Хабр Курсы для всех
РЕКЛАМА
Большая витрина: от крупнейших школ до частных авторов. Сравнивайте по цене, длительности, формату и выбирайте самый подходящий курс!
Поток AI и ML доступен 24/7 благодаря поддержке друзей Хабра
Комментарии 26
А как-же от 15 лет опыта работы с LLM и личное знакомство с Клаудом Шенноном?
Немного о себе: меня зовут Ян Шмидт, я ML-инженер в British Petroleum и параллельно готовлю ребят разного начального уровня к работе ML-специалистами на рынке СНГ и за рубежом. За два года через моё менторство прошло больше 60 человек, больше 15 из них уже работают в ML — в российских и зарубежных компаниях.
Ян Шмидт, ментор с 2х летним опытом продает менторство не в хабе "я пиарюсь" и зазывает всех в свою телегу. Совсем, видимо, в British Petrolium не платят.
При этом 3 из 4 человек, воспользовавшихся его услугами, по итогу не устраиваются в ML сферу.
Зачем это здесь?
Спасибо за коммент! Вижу, что у вас лычка "В IT уже больше 20 лет". Несколько вопросов:
Во-первых, откуда информация про 2х-летний опыт?
Во-вторых, почему из фразы "15 устроившихся и 60 человек" следует, что "3/4 не устраиваются"? Остальные ребята занимаются в настоящий момент на разных этапах: кто-то пришел недавно, кто-то посередине роадмапа, кто-то уже собеседуется. Мне кажется, это должно быть очевидным)) Из всех пришедших за все время покинуло курс человек 5-7 по разным причинам. Никто из дошедших до рынка не покидал курс с поражением
В-третьих, при публикации статьи на хабр есть отдельная категория "роадмап", её я и выбрал.
Уверен, что пост может пригодиться тем, кто не понимает, какой нужен маршрут. Я не настаиваю на покупке моего курса. Роадмап есть — дальше по нему можно идти самостоятельно. Отдельно все могут всегда мне написать при необходимости)
Ответ тут.
Зачем это здесь?
Затем, что есть спрос? Что есть заметное количество сокращаемых прямо сейчас разработчиков и "разработчиков", которые привыкли получать 300+ за полтора коммита в неделю и готовы отдать часть этих денежек, чтобы вернуться в привычное состояние?
А когда есть спрос - будет и предложение. И вот тут на сцену выползает наш "Ян". Который скорее всего совсем и не Ян, но кого это интересует?
Согласен, с рынком, особенно в РФ, сейчас творится что-то невообразимое. Кучу людей сокращают, немало людей заранее приходит с запросом сменить направление на ML с бэка/фронта/aqa/qa/и т.д. Поэтому для меня тоже не стоит вопрос "зачем это здесь" — ответ на поверхности
P.S. я реально Ян
Что есть заметное количество сокращаемых прямо сейчас разработчиков и "разработчиков", которые привыкли получать 300+ за полтора коммита в неделю и готовы отдать часть этих денежек, чтобы вернуться в привычное состояние?
Так не вернутся, фарш невозможно провернуть назад. Все эти инфоцыгане знают, что ничего из этого не выйдет. Просто потому что прогресс обгоняет те знания которые они якобы дают. Сейчас даже ML-специалисту с опытом тяжело устроиться, про тех кто курсы закончил вообще молчу.
Вот эту вот продажу иллюзии "будет как раньше" я и осуждаю.
Все эти инфоцыгане знают, что ничего из этого не выйдет
статистика говорит об обратном, но вам, похоже, виднее))
прогресс обгоняет те знания которые они якобы дают
уже несколько раз заметил, что роадмап как раз-таки актуален на состояние 2026. И почему "якобы" — загадка для меня
даже ML-специалисту с опытом тяжело устроиться
недостаточно только харды знать идеально и иметь 100500 лет опыта. Нужно уметь и по софтам не проседать: правильно отвечать на собесах, правильно рассказывать по свой опыт. Есть люди, у кого проблемы с самопрезентацией, например, но они могут быть супер спецами из своей узкой области, — да, им тяжелее искать работу будет. Но это проблема хардов или софтов? Недостаточно одних хард-скиллов
продажу иллюзии "будет как раньше"
а где эта иллюзия фигурирует в тексте статьи?
статистика говорит об обратном, но вам, похоже, виднее))
Есть три вида лжи...
уже несколько раз заметил, что роадмап как раз-таки актуален на состояние 2026.
Вы ошибаетесь, но я не буду подсказывать. Оставайтесь при своем мнении.
недостаточно только харды знать идеально и иметь 100500 лет опыта
Да, но без хард скилов софт скилы бесполезны, можно пролезть заболтав и вылететь через месяц. Такие люди как вы плодят стада откликающиеся на кажбую вакансию по 400 откликов в перве 10 минут вакансии в надежде проскочить интервью как учил ментор. Такой спам тоже играет свою роль в том что найм встал.
а где эта иллюзия фигурирует в тексте статьи?
А с чего вы решили, что этот ответ вам?
Я отвечал на комментарий пользователя про "вернуться в привычное состояние".
Резюмируя, вы даже не во втором десятке "менторов", которых я повидал в этой сфере и пока все они были инфоцыганами. Вы палитесь на ответах, чем больше отвечаете тем больше палитесь.
Так не вернутся, фарш невозможно провернуть назад
"С хабаром вернулся - чудо. Живой вернулся - удача. Патрульного пуля - везенье. А все остальное - судьба". Надежда всегда продавалась, продается и будет продаваться. Ну по крайней мере пока покупатель - человек, а не агент)
Вижу, что у вас лычка "В IT уже больше 20 лет".
Речь сейчас не обо мне, но если интересно, то 6 лет в ML профессионально (до этого еще 5 лет как хобби, писал статью об этом), 21 год в ИТ всего.
Во-первых, откуда информация про 2х-летний опыт?
Вы написали:
За два года через моё менторство прошло больше 60 человек, больше 15 из них уже работают в ML — в российских и зарубежных компаниях
Из чего я делаю вывод, что у вас 2х летний опыт менторства в ML.
Во-вторых, почему из фразы "15 устроившихся и 60 человек" следует, что "3/4 не устраиваются"?
60/15 = 4, те 1 из 4 устраивается, еще 3 - нет.
Остальные ребята занимаются в настоящий момент на разных этапах
Вы написали: За два года через моё менторство прошло больше 60 человек...
Уже прошло, не проходят сейчас, не собираются, а уже прошло. Если вы нас обманули и еще не прошло, то коэффициент успеха после вашего менторства еще хуже.
Вы там определитесь, либо трусы либо крестик.
В-третьих, при публикации статьи на хабр есть отдельная категория "роадмап", её я и выбрал
По правилам ресурса запрещена откровенна реклама вне корпоративного блога и хаба "я пиарюсь". Можете попробовать рассказать что это не реклама.
Вообще, сейчас очень много инфоцыган по ML-теме. Я думаю, что вы один из них.
Вы написали:
За два года через моё менторство прошло больше 60 человек, больше 15 из них уже работают в ML — в российских и зарубежных компаниях
Из чего я делаю вывод, что у вас 2х летний опыт менторства в ML.
Согласен, прочитал как опыт в МЛ вообще, не в менторстве — извиняюсь! Да, менторством 2й год занимаюсь.
Вы написали: За два года через моё менторство прошло больше 60 человек...
Уже прошло, не проходят сейчас, не собираются, а уже прошло. Если вы нас обманули и еще не прошло, то коэффициент успеха после вашего менторства еще хуже.
Вы там определитесь, либо трусы либо крестик
Ок, чтобы не было дальнейших недопониманий — поправлю эту формулировку, спасибо за заметку. Напишу что-то вроде "В настоящее время через мое менторство проходит около 30-45 человек, а еще 15+ других уже устроились". Надеюсь, так меньше людей будет чувствовать себя обманутыми)
По правилам ресурса запрещена откровенна реклама вне корпоративного блога и хаба "я пиарюсь". Можете попробовать рассказать что это не реклама.
Давайте дадим администраторам хабра решить этот вопрос. Если удалят пост — я не прав, признаю. Никакого злого умысла — я запостил роадмап. Дальше пусть власть имущие расценят по понятиям))
Вообще, сейчас очень много инфоцыган по ML-теме. Я думаю, что вы один из них.
С первым согласен. Со вторым не соглашусь. Я не гарантирую всем 100%-го результата и 300к/наносек каждому, прямо пишу об этом в лендинге, можете глянуть, если вдруг интересно. Странно, что вы даже не зная меня лично утверждаете, что я некомпетентен в менторстве по МЛ и занимаюсь чистым инфоцыганством) Возможно, вам виднее с вышины опыта, но я сомневаюсь, что числа чего-то значат. Результаты менторства говорят за себя, поэтому моя совесть абсолютно чиста) Есть сомнения — в случае заинтересованности любой может связаться с моими учениками.
Когда же вы уже исчезните как вид облучатели и курсоводы хреновы. А слабо квантовых физиков чеканить за 3-6 месяцев с трудоустройством в Церне сразу?
Когда же вы уже исчезните как вид облучатели и курсоводы хреновы
Когда найм вернется к норме? И обыватель сможет просто проходить собесы и трудоустраиваться? Так что не переживайте, курсоводы теперь с нами надолго)
Похоже, своим предложением сократить маршрут обучения я открыл портал в ад и сейчас в комменты понабежит куча айтишников с опытом, сопоставимым с моим возрастом)) Роадмапов огромное количество в интернете. Я предложил свой структурированный вариант, актуальный на 2026, отдаю его на изучение) Но в ответ получаю претензии, что только лишь продаю свой «курс», хотя несколько раз уже оговорился, что это вообще не обязательно — можно весь путь самостоятельно пройти. Главное, чтобы у человека были желание и усидчивость
Искренне не понимаю, что плохого в обучении людей профессии)) Обычных преподавателей в ВУЗе тоже нужно искоренить как вид? Или претензия именно к менторству? Оно ведь и так существует уже не один год — компании периодически назначают сотрудников «менторами», чтобы те помогали стажерам/джунам, да и не только им. Или одни менторы хорошие, а другие — нет?
Или, может, вы хотите сказать, что айтишником нужно родиться или как минимум оттарабанить несколько лет на стажировке перед устройством? Чтобы, так сказать, все шли по единому пути, который существовал лет 15 назад
Похоже, это вечный холивар между так называемыми«вкатунами»/теми, кому хочется сменить профессию и теми, кто попал сто лет назад в айти. Хотел бы, чтоб вы подробнее раскрыли свое недоумение. Особенно, раз этот комментарий вызвал одобрение со стороны хабровчан :))
Я предложил свой структурированный вариант, актуальный на 2026, отдаю его на изучение)
Вариант более чем сомнительный, в большинстве случаев он готовит именно тех "вкатунов". Вы на математику отдаете все четыре неделе, алгебра 1-2 недели, ну как можно ее за 1-2 недели пройти, реально нужно проработать учебник типа (если про русскоязычные говорим или переведенные) Ильина или Кайгородова или Вайнберга, дальше нужно порешать задачи, например задачник Проскурякова или Кострыкина и пр.
Реально тут нужно закладывать 3-6 месяцев, 4-10 часов в неделю, тогда будет хорошая база по алгебре близкая к университетскому уровню.
Матанализ, все тоже самое 3-6 месяцев с проработкой учебника например Зорича и решением задач например сборники Антидимидович.
Теорвер и мат статистика это вообще “преступление” закладывать 2 недели, тервер и мат статистика это самое сложное и важное. Потому что тут нужно уже знать теорию меры, интеграл Лебега, что бы понимать правильно вероятностную меру, математическое ожидание как интеграл Лебега и пр,
Тут я бы выделил реально полгода с проработкой учебников Ширяева, Феллера, может кому то зайдет Боровков, прорещиванием задачника например Зубкова, где можно кокнутся уже на десятой задаче.
Имея базис выше, можно пройти курс по выпуклой оптимизации, туда же и численные методы и пр. То есть математика это реально год-полтора минимум.
Дальше предметная область, она тоже займет не меньше полугода.
реально нужно проработать учебник типа (если про русскоязычные говорим или переведенные) Ильина или Кайгородова или Вайнберга, дальше нужно порешать задачи, например задачник Проскурякова или Кострыкина и пр
я не соглашусь с вами. Вайнберга изучал, да и Куроша и Фаддеевым, но для алгебры — это оверкилл для "вката")) оттуда процентов 5% используется на практике. К чему все остальные темы?
Матанализ, все тоже самое 3-6 месяцев с проработкой учебника например Зорича и решением задач например сборники Антидимидович
тоже не согласен. Классическое заблуждение — изучить все книжки ВУЗовского уровня, и что якобы только тогда приоткроется возможность приступить к ML. Я изучал и оба тома Зорича, и Демидовича (анти — это решебник) решал, могу с уверенностью сказать, что оттуда нужны именно те темы, которые я указал в маршруте. Остальные детали нужны для исследовательских позиций
Теорвер и мат статистика это вообще “преступление” закладывать 2 недели, тервер и мат статистика это самое сложное и важное. Потому что тут нужно уже знать теорию меры, интеграл Лебега, что бы понимать правильно вероятностную меру, математическое ожидание как интеграл Лебега и пр
так же. "математическое ожидание как интеграл Лебега" не пригодится на собеседованиях даже. Могут спросить 1 раз на 100, но это в рамках погрешности всё.
Пока вы учите полтора года математику и еще год мл, рынок уже переставит все правила устройства, и вам придется снова приспосабливаться. Спектр знаний для любой области сейчас меняется. С приходом нейронок учиться можно быстрее. Не всегда нужно проштудировать десяток книг для устройства, это алгоритм 10-летней давности, пора пользоваться современными возможностями
К слову может я изначально Вас не так понял, по сути Вы говорите про подготовку "ML кодера", который уже через полгода не сможет рассказать то такое векторное произведение или дать определение производной, не говоря уже о том что бы посчитать матричное дифференцировании и сможет работать по принципу тут подключили фреймворк, тут загрузили датасет, тут что то сделали по гайду что то получили. Это мне напоминает времена 2000-е когда так же готовили С++, Java и пр программистов за месяц. А я рассуждаю все таки больше про ML ресечера.
Теперь отвечая на Ваш вопрос зачем это все, это не про прохождение собеседования, такая математическая база позволяет читать научные статьи и тут же реализовывать это в продукт, как пример в 2020 году вышла статья First Order Motion Model for Image Animation https://arxiv.org/pdf/2003.00196, скажите честно человек прошедший по вашему гайду сможет реализовать приложение на основе этой статьи приложение. Ребята из МФТИ после прочтения статьи смогли сделать мобильное приложение, помните видео где Илон Маск "пел" песню Земля в иллюминаторе видна? Можно тут послушать https://youtu.be/FlOT52Ydj8w
Математическая база позволяет понять, что идет не так, позволяет разобраться в проблеме, и.тд. или например столкнувшись с задачей например реализовать систему которая по поведению свинюшек на свинокомплексе позволяет понять когда у нее овуляция (оказывается это очень важно для свинокомплексов) и пр.
Пока вы учите полтора года математику и еще год мл, рынок уже переставит все правила устройства, и вам придется снова приспосабливаться.
Вы сейчас, мне кажется, смешиваете фундаментальные знания и прикладные, математика не поменяется за полтора года, максимум могут поменяется прикладные технологии.
С приходом нейронок учиться можно быстрее. Не всегда нужно проштудировать десяток книг для устройства, это алгоритм 10-летней давности, пора пользоваться современными возможностями
Я же не слово про алгоритмы не говорил, я лишь говорил про математику.
Похоже, мы реально говорим о разных ролях в ml. Тот путь, который вы описываете, — ML-ресерч. Мой маршрут — больше про более прикладного инженера, и для него полтора года фундаментальной математики до первых практических задач мне кажутся неоправданными
Я бы не говорил про только лишь "МЛ-кодера": в маршруте есть и производные, и backprop, MLE, оптимизация, иные детали. Понимать, что происходит внутри модели под капотом, уметь её отлаживать — обязательная часть, иначе на работе становится очень сложно, придется в любом случае на практике со всеми вещами ознакомиться, даже если в основное обучение какие-то темы оказались упущенными
Я не претендую на роадмап для ресерчера в этой статье. Думаю, стоит добавить это в начало статьи, спасибо за конструктивные замечания
Так ты слона не продашь... (с)
Единствнный путь в ML сейчас это дикое упорство и большое количество свободного времени на самобразование. Никому уже не нужен классический ML детально тк его грамотно делает любой харнесс, достаточно базового понимания лесов, бустов и метрик, но нужен опыт, чтобы понимать что кула крутить. Там где его детально спрашивают интервьюверы еще сами не перестроились в реалии нашего дивного нового мира.
Самая главная тайна, которую инфоцыгане скрывают от свих клиентов заключается в том, что в ML вообще не нужны джуны и мидлы, нужны сразу синьоры. А ими без опыта не стать. Курсы и менторство даже миддла не сделают из кандидата и получается что вся эта толпа ломится в закрытую дверь.
Реальный вариант вкатывания в ML следуюший: ИТ отдел компании начинает помимо основных задач пытаться делать ML задачи, криво, косо, догло, набивая шишки и набирая опыт. Все остальное это лотерея.
Самая главная тайна, которую инфоцыгане скрывают от свих клиентов заключается в том, что в ML вообще не нужны джуны и мидлы, нужны сразу синьоры. А ими без опыта не стать. Курсы и менторство даже миддла не сделают из кандидата и получается что вся эта толпа ломится в закрытую дверь.
Поэтому джунов практически не готовят менторы инфоцыгане. Границы грейдов уже давно не такие, как 15 лет назад. И никакого долбления в закрытую дверь)) Ученики и на джунов устраивались, и на синьеров — в зависимости от бекграунда и стремлений
ИТ отдел компании начинает помимо основных задач пытаться делать ML задачи, криво, косо, догло, набивая шишки и набирая опыт
кто будет выделять деньги на заведомо убыточный проект ради того, чтобы ии вкорячить очередной в процессы? даже с целью обучить там кого-то из работников. Это не вариант
Никому уже не нужен классический ML детально тк его грамотно делает любой харнесс, достаточно базового понимания лесов, бустов и метрик, но нужен опыт, чтобы понимать что кула крутить
тоже не согласен. Есть немало задачек сейчас помимо llm/rag/agents, где пригождается классик мл: от регрессии и классификации до всяких recsys/timeseries штук. Да, какие-нибудь svm/naive bayes отмирают, как мне видится по опыту, но бустинги и бэггинги всякие продолжают жить. Даже на текущем проекте решаем в bp кучу регрессий бустингами над табл данными. Не все задачи автоматически решаются агентами/харнессами.
Реальный вариант вкатывания в ML следуюший: ИТ отдел компании начинает помимо основных задач пытаться делать ML задачи
Это наиболее реалистичный и комфортный вариант вкатывания практически куда угодно))
А вот пример реального "ML interview":
I work as a Data Scientist in a big semiconductor company and thinking to switch my career and pursue Big Tech. Recently I finally got an opportunity to have my first ML interview in a well-known company and just wanted to post my experience. Overall, I was quite shocked of the questions and how much I still need to learn. I am pretty good at math and fundamental understanding of ML, which are the most needed skills in semiconductor industry. But the interview was no much about the technical things, but rather understanding of a product. It was a case study interview and surely, I was preparing, reading through examples of the case studies. But since I am not from this industry every new example for me requires some learning effort. Unfortunately, I didn't have a chance to look into the recommender systems and this was exactly what I faced in the interview. Overall, I think it went not so good, the hardest part was not ML itself but discussing particular difficulties and edge cases of the product. Here is some overview containing maybe around 70% since I couldn't memorize all of it. Hopefully, it would helpful for you, guys.
Q: Let's say we want to start a business to recommend restaurants. How do we make a recommendation list for a user without prior data?
This is not a difficult question, but I was a bit nervous and said the first thing that came to my mind: we can fetch Google reviews and sort the list. The interviewer obviously was not satisfied and said that I would have millions of good restaurants. I immediately said that we need to sort by location as well. At that moment, my brain kind of thought that the location is already accounted by default so I don't need to even think about it. Weird. I know
Q: Ok, suppose you have been running your business for some time. How do we modify recommendations?
I said that we would need to assemble some data and engineer features. Then we discussed features, I listed some of the client behavior, restaurant attributes. After thinking further mentioned delivery features and external conditions like weather or special events.
Q: What are the models we can start building?
I wanted to start simple and proposed to calculate cosine similarities or kNN to recommend restaurants closest to the ones user liked.
Q: Do you think we lack something?
I was stumbled a bit since the question is a bit generic. The interviewer hinted: "How do we know a user liked a restaurant?". I said that we can do it by reviews. The interviewer said not many people leave reviews. I said we can track user behavior, e.g. if a user ordered more then once from a restaurant or we can monitor click through rate or something like this. The interviewer didn't seem satisfied and explained how he would do it but my brain kind of switched off for a moment and I didn't get the idea.
Q: What are other more advanced modeling options?
I proposed a supervised classification approach. We talked a bit on what would be the data: features for different users/restaurant, labels if a user likes a restaurant, possible randomization of samples, like various locations.
Q: What is the concrete model?
I said I would start simple with logistic regression.
Q: What is the cost function for it?
I said it is binary cross-entropy.
Q: What else should be in the cost function? Can we have some problems in the data?
I couldn't immediately come up with problems in the data that should modify the cost function and my brain tried to give me some time for processing this in the background while saying: "We definitely should add regularization". I guess this was not an answer the interviewer expected but he agreed it is needed. He briefly asked why do we need regularization, overfitting problems, difference between L1/L2. But then he came back to his original query.
Q: Due to the nature of recommender systems there be more problems with your samples.
Luckily, the background processing in my brain came up with imbalanced classes so mentioned it. This was correct.
Q: So what can we do about it?
I mumbled that we can do undersampling to balance the classes and also accuracy is a bad metric and we need to track precision and recall and so on, but reviewer asked can we do something about the cost function first? As you can see he really couldn't let it go. Finally, I got his very first question where this discussion started and replied that we can downweight the samples from a majority class. He said that this is what he wanted to hear.
Q: So what about correct metrics for imbalanced data?
I explained about precision and recall and said that I would monitor ROC AUC and Precision&Recall AUC modifying the classification threshold. The interviewer clarified which of the metrics is better for imbalanced data? I actually don't deal much with classification problems in my work so didn't have a sharp answer but started thinking out loud that ROC reflects FPR but doesn't directly account for FNR and then the interviewer kind of finished my thinking process saying that indeed PR AUC is better. I think if I had more time I could have reached this conclusion as well, but perhaps this is what true experts should know without thinking about it.
Q: What are other industry standard you know for the classification?
I discussed Gradient Boosted Trees and Random Forest, also mentioned Deep Learning, elaborated a bit of interpretability and memory/computation requirements.
Q: What are the problems we may have for a new registered restaurant?
I said that it may have a feature we didn't account for before. However, I couldn't really come up with an idea how to deal with it. The interviewer said that the new restaurant should appear at the top of the list so that users have higher chance to order from it.
Q: And what should be the users to whom we can propose this new restaurant?
The ones who has higher probability to like it based on the previous behaviour
Q: Let's say a user sees top-5 restaurants and choose one. What about the others he doesn't see. Should we mark them as negative?
I said that obviously not since it will create noise, but I didn't have a clue how to handle that properly. The interviewer explained something but my brain was frozen again and I don't recall what was a correct reply. I only remember that at some point I said "we can randomize this top-5 list".
Q: Let's say you trained the model is it ready to roll out?
I mentioned cross-validation etc, but that was not what the interviewer wanted. He said we need to do pilot study. I do know what is A/B testing but my confusion was that I kind of thought this pilot study is by default integrated in the roll-off process for some random users. But from the interviewer perspective I guess it simply looked like I didn't even think about it
Зарегистрируйтесь на Хабре, чтобы оставить комментарий
Роадмап ML 2026: полный путь до оффера за 36 недель