Роудмап с 0 до работы в ML для тех, кто решил изменить свою жизнь в этом году Вот и настал 2026 год. Пока мы все выходим из чилл режима, расскажу про то, как дойти до оффера в ML. Этот материал носит ознакомительный характер, но вы также можете пройтись по нему как по микрокурсу. МЛ инженер должен твердо знать 2 вещи - питон и математику. Это основа всего. Математика нужна, чтобы ты понимал алгоритмы машинного обучения, а питон, чтобы ты умел их использовать на практике. По нашему опыту самый сложный этап - это математика, особенно, если там нет опыта. Градиенты, матрицы и производные, линейные пространства, если для тебя это пустой звук, то точно будет не просто. А если ты все это знаешь, значит, способен быстро освоить математику и двигаться дальше. С питоном тоже все не просто. Если у тебя уже есть опыт программирования, и ты понимаешь, что такое переменные и функции, то это уже хорошее подспорье, так как в голове сформировались паттерны, если же нет, то нужно уделить питону особое внимание. Мы с командой рекомендуем: - Питон - https://stepik.org/course/63085/syllabus - Математика - https://karpov.courses/mathsds Машинное обучение нужно не только знать, но и уметь применять Казалось бы, очевидная вещь, но тем не менее без практики никуда. В машинном обучении стоит обратить внимание на линейные модели - линейную и логистическую регрессии. После этого перейти к деревьям решений, дальше уже случайный лес и градиентный бустинг. По факту все. Наивный баес, SVM и прочие алгоритмы не нужны на начальном этапе. Они либо вообще не используются в работе, либо оочень ситуативные. Выучите и разберите основу, потом уже можно и на остальное глянуть. Также стоит обратить внимание на: регуляризацию, bias/variance tradeoff и KNN для кластеризации. Что касается практики, то идите на kaggle и решайте сорвенования. Это лучшая практика без опыта и доступа к платформам с продовым окружением, как у нас на обучении. Мы с командой рекомендуем: - Читать: https://education.yandex.ru/handbook/ml - Смотреть: https://www.youtube.com/@DeepLearningSchool Еще важно понимать, как выводятся модели в прод, как устроена команда и процессы в рабочей среде. Здесь мы не можем порекомендовать хорошие материалы, кроме внутренних, так как эта сфера покрыта слабо. Собеседования: ВЫ НЕ ПОНИМАЕТЕ, ЭТО ДРУГОЕ ... Самое смешное, что это реально другое, и сам процесс работы сильно отличается от процесса собеседования. В частности к ним нужно отедльно готовиться. При этом часть навыков абсолютно не пригодится на работе. Например, алгоритмы. Но их важно уметь хорошо проходить. Вообще вас ждет в основном комбинация трех типов собеседований: решение алоритимических задач, теоретические вопросы по машинному обучению и вопросы по резюме и систем дизайн - проверка вашего умения моделировать мл системы. Но тут есть еще один супер важный нюанс. Нужно попасть на собеседование, а для этого должно быть хорошее резюме. Это отдельный блок вообще. Но в канале уже все есть. Мы с командой рекомендуем: 1. Алгоритмы 2. Техническая секция 3. MLSD 4. Финалы - тык, тык и тык 5. Торговля за оффер 6. Ловушка первого оффера 7. Гайд по подготовке к собесам Важно понимать, что данный список материалов можно дополнять и дополнять, но для того, чтобы начать покорять профессию - этого достаточно. Желаю в этом году тебе не просто сделать первые шаги в покорении машинного обучения, но и найти работу! P.S. На картинке наш роудмап, собеседование по алгоритмам дублируется, но так картинка выглядит более гармонично, имхо