ML Engineering
Путь ML-инженера: платформа данных, пайплайны, деплой, инференс и эксплуатация. Всё, что превращает обученную модель в работающий сервис.
Foundations
Основы — Математический фундамент машинного обучения
Data
Данные — Всё, что происходит с данными до модели
Classical Machine Learning
Классическое машинное обучение — Модели, которые всё ещё выигрывают на табличных данных
Deep Learning
Глубокое обучение — От перцептрона до диффузионных моделей
Metrics
Метрики — Чем измерять качество модели
Model Evaluation
Оценка моделей — Как понять, что модель действительно работает
Optimization
Оптимизация обучения — Как именно модель приходит к своим весам
Generative AI
Генеративный ИИ — Модели, которые создают, а не только классифицируют
MLOps
MLOps — Модель в проде, а не в ноутбуке
Practical ML
Практика ML — Как довести задачу от постановки до продакшена
Mathematical Concepts
Математический справочник — Короткие определения для быстрой сверки
Mathematical Analysis
Математический анализ — Пределы, производные, интегралы и оптимизация с ограничениями
Probability & Distributions
Теория вероятностей и распределения — Законы, по которым порождаются данные
Graphs & Networks
Графы и сети — Данные, у которых есть структура связей
Data Engineering
Инженерия данных — Откуда берутся данные, на которых учится модель
ML System Design
Системный дизайн ML-сервисов — Как спроектировать сервис вокруг модели