MLinside - школа ML

Public

Просмотреть канал

Не можете присоединиться? @ml_inside

3.6k Участники

Обновлено: May 6, 2026 at 12:03 PM

MLinside - школа ML

Предзапись на 4 поток курса "База ML": https://vk.cc/cQ7AkI Наши курсы: https://taplink.cc/mlinside Чат коммьюнити: @ml_insidechat По вопросам: @marinagartm

@ml_inside is a growing community focused on httpstaplinkccmlinside and httpsvkcccq7aki and related topics

Рейтинг

Глобальный рейтинг

#456

Рейтинг по языку

#45

Рейтинг по категории

#23

-1

Рост участников (Последние 2 дней)

Всего: 3.6K

Рост за 24ч: +21 1%

Последние посты

MLinside - школа ML

25 апр. 2026 г., 17:46

[poll]

1,260

MLinside - школа ML

25 апр. 2026 г., 17:46

📷 Photo

Продолжаем рубрику Code Detective

Сегодня формат рубрики будет необычным. Мы опубликуем часть кода, а вам нужно сказать, что он выведет. Варианты будут в опросе ниже, а объяснение мы опубликуем завтра. Если рубрика вам нравится, будем благодарны, если поставите реакцию, а другие посты этой рубрики можно посмотреть по хэштегу: #CodeDetective_MLinside

Итак, вот сама задачка:

Что выведут следующие 2 примера?
x = 10
y = 10
print(x is y)

x = 1000
y = 1000
print(x is y)

#CodeDetective_MLinside

1,460

MLinside - школа ML

25 апр. 2026 г., 17:46

📷 Photo

Добавили в специализацию новый блок про агентные системы

Это следующий шаг после базовой работы с моделями, когда они становятся частью системы с доступом к данным, инструментам и логике принятия решений.

Начинаем с базы: как устроен инференс LLM, что влияет на скорость и стоимость, зачем нужен kv-cache и квантование. Дальше переходим к практике – поднимаем инференс через triton, сравниваем vLLM и TensorRT и разбираемся, что выбирать под задачу.

Вторая часть – полноценный разбор Retrieval-Augmented Generation, в формате как это реально собирается в проде:
▪️как готовить данные и не сломать поиск
▪️чем отличаются BM25, FAISS и биэнкодеры
▪️как работает ранжирование и реранкеры
▪️как собирать контекст и управлять генерацией
▪️как считать метрики и находить узкие места
▪️как контролировать стоимость и обновления

Отдельно разбираем диагностику, безопасность и advanced-паттерны.

И финальный блок – сами агентные системы: архитектуры, мультиагентные сценарии, Supervisor-парадигма, протоколы взаимодействия (MCP), атаки и мониторинг. Плюс практические семинары и ДЗ после ключевых этапов.

А в практической части используем платформу VseLLM от Романа Куцева (эксперт в области оценки AI и фаундер платформы LLM Arena) – это сервис с единым API для доступа к разным моделям, балансировкой нагрузки и автоматическим переключением между провайдерами. Студентам специализации даём бонус на тестирование сервиса – можно будет сразу применять инструменты из курса на практике.

В этом блоке уроки ведут:
— Никита Зелинский (CDS MWS, директор по машинному обучению и исследованию данных)
— Максим Шаланкин (ML Team Lead в финтех‑команде Big Data MWS (МТС))

Если коротко: в этом блоке разбираем, как из отдельных моделей собираются полноценные AI-системы с понятной архитектурой и предсказуемым поведением.

https://mlinside.ru/specializaciya/?utm_source=telegram&utm_medium=social&utm_campaign=post-blok-4

MLinside - школа ML

25 апр. 2026 г., 17:46

Почему современные LLM, нейросети и большие языковые модели обучают именно на GPU, а не на CPU?

Рассказывает Андрей Жогов (ML-инженер в Сбере, преподаватель Физтеха) в новом видео на https://youtu.be/Cmlu1fXqI5A и https://vk.com/video-228219607_456239200. Если хотите узнать, как устроена современная архитектура GPU для LLM, почему графические процессоры так хорошо подходят для матричных вычислений и за счёт чего они дают огромный прирост производительности в задачах машинного обучения, deep learning и инференса нейросетей, видео определенно будет вам полезно.

Вот ссылки для удобства:
https://youtu.be/Cmlu1fXqI5A
https://vk.com/video-228219607_456239200

1,440

MLinside - школа ML

25 апр. 2026 г., 17:46

📷 Photo

Учимся на практике: решаем реальные ML-задачки, да еще и с покемонами

Миллениалы на месте? Сегодня будем определять лучшего покемона с помощью ML. Да, это рубрика #петпроект_MLinside и тут мы публикуем задачи из реальных (ну или почти реальных) проектов, чтобы лучше запомнить теорию. Не уверены, что упоминание об этом проекте можно включить в портфолио, и поможет ли вам это на собеседованиях, но тем не менее.

Десятая задача

Что нужно сделать: Определить лучшего покемона каждого поколения

Как можно сделать:
▪️Определить лучшие характеристики (атака, защита, хп) для каждого поколения
▪️Сделать классификационную модель определения является ли покемон легендарным или нет (переменная isLegendary)
▪️Сделать классификационную модель которая определяется цвет (Color) покемона по его характеристикам, посмотреть какие признаки важны для такой модели
▪️Посмотреть есть ли какая-то зависимость роста и веса от типа (Type_1 и Type_2 и т.д.) покемона

Данные можно взять на Kaggle: https://www.kaggle.com/datasets/alopez247/pokemon
Пример ноутбука (с случайными пропусками строк): https://colab.research.google.com/drive/1BBcUCIJ0RS1XpzloWim7WhUyG3fPKFHv?usp=sharing

Готовы попробовать? Делитесь своими результатами в комментариях.

Все посты этой рубрики можно посмотреть по тэгу: #петпроект_MLinside

MLinside - школа ML

25 апр. 2026 г., 17:46

📷 Photo

Как линейная алгебра помогает понять, что делает модель машинного обучения

Машинное обучение часто воспринимается как черный ящик. Кажется, что внутри происходит что-то слишком сложное и недоступное без сильной математики. Из-за этого многие откладывают старт, думая, что сначала нужно разобраться в теории. Но на базовом уровне модель работает гораздо проще, чем кажется. Если упростить, она берет признаки, применяет к ним коэффициенты и получает результат. Вся эта логика описывается инструментами линейной алгебры.

Вот как это выглядит на практике:
▪️Любой объект представляется как набор чисел. Это вектор признаков, например рост, вес или любые другие характеристики.
▪️Когда таких объектов много, они складываются в матрицу. По сути, это таблица, с которой работает модель.
▪️В процессе обучения модель подбирает коэффициенты. Часто это можно описать как умножение на матрицу весов.
▪️Признаки могут быть связаны между собой. Сильная линейная зависимость может ухудшать обучение и приводить к нестабильным оценкам коэффициентов.
▪️Чтобы упростить задачу, используются разложения матриц. Они помогают снизить размерность и выделить наиболее значимые направления в данных.

Если собрать это в одну мысль, на базовом уровне модель сводится к последовательным преобразованиям чисел и поиску таких коэффициентов, при которых результат становится максимально близким к нужному. Именно поэтому математика в ML не выглядит как бесконечный набор формул. Важно понять логику работы с признаками и тем, как они преобразуются. Глубокие детали приходят уже по мере решения конкретных задач.

Если хочется разобраться в ML без ощущения перегруза, стоит начинать именно с таких базовых вещей. Это дает понимание, на которое потом легко наслаиваются более сложные темы.

MLinside - школа ML

25 апр. 2026 г., 17:46

TP/ DP/ PP – как масштабировать обучение LLM?

Рассказывает Андрей Жогов (ML-инженер в Сбере, преподаватель Физтеха) на https://youtu.be/QPOd_c7DHpw?si=9NgnzDpsUzbTPoXL. Если вы пытались обучать большие LLM и упирались в ошибку CUDA Out of Memory – вы не одиноки.

В видео Андрей разобрал, как на практике обучают модели, которые физически не помещаются ни в одну видеокарту, и какие подходы используют в индустрии, чтобы масштабировать обучение без хаоса и слива бюджета.

Пока видео можно посмотреть только на YouTube: https://youtu.be/QPOd_c7DHpw?si=9NgnzDpsUzbTPoXL, в ВК и Дзен есть некоторые проблемы с обработкой видео.

1,670

MLinside - школа ML

25 апр. 2026 г., 17:46

[poll]

1,520

MLinside - школа ML

25 апр. 2026 г., 17:46

📷 Photo

Продолжаем нашу регулярную рубрику Code Detective

Напомним правила – мы публикуем фрагмент кода, а вы смотрите, что с ним не так. Но трюк в том, что ошибки может и не быть. Так что если хотите прокачать навык чтения и анализа чужого кода, а это крайне полезный навык в работе ML-инженера, рубрика вам пригодится.

Вот фрагмент кода:
funcs = []
for i in range(3):
funcs.append(lambda: i) # хотим сделать список функций которые будут выводить 0, 1, 2
print([f() for f in funcs])

Тут всё хорошо. Или нет? Есть какая-то ошибка? Если есть, напишите в комментариях:
1. Какую ошибку нашли;
2. Варианты её исправления.

Ответ мы опубликуем завтра, а посты этой рубрики можно посмотреть по хэштегу: #CodeDetective_MLinside

1,650

MLinside - школа ML

25 апр. 2026 г., 17:46

На ML-собеседованиях проверяют не только знание алгоритмов и умение писать код

Гораздо важнее, есть ли у вас целостная картина машинного обучения. Понимаете ли вы, как связаны данные, признаки, модели и метрики, и можете ли объяснить свои решения.

У нас на https://youtu.be/nCPq9rqOcHY?si=w7fwga4ZMYRyM9E5, в https://vk.com/video-228219607_456239177 и https://dzen.ru/video/watch/69be62b62364537ae893372c?share_to=link вышло видео, где Александр Дубейковский разбирает, что именно оценивают интервьюеры и почему даже сильные кандидаты часто проваливаются на простых вопросах.

1,640

Showing 10 of 10 posts

No more posts

Рейтинг

Требуется вход

Отзывы пользователей (0)

Пока нет отзывов. Будьте первым, кто поделится своим опытом!

MLinside - школа ML

MLinside - школа ML

Рейтинг

Рост участников (Последние 2 дней)

Последние посты

Рейтинг

Отзывы пользователей (0)

Похожие каналы Telegram

CORE-expert Дмитрия Маликова

Илья Федотов-Федоров Мастерская

Бесплатный аккаунт

МамАрт — искусство жить свободно 🎨

Технозаметки Малышева

Курсы тактической медицины

SlivMarket

Учебный центр S.T.I. DENT

Похожие каналы Telegram

CORE-expert Дмитрия Маликова

Илья Федотов-Федоров Мастерская

Бесплатный аккаунт

МамАрт — искусство жить свободно 🎨

Технозаметки Малышева

Курсы тактической медицины

SlivMarket

Учебный центр S.T.I. DENT

Отзывы пользователей (0)

Последние посты