skillswiki.
Профессии/Data Scientist / ML-инженер/Junior
Подборка материалов · Junior

102 статей для Junior Data Scientist / ML-инженера: большая подборка

Материалы для старта в Data Science и ML: математика, Python, подготовка данных, классические алгоритмы, оценка моделей, scikit-learn, нейронные сети и первые проекты.

102 статей · 10 тем · материалы на русском языке

Профессия и устройство ML-проекта

  1. Применение машинного обучения и Data Science в промышленности

    Чтобы понять полный цикл ML-проекта.

  2. MLOps в билайн: как катить машинное обучение в production без ML-инженеров. Часть I

    Чтобы понять полный цикл ML-проекта.

  3. Материалы для подготовки к собеседованию на позицию Data Scientist. Часть 2: Классическое машинное обучение

    Чтобы понять полный цикл ML-проекта.

  4. Материалы для подготовки к собеседованию на позицию Data Scientist. Часть 3: Специализированное машинное обучение

    Чтобы понять полный цикл ML-проекта.

  5. 10 первых ошибок в карьере ML-инженера

    Чтобы понять полный цикл ML-проекта.

  6. Материалы для подготовки к собеседованию на позицию Data Scientist. Часть 4: Дизайн систем машинного обучения

    Чтобы понять полный цикл ML-проекта.

  7. CRISP-DM: проверенная методология для Data Scientist-ов

    Чтобы понять полный цикл ML-проекта.

  8. Использование машинного обучения в статическом анализе исходного кода программ

    Чтобы понять полный цикл ML-проекта.

  9. Полное руководство по Docker для ML-инженеров

    Чтобы одинаково запускать приложение в любой среде.

  10. Резидентская программа Яндекса, или Как опытному бэкендеру стать ML-инженером

    Чтобы понять полный цикл ML-проекта.

  11. Подборка для ML-инженера: как прокачаться джуниору

    Чтобы понять полный цикл ML-проекта.

  12. ML‑датасет для Data Scientist: практический гайд по проверке качества данных перед обучением модели

    Чтобы понять полный цикл ML-проекта.

Математика для машинного обучения

  1. Теория вероятностей в машинном обучении. Часть 2: модель классификации

    Чтобы понимать устройство алгоритмов машинного обучения.

  2. Матричное дифференцирование в машинном обучении: градиент, якобиан и линейная регрессия

    Чтобы понимать устройство алгоритмов машинного обучения.

  3. От Django-дневника к интеллектуальной системе поддержки диабета: математика, SPA и машинное обучение

    Чтобы понимать устройство алгоритмов машинного обучения.

  4. Знакомимся с линейной алгеброй в NumPy

    Чтобы понимать устройство алгоритмов машинного обучения.

  5. Как мы ускорили решение своей задачи по машинному обучению путем участия в Большой математической мастерской

    Чтобы понимать устройство алгоритмов машинного обучения.

  6. Аналитика vs моделирование. Задача по теории вероятностей

    Чтобы понимать устройство алгоритмов машинного обучения.

  7. Основы теории вероятностей с помощью Python

    Чтобы понимать устройство алгоритмов машинного обучения.

  8. Оптимизация платежей в Dropbox при помощи машинного обучения

    Чтобы понимать устройство алгоритмов машинного обучения.

  9. Роль математики в машинном обучении

    Чтобы понимать устройство алгоритмов машинного обучения.

  10. Конспект по «Машинному обучению». Математическая статистика. Метод максимального правдоподобия

    Чтобы понимать устройство алгоритмов машинного обучения.

Python, NumPy и pandas

  1. Как прогнозировать результаты спортивных матчей с помощью проекта ML на Python Pandas, Keras, Flask, Docker и Heroku

    Чтобы одинаково запускать приложение в любой среде.

  2. Какой язык выбрать для работы с данными — R или Python? Оба! Мигрируем с pandas на tidyverse и data.table и обратно

    Чтобы очищать и анализировать данные программно.

  3. Pandasql vs Pandas для решения задач анализа данных

    Чтобы очищать и анализировать данные программно.

  4. 4 анти-паттерна pandas и способы борьбы с ними

    Чтобы очищать и анализировать данные программно.

  5. Polars vs Pandas: битва титанов. Кто кого?

    Чтобы очищать и анализировать данные программно.

  6. Работа с данными в DuckDB или не pandas’ом единым сыт DS

    Чтобы очищать и анализировать данные программно.

  7. Дата-сайентистам: «Обработка данных на Python. Data Wrangling и Data Quality»

    Чтобы очищать и анализировать данные программно.

  8. Руководство по использованию pandas для анализа больших наборов данных

    Чтобы очищать и анализировать данные программно.

  9. 10 библиотек Python для машинного обучения — подборка для начинающих

    Чтобы очищать и анализировать данные программно.

  10. Как работать с датами в pandas

    Чтобы очищать и анализировать данные программно.

  11. Python-пакеты для Data Science

    Чтобы очищать и анализировать данные программно.

  12. Pandas: от хаоса к красоте кода

    Чтобы очищать и анализировать данные программно.

Подготовка данных и признаки

  1. Target Encoding: кодирование категориальных признаков без утечки данных

    Чтобы подготовить качественные данные для модели.

  2. Кодирование речи на 1600 бит/с нейронным вокодером LPCNet

    Чтобы подготовить качественные данные для модели.

  3. Feature Engineering или стероиды для ML моделей

    Чтобы подготовить качественные данные для модели.

  4. Проектируем собственную inhouse Feature Platform

    Чтобы подготовить качественные данные для модели.

  5. Методические заметки об отборе информативных признаков (feature selection)

    Чтобы подготовить качественные данные для модели.

  6. SNA Hackathon 2019: усложняем архитектуру — упрощаем признаки

    Чтобы подготовить качественные данные для модели.

  7. Вводная статья по реализации целе-вероятностного кодирования переменных (Feature Target Encoding)

    Чтобы подготовить качественные данные для модели.

  8. Обзор методов отбора признаков

    Чтобы подготовить качественные данные для модели.

  9. TimeCoder: Быстрое кодирование нечетких временных выражений для RAG-систем и не только

    Чтобы подготовить качественные данные для модели.

  10. Как получить полезную информацию из своих категориальных признаков?

    Чтобы подготовить качественные данные для модели.

  11. Применение нейросетевых подходов для формирования признаков в моделях

    Чтобы подготовить качественные данные для модели.

  12. Эмбеддинги признаков и повышение точности ML-моделей

    Чтобы подготовить качественные данные для модели.

Классические алгоритмы ML

  1. CatBoost, XGBoost и выразительная способность решающих деревьев

    Чтобы обучать сильные модели на табличных данных.

  2. Попытка определить язык манускрипта Войнича, Random Forest Classifier

    Чтобы обучать сильные модели на табличных данных.

  3. Алгоритм машинного обучения Flappy Bird

    Чтобы обучать сильные модели на табличных данных.

  4. Популярные алгоритмы машинного обучения. Теоретические основы и реализация с нуля на Python

    Чтобы обучать сильные модели на табличных данных.

  5. Random Forest, метод главных компонент и оптимизация гиперпараметров: пример решения задачи классификации на Python

    Чтобы обучать сильные модели на табличных данных.

  6. Поиск черной кошки в 2000-мерной темной комнате. Турнир алгоритмов машинного обучения

    Чтобы обучать сильные модели на табличных данных.

  7. Разбираемся в ML без воды: от базы до Attention. Часть 9: Дерево решений

    Чтобы обучать сильные модели на табличных данных.

  8. Линейная регрессия, встряска рейтинга и первое место. Часть 1: Ёлочка, живи

    Чтобы обучать сильные модели на табличных данных.

  9. Деревья принятия решений на JavaScript

    Чтобы обучать сильные модели на табличных данных.

  10. Книга: «Алгоритмы машинного обучения»

    Чтобы обучать сильные модели на табличных данных.

  11. Как мы обучили модель прогноза ранней просрочки: логистическая регрессия vs градиентный бустинг

    Чтобы обучать сильные модели на табличных данных.

  12. Разбираемся в ML без воды: от базы до Attention. Часть 6: Логистическая регрессия

    Чтобы обучать сильные модели на табличных данных.

Оценка качества моделей

  1. Простыми словами про метрики в ИИ. Классификация. Confusion matrix, Accuracy, Precision, Recall, F-score, ROC-AUC

    Чтобы сравнивать модели по подходящим метрикам.

  2. От задачи до решения: LLM с RAG-конфигурацией и ROC-AUC. Эксперимент на 121 прогоне за 40 часов с помощью ИИ

    Чтобы сравнивать модели по подходящим метрикам.

  3. Разбираемся в ML без воды: от базы до Attention. Часть 5: Метрики качества

    Чтобы сравнивать модели по подходящим метрикам.

  4. Ваша модель показывает 95% accuracy и при этом бесполезна: метрики для несбалансированных классов

    Чтобы сравнивать модели по подходящим метрикам.

  5. Метрики оценки качества моделей и анализ ошибок в машинном обучении. Подробное руководство

    Чтобы сравнивать модели по подходящим метрикам.

  6. Метрики оценки качества вероятностей в бинарной классификации

    Чтобы сравнивать модели по подходящим метрикам.

  7. Автоматизированная оценка стабильности скоринговых моделей на основе временных рядов метрик

    Чтобы сравнивать модели по подходящим метрикам.

Scikit-learn и ML-пайплайны

  1. Необычные модели Playboy, или про обнаружение выбросов в данных c помощью Scikit-learn

    Чтобы автоматизировать проверки и выпуск изменений.

  2. Как мы с помощью Kubeflow Pipelines оптимизировали обучение ML-моделей

    Чтобы автоматизировать проверки и выпуск изменений.

  3. Гайд по Scikit-learn в 2025: собираем пайплайн, который не сломается

    Чтобы автоматизировать проверки и выпуск изменений.

  4. Как проверить ML‑модель перед продом и избежать утечки данных в scikit‑learn

    Чтобы автоматизировать проверки и выпуск изменений.

  5. Подбор гиперпараметров RAG-системы с помощью Optuna

    Чтобы автоматизировать проверки и выпуск изменений.

  6. Как мы научили ИИ читать корпоративные регламенты: от наивного RAG до измеримого pipeline

    Чтобы автоматизировать проверки и выпуск изменений.

  7. Pipeline в машинном обучении: как создавать сложные модели без боли и утечек данных

    Чтобы автоматизировать проверки и выпуск изменений.

  8. Гиперпараметрический поиск и оптимизация моделей

    Чтобы автоматизировать проверки и выпуск изменений.

  9. Как построить безопасный MLOps-pipeline: Tier-уровни зрелости, принципы и реальные инструменты

    Чтобы автоматизировать проверки и выпуск изменений.

  10. Патч от Intel для ускорения алгоритмов библиотеки scikit-learn

    Чтобы автоматизировать проверки и выпуск изменений.

  11. Матрица ошибок confusion_matrix() в scikit-learn

    Чтобы автоматизировать проверки и выпуск изменений.

  12. HalvingSearch: ускорение поиска по сетке (grid search). Библиотека sklearn

    Чтобы автоматизировать проверки и выпуск изменений.

Основы нейронных сетей

  1. Реализация алгоритма Левенберга-Марквардта для оптимизации нейронных сетей на TensorFlow

    Чтобы понять устройство и обучение нейросетей.

  2. PyTorch — ваш новый фреймворк глубокого обучения

    Чтобы понять устройство и обучение нейросетей.

  3. Книга «Глубокое обучение. Погружение в мир нейронных сетей»

    Чтобы понять устройство и обучение нейросетей.

  4. Нейронные сети в картинках: от одного нейрона до глубоких архитектур

    Чтобы понять устройство и обучение нейросетей.

  5. Распознавание товаров на полках с помощью нейронных сетей на технологиях Keras и Tensorflow Object Detection API

    Чтобы понять устройство и обучение нейросетей.

  6. Перенос нейронной сети из PyTorch на Google Coral

    Чтобы понять устройство и обучение нейросетей.

  7. Нейронные сети в борьбе с раком

    Чтобы понять устройство и обучение нейросетей.

  8. Определение цвета автомобилей с использованием нейронных сетей и TensorFlow

    Чтобы понять устройство и обучение нейросетей.

  9. #2 Нейронные сети для начинающих. NumPy. MatplotLib. Операции с изображениями в OpenCV

    Чтобы понять устройство и обучение нейросетей.

  10. Машинное обучение. Нейронные сети (часть 2): Моделирование OR; XOR с помощью TensorFlow.js

    Чтобы понять устройство и обучение нейросетей.

  11. Chatbot на базе рекуррентной нейронной сети своими руками за 1 вечер/6$ и ~ 100 строчек кода

    Чтобы понять устройство и обучение нейросетей.

  12. Введение в архитектуры нейронных сетей

    Чтобы понять устройство и обучение нейросетей.

Учебные проекты и портфолио

  1. Мое первое серебро на Kaggle или как стабилизировать ML модель и подпрыгнуть на 700 мест вверх

    Чтобы показать ход мысли и результат работодателю.

  2. DVC — Git для данных на примере ML-проекта

    Чтобы контролировать изменения и работать в команде.

  3. Каким должен быть Feature Store, чтобы оптимизировать работу с ML-моделями

    Чтобы показать ход мысли и результат работодателю.

  4. Книга «Машинное обучение. Портфолио реальных проектов»

    Чтобы показать ход мысли и результат работодателю.

  5. Теперь вы можете защититься от утечки данных при работе с любыми языковыми моделями

    Чтобы показать ход мысли и результат работодателю.

  6. CI/CD для данных и моделей на Airflow: как мы деплоим прогноз спроса в «Магните»

    Чтобы показать ход мысли и результат работодателю.

  7. От проекта до объекта: применение ML в строительстве

    Чтобы показать ход мысли и результат работодателю.

  8. Предиктивная аналитика для начинающих: немного теории, истории ML-инженеров и советы, как искать проекты

    Чтобы показать ход мысли и результат работодателю.

  9. Как перестать кидать Jupyter-ноутбуки по почте: гид по работе с данными и моделями для ML-инженеров

    Чтобы показать ход мысли и результат работодателю.

  10. Нестандартные применения LLM и синтетических данных: от антивируса для завода до сжатия данных языковыми моделями

    Чтобы показать ход мысли и результат работодателю.

  11. Как создавать качественные ML-системы. Часть 1: каждый проект должен начинаться с плана

    Чтобы показать ход мысли и результат работодателю.

  12. Как структурировать проекты машинного обучения с помощью GitHub и VS Code: полная инструкция с настройками и шаблонами

    Чтобы контролировать изменения и работать в команде.

Организация ML-проекта

  1. Декомпозиция целей и задач

    Чтобы понять полный цикл ML-проекта.

Все подборки для Data Scientist / ML-инженера →