Когда стоит использовать простую модель, а когда — бустинг? Разбираем на примерах, как не тратить ресурсы зря.
Больше практики в ML на курсе «Инженер машинного обучения»: https://to.karpov.courses/OS1yug
Коротко о шагах развития после базового обучения. Подробнее о курсе «ML Engineering: от базы до AI-продукта»: https://to.karpov.courses/m2bpJw
Как проверить модель так, чтобы результаты были реальными? Знакомимся с методом stratified split.
Подробнее о программе: https://to.karpov.courses/tax9rg
Какие навыки обязательны для старта в ML, а какие выделят вас сильнее? Полезные скилы можно найти на курсе «ML Engineering: от базы до AI-продукта»: https://to.karpov.courses/Nv8JUw
Модели градиентного бустинга могут переобучаться даже на небольших данных. Разбираем, как этого избежать.
Больше нужной теории в ML — на курсе «Инженер машинного обучения»: https://to.karpov.courses/LQw9gg
Какие проекты лучше всего подходят для старта в ML? Советы для начинающих и практика на курсе «ML Engineering: от базы до AI-продукта»: https://to.karpov.courses/LNXBYw
Сокращение признаков помогает моделям работать быстрее, но не всегда улучшает результат. Разбираем, когда PCA действительно нужен.
Больше теории и практики — на нашем курсе по ML: https://to.karpov.courses/XIWbvw
Возможно ли начать карьеру в ML без опыта в программировании и IT? Обсуждаем реальный порог входа в профессию. Подробности на курсе «ML Engineering: от базы до AI-продукта»: https://to.karpov.courses/SJciXA
Какие ошибки настораживают работодателей и какие качества помогают выделиться на старте карьеры в ML? Разбираем на курсе «ML Engineering: от базы до AI-продукта»: https://to.karpov.courses/ONy3AA
Модель почти идеальна по точности работы, но пропускает важные случаи? Разбираем, как исправить дисбаланс: https://to.karpov.courses/cN_w3Q
От подготовки данных до внедрения моделей — рассказываем, чем реально занимается ML-инженер. Практикуем это на курсе «ML Engineering: от базы до AI-продукта»: https://to.karpov.courses/qfZh8A
Смотрим на рынок ML-профессий и обсуждаем, почему даже сейчас есть возможности для старта. Подробнее на курсе «ML Engineering: от базы до AI-продукта»: https://to.karpov.courses/rnpmYg
Как использовать уже обученные модели в новых задачах — для экономии времени и ресурсов? Отвечает эксперт.
Больше теории и практики в ML на курсе «Инженер машинного обучения»: https://to.karpov.courses/8ijjgA
Разбираемся, чем отличается машинное обучение от искусственного интеллекта, и почему эти термины часто путают. Подробно тему раскрываем на курсе «ML Engineering: от базы до AI-продукта»: https://to.karpov.courses/4oyKnw
Спойлер: после 30 вполне реально войти в ML. Попробуйте сами с помощью курса «ML Engineering: от базы до AI-продукта»: https://to.karpov.courses/GS1F9Q
Линейная алгебра, статистика, теория вероятностей — сколько математики действительно нужно для старта в ML? Всё это и практика на курсе «ML Engineering: от базы до AI-продукта»: https://to.karpov.courses/DDc3yg
Cравниваем возможности код- и no-code-подходов в ML. Подробнее на курсе «ML Engineering: от базы до AI-продукта»: https://to.karpov.courses/VY7BiA
4 шага для интеграции нейросети в продукт. Советы от эксперта курса «Инженер машинного обучения». https://to.karpov.courses/U4lr1A
Что делать, если ваши бухгалтеры и экономисты боятся Python? Почему IT-специалист не всегда решит проблему? Рассказывает заместитель руководителя Школы финансов ФЭН НИУ ВШЭ Елена Макеева.
Научитесь работать с данными и принимать эффективные бизнес-решения на курсе «Data-аналитика в финансах»: https://to.karpov.courses/J7_x_g
В чем смысл хорошего дашборда и что важно знать при его подготовке, отвечает эксперт по финансовой аналитике.
Научитесь создавать эффективные аналитические панели на курсе «Data-аналитика в финансах»: https://to.karpov.courses/NAPoIA