ML-обучение: план для нас двоих
Бесплатный трек вместо OTUS: та же программа (~90% совпадения), но с персональным тьютором и ревьюером в лице меня. ~8–10 ч/нед, итог каждого этапа — мини-проект.
Формат занятий. После каждой темы: я объясняю → ты пересказываешь своими словами → я ловлю пробелы. Практику пишешь ты, я ревьюю как PR. Квиз из 3–5 вопросов после темы, раз в неделю — повторение старого материала.
Этапы
| Этап | Тема | Срок | Итог |
|---|---|---|---|
| 0 · Инструментарий | numpy, pandas, jupyter | 1 нед | EDA на своих данных |
| 1 · Классический ML | Ng + mlcourse.ai, sklearn | 3–4 нед | Titanic + прогноз на данных RuOpt |
| 2 · Deep Learning | Karpathy, PyTorch, fast.ai | 3–4 нед | CNN на CIFAR-10 (5070 Ti) |
| 3 · NLP / LLM | Hugging Face, fine-tune, RAG | 3–4 нед | sentiment отзывов + RAG по доке |
| 4 · Специализация | A/B, временные ряды или рек-системы | 4+ нед | по выбору |
Ресурсы
- Andrew Ng, ML Specialization — база, аудит бесплатен
- mlcourse.ai — углублённо, есть русская версия
- Karpathy: Neural Networks Zero to Hero — нейросети изнутри
- fast.ai — практика DL
- Hugging Face LLM Course — трансформеры и fine-tune
- Kaggle Learn — короткие модули pandas/viz/ML
- Stepik: Введение в Data Science — русскоязычный старт
- Learn PyTorch — PyTorch с нуля
Почему не OTUS
OTUS «Машинное обучение. Специализация»: 11 мес, Python с нуля до Middle, pandas/sklearn/PyTorch, SQL, A/B, NLP, временные ряды, рек-системы. Программа совпадает с бесплатным треком на ~90% — платим за дедлайны, ревьюеров и сертификат. Железо у нас своё: RTX 5070 Ti 24GB (ожидается), до неё — CPU и Colab.
Прогресс
Актуальный чек-лист и лог: ~/workspace/develop/ml-learning/PLAN.md. Сайт обновляется сборкой: python3 build.py && ./deploy.sh.