Карьера в ML | Георгий Хлестов

Вышла моя статья на Хабре 🚀 Это, пожалуй, самый структурированный и практичный материал о том, как войти в NLP и вырасти до Middle — без лишней теории и бесконечных курсов. Внутри: — роадмап, по которому учатся мои ученики и выходят на офферы; — подробный шаблон ML System Design, который я использую в работе и на мок-собеседованиях; — список тем, вопросы для самопроверки и рекомендации по материалам. Если хотите разобраться в NLP самостоятельно — очень рекомендую прочитать. Если хотите идти с м...

Почему часть опытных Data Scientist уверена, что без вышки и математики в ML делать нечего? Вот свежий пример из моих личных сообщений на хабре Это довольно частая история. Человек искренне верит, что без глубокой математики в ML не выжить. И звучит это всегда примерно одинаково: «Нужна фундаментальная подготовка», «Без абстрактного мышления не сможете решать сложные задачи», «Будете простыми кодерами». Теперь реальность 2025: — 80% индустриального ML — это не теорфизика, а здравый смысл + инжен...

🚀 Вышла новая статья на Хабре Я разобрал одну из самых запутанных тем для новичков — деплой ML-моделей. В статье: — что на самом деле считается деплоем ML-модели; — какие требования к деплою бывают в компаниях; — насколько глубоко в это нужно разбираться начинающему ML-инженеру; — с какими инструментами имеет смысл познакомиться на старте. Постарался объяснить без перегруза и с опорой на реальный опыт и вакансии. [ССЫЛКА НА СТАТЬЮ] [ССЫЛКА НА СТАТЬЮ] [ССЫЛКА НА СТАТЬЮ]

💬 Как я использую LLM в реальной разработке (и почему это ускоряет работу в разы) Мои два основных инструмента сейчас — ChatGPT и Cursor. И это, по сути, мой ежедневный рабочий «экзоскелет», который снимает кучу рутины. 🔧 1. Разработка фич без боли Когда пишу новые куски функционала или правлю существующий код, я редко начинаю с нуля. Cursor видит весь проект, понимает структуру и может внести изменения сразу в нескольких файлах. То, что раньше делал 2–3 дня, теперь могу закрыть за 2–3 часа — ...

Хочу рассказать, что теперь у меня действует реферальная программа. Если вы порекомендуете знакомого, который запишется в менторство и дойдёт до оффера, — вы получите 10% от постоплаты. А тот, кто пришёл по рекомендации, получит 20% скидку на предоплату. Всё просто: 1️⃣ Знакомый пишет, что пришёл по вашей рекомендации. 2️⃣ Мы вместе проходим путь до трудоустройства. 3️⃣ После постоплаты я перевожу вам бонус. Это способ поблагодарить тех, кто рассказывает обо мне, и при этом помочь друзьям попаст...

Перед тем как принять оффер в Data Science — задай себе (и компании) эти вопросы Ты можешь отлично пройти собеседование, но потом оказаться в месте, где: — данных нет, — моделей в проде нет, — а всё, что ты делаешь — это Excel и митинги. Чтобы не попасть в такую ловушку — вот короткий чек-лист. Спроси эти вопросы перед тем, как сказать «да» офферу 👇 1. Есть ли вообще данные? Сколько их, с какой глубиной, и дадут ли к ним доступ? Без данных ты не Data Scientist, а Data Philosopher. 2. Есть ли же...

Всем привет 👋 Это первый пост в этом году) В январе многие ставят цель устроиться на работу (в ML/DS или просто в новую сферу). И чаще всего ломается не мотивация, а процесс: первые дни есть заряд, а потом обучение расползается и превращается в хаос. Поэтому вот 3 принципа, которые помогают довести дело до результата. Они простые, но именно на них чаще всего и забивают. 🧭 Если учишься с ментором (или берёшь советы у человека сильнее тебя) — держись плана. Самая частая ошибка: “я сделаю по-свое...

Как не потерять мотивацию, когда кажется, что прогресса нет Многие начинают изучать DS с энтузиазмом, а через пару месяцев чувствуют, что топчутся на месте. Кажется, что другие уже строят модели, а ты всё ещё разбираешься в линейной регрессии. Важно помнить: Data Science — одно из самых сложных направлений в IT. У него высокий порог входа, и это нормально, если путь идёт не быстро. Главное — держать в голове цель: устроиться на работу и постепенно к ней идти. Каждое задание, проект или просмотре...

Отнимет ли ИИ работу у Data Scientist? Коротко: нет. ИИ отлично пишет код и помогает с рутиной. Но ставить задачи, выбирать метрики успеха и понимать продуктовую ценность — это про людей. Мы не “кодописатели”, мы соединяем математику, продукт и инженерку. Почему ИИ нас не заменит • Разработка — это не только код. Контекст, архитектура, метрики, деплой, мониторинг. • Большие системы не “сгенерировать”: версии, интеграции, SLA, компромиссы. • “Красиво” ≠ “полезно”: модель не понимает цену ошибки и...