Здравствуйте, мои маленькие любители DS и ML, как и обещал, сегодня поговорим про преимущества обучения на ПИ …

Здравствуйте, мои маленькие любители DS и ML, как и обещал, сегодня поговорим про преимущества обучения на ПИ ФКН-а. Недавно я общался с коллегой с этого направления, разузнал все моменты, которые были на его пути при выборе машинного обучения, как карьерного направления! Обзор и оценка полезности курсов на ВШЭ ФКН ПИ с точки зрения ML-ого трека развития 1 курс: - матан, алгебра, дискра – база Курсы менее глубокие чем на том же ПМИ, но в абсолютной шкале, я думаю, достаточно хороши, но если что, всегда можно взять дополнительные интересующие курсы или походить вольнослушателем. - Из проги в мое время было 3 модуля C# и один модуль C++ Курс по шарпам был сомнительным, многие были недовольны, и, кажется, сейчас по проге другая программа. 2 курс: - Первый семестр – тервер, второй семестр – матстат - программа базовая, не самая глубокая, лекции не супер, лучше смотреть лекции Райгородского на физтехе (на ПИ программа почти такая же как на ФБМФ МФТИ, если хочется более глубокий курс, то ФПМИшные лекции можно смотреть) - полезность для ML – 10/10 - Алгоритмы и структуры данных – два семестра - курс имба, напрямую для ML не нужен, но как будто база (тем более везде есть алгособесы, хотя и проходится сильно глубже чем нужно для алгособесов), так что - полезность – 9/10 - Архитектура вычислительных систем (ассемблер) и операционные системы - Для ML, наверное, совсем не нужны, но мне понравились: для общего развития + базовое понимание, как под капотом работают программы - полезность для ML – 2/10 - Конструирование программного обучения - Проходилось: принципы и паттерны (SOLID, паттерны проектирования, DI, тестирование), архитектура приложений (MVC, DDD и Clean Architecture), инфраструктура и интеграция (микросервисы, очереди, контейнеры) - По большей части бэкендерская тема, хотя паттерны проектирования, все таки лучше знать - полезность для ML – 4/10 3 курс, 1 семестр: - Математические методы анализа данных - Изучается весь классик ML (курс – аналог МО-1 на ПМИ), вроде курс неплохой, но лично не ходил, тк к тому моменту уже прошел МО-1 - полезность для ML – 10/10 - Базы данных (вообще курс вроде хороший, но я слишком много скипал) - Нейронные сети в машинном обучении (один из курсов по выбору) - курс по DL, идет один семестр, информации достаточно много, так что не все подробно все рассказывается, так что самостоятельно надо будет поразбираться (как и везде собственно, так что ничего особенного) - полезность для ML – 10/10 - Разработка безопасного ПО - 60% курса – девопс, 40% – безопасность - полезность для ML – 1/10 Как я ботал ML: 1. Курсовая Суть курсовой состояла в том, чтобы с нуля (из дополнительных библиотек использовался только Eigen для матричных опираций) на C++ написать небольшую библиотеку для создания и обучения нейросетей с настраиваемой архитектурой. Когда начинал ее делать, вообще ничего об ML не знал. Хороший проект, чтобы прочувствовать, как происходит обучение, руками вывести формулы для бэкпропа для типичных слоев, подумать, как написать так, чтобы данные грамотно хранились и передавались, как реализовать классы чтобы было расширяемо и тд. 2. Прошел МО-1 Евгения Соколова – эталонный курс по классик ML 3. Потом решил, что хочу в NLP и пошел смотреть лекции тренировок по ML 2.0 от яндекса. По факту тренировки носят скорее обзорный характер, можно посмотреть чтобы понять какие темы существуют и в чем основные идея, и дальше каждую тему самостоятельно подробно разобрать. И из структурированного обучения по сути все, далее делал какие-то мини проекты, ситуативно разбирался в каких-то темах, которые нужны были для сорев, собесов или ради интереса. - AIDAO (смешной отборочный этап, в котором в итоге у меня лучшее решение было даже без ML. На финале была CV задача – построить BEV карту статических преград по 4 фото с разных камер машины. Хороший опыт командной работы (формат – 3 человека команда) + за маленький промежуток времени разбираешь достаточно большой объем информации + появляется проект в резюме)