декабря в 14:00 на RWB Talks!

Пригласили 8 экспертов-сотрудников компании из Edtech, HR, IT, коммуникаций, Data Science и других направлений, чтобы провести прямой эфир совместно с приложением для видеошоппинга Wibes.

Здесь и про стажировки можно узнать, и про то, какие навыки сейчас нужны, и как стать частью команды 🥰

Топовых айтишников мы тоже позвали, так что ждём на встрече будущих тестировщиков и специалистов DS & ML 😎

Рассказываем про спикеров и расписание эфиров👇🏻

➡️ Продуктовый подход в «RWB Образование» | Екатерина Суркова — директор по развитию Edtech
14:05 – 14:20

➡️ Работа с образовательными организациями: программы, стажировки, амбассадоры, школьники | Юлия Ерофеева — руководитель отдела по работе с образовательными организациями
14:25 – 14:40

➡️ Профессии будущего: на что нужно ориентироваться уже сейчас | Елизавета Графская — Senior IT Recruiter
14:45 – 15:00

➡️ Ценность личного бренда руководителя крупной корпорации | Екатерина Санченко — пресс-секретарь главы РВБ
15:05 – 15:20

➡️ Data Science и машинное обучение | Александр Сидоров — руководитель отдела ML & Data Science
15:25 – 15:40

➡️ Как тестировщики спасают проекты | Роман Лукманов — Head of QA клиентского приложения WB
15:45 – 16:00

➡️ Wibes и всё о нём | Самир Кунченко — руководитель контента и привлечения блогеров Wibes
16:05 – 16:20

➡️ От стажёра до сотрудника компании | Андрей Сучков — комьюнити-менеджер направления развития проектов обучения и управления продуктами
16:25 – 16:40

Регистрация по ссылке 👈🏻

Сегодня проводим экскурсию в нашем офисе для практикантов из колледжа информационных и креативных технологий IThub, знакомим с компанией и продуктами 💘

Решай задачки, играй в memory и выигрывай мерч от Wildberries & Russ!

Кто ещё не был на карьерных мероприятиях, — самое время посетить их в своём вузе!

Wildberries & Russ проводит разные активности, чтобы вы смогли выиграть крутые подарки: блокноты, термосы, шопперы и пауэрбанки 🩷

🟣Играем в memory — карточную игру, в которой нужно находить одинаковые картинки.

🟣Решаем кроссворды, угадываем направления, которые есть в компании.

🟣Отвечаем на вопросы, чтобы лучше узнать про нашу компанию и проверить эрудицию ✨

Ждём тебя в твоём вузе!

Всероссийская олимпиада по инновационному предпринимательству от Wildberries & Russ х ГУУ

Вместе с Государственным университетом управления запустили олимпиаду «Будущее бизнеса» для школьников 9-11 классов и студентов 1-2 курса ссузов по всей стране!

В качестве испытаний тебя ждут предпринимательские кейсы, специально разработанные ведущими специалистами Wildberries & Russ и профессорско-преподавательским составом ГУУ, задачи и тесты по математике, информатике, обществознанию и английскому языку.

Подробности об этапах и преимуществах олимпиады смотри в посте.

Подай заявку до 1 декабря на сайте олимпиады «Будущее бизнеса» ⭐️

Встречаемся в прямом эфире уже через полчаса!

Присоединяйтесь в Wibes и задавайте вопросы экспертам 🩷

Модный приговор на связи: обозреваем мерч, который вы можете выиграть на карьерных мероприятиях 💅🏻

Амбассадоры Ксюша и Маша у микрофона, эксклюзивный асмр получился 🩷

Дорогой дневник, хочу мерч от Wildberries & Russ 😭

⭐️ Системный анализ: с чего начать

Привет! На связи Никита Казимиров, старший системный аналитик в команде поставок.

Прежде чем стать аналитиком, успел поработать в других ролях. И вот к какому выводу пришел: универсального пути в системный анализ нет — кто-то приходит из тестирования, кто-то из разработки, кто-то из маркетинга. Ниже — книги, которые помогли мне и коллегам в начале карьеры.


🩷 Книги для старта

⏩️ Разработка требований к ПО и Требования для программного обеспечения

Фундамент для работы с требованиями, помогают разделять бизнес-, пользовательские, системные требования и ограничения.

⏩️ Пользовательские истории. Искусство гибкой разработки ПО

Объясняет, как описывать функционал через сценарии использования, не терять связь между хотелкой бизнеса и реальной пользой, а также формулировать требования так, чтобы и бизнес видел ценность, и разработка понимала, что делать.

⏩️ UML. Руководство пользователя

Дает понимание, как структурировать мысли визуально и говорить с разработкой/архитекторами на одном языке. В идеале параллельно пробовать что-то рисовать, например, процесс создания поставки или приемки товара на складе.

🔥 Если вы уже в IT

Идеально, если базовые навыки уже есть. Тогда эти книги помогут погрузиться глубже:

⏩️ Domain-Driven Design

Помогает мыслить предметной областью, а не только экранами и таблицами.

⏩️ Software Systems Architecture

Про то, как смотреть на систему через производительность, надёжность и интеграции.

⏩️ Чистая архитектура

После прочтения улучшается понимание, куда именно встраиваются решения аналитика.

❓ Как превратить теорию в навык

Чтобы книги приносили пользу, параллельно пробуйте применять прочитанное.

Возьмите один знакомый вам сервис — интернет-магазин, банковское приложение или доставку. Разберите его на части, нарисуйте схемы, попробуйте выделить сущности и связи. Ошибайтесь, переделывайте, уточняйте — именно так появляется уверенность и тот самый опыт, который отличает хорошего аналитика от начинающего.

Удачи в вашем карьерном пути!