Расскажи про свое обучение

Расскажи про своё обучение

За 10+ лет в Data Science я накопил образование и навыки через комбинацию формального обучения и практики.

Формальное образование

Бакалавриат: Прикладная математика (МФТИ, 2010-2014)

• Линейная алгебра, численные методы, теория вероятностей
• Основы программирования (C++, Python)
• Это дало мне математический фундамент

Магистратура: Machine Learning (2014-2016)

• Теория обучения (VC-dimension, PAC learning)
• Probabilistic graphical models
• Deep learning (когда это были свежие идеи)

Самостоятельное обучение (90% моего знания)

2014-2016: Kaggle Мой путь начался с Kaggle. Участвовал в 15+ соревнованиях:

• Titanic (baseline понимание)
• Digit Recognizer (CNN, top 2%)
• Instacart (collaborative filtering, top 5%)

От каждого я узнавал новые техники.

2016-2018: Production ML через работу Моя первая работа DS в стартапе:

• Обучился работать с большими данными (Spark, Hadoop)
• Понял, что Kaggle != production
• Выучил SQL (это было критично)
• Научился писать reproducible code

2018-2020: Deep Learning & NLP специализация

• Fast.ai курсы (Jeremy Howard)
• Papers из ArXiv (BERT, GPT, attention is all you need)
• Экспериментирование с LSTM, CNN для текста

2020-2024: Системное thinking На проекте с recommendation engine:

• MLOps (как обслуживать модели в production)
• A/B testing дизайн
• Monitoring & alerting
• Управление технических долгов в ML коде

Ключевые ресурсы

Курсы:

• Stanford CS229 (Andrew Ng)
• Fast.ai Practical Deep Learning
• Coursera DeepLearning.AI specialization
• Papers with Code

Книги:

• "Hands-On Machine Learning" (Aurélien Géron) — лучшая практическая
• "Deep Learning" (Goodfellow et al.) — библия deep learning
• "Designing ML Systems" (Chip Huyen) — про системное thinking

Community:

• Stack Overflow
• GitHub — изучение хорошего кода
• Kaggle обсуждения

Что я учу сейчас (2024-2025)

1. LLMs & RAG ChatGPT вышел, и я углубляюсь в этой области:

• RAG (Retrieval-Augmented Generation)
• Prompt engineering
• Fine-tuning больших моделей

2. Causal Inference Понял, что корреляция != причинность:

• Judea Pearl ("Book of Why")
• Econml библиотека для causal trees
• A/B testing из causal perspective

3. MLOps & Python best practices

• Poetry для dependency management
• Type hints (mypy)
• Testing (pytest)
• CI/CD для ML models

Метрика моего обучения

За 10 лет я:

• Прочитал 100+ research papers
• Сделал 20+ production ML систем
• Решил 50+ Kaggle задач (top 5% в 3х)
• Прошёл 30+ курсов
• Написал 1000+ часов code

Learning velocity высокая:

• Каждый год учу что-то новое
• 2020: BERT, XGBoost, Spark
• 2022: Transformers, GPT-3
• 2024: LLMs, RAG, multimodal models

Почему я продолжаю учиться

ML меняется быстро. Если не учиться, ты отстанешь. Поэтому я выделяю 5 часов в неделю на обучение.

Мой совет для junior DS

1. Фундамент: Линейная алгебра, вероятность, статистика
2. Практика: Kaggle, GitHub проекты, реальные данные
3. Production: Изучи SQL, Docker, основы MLOps
4. Специализация: Выбери область (NLP, CV, recsys) и углубляйся
5. Community: Читай блоги, обсуждай papers, пиши код на GitHub

Образование никогда не заканчивается.