Математика в ML: сколько реально нужно знать

Описание: 📌 Заполни анкету прямо сейчас и получи чек-лист «15 самых популярных вопросов с собеседований и ответы на них»

Анкета предзаписи: https://vk.cc/cO375f
Курс «База ML»: https://clck.ru/3Pdqvh
Курс «ML в бизнесе»: https://clck.ru/3PdqzW
Telegram MLinside: https://t.me/+xPCRRLylQh5lMmI6

Нужно ли знать всю высшую математику, чтобы стать ML-инженером?
Нет. Чтобы начать карьеру в Data Science, достаточно понимать математику на прикладном уровне.
В этом видео Андрей Жогов (ML-инженер в Сбере, преподаватель Физтеха) разбирает, какие темы действительно нужны и как не утонуть в формулах, если вы начинаете с нуля.

В этом видео:
• Три блока математики, без которых не обойтись: линейная алгебра, матан и статистика.
• На каком уровне нужно их понимать и как использовать на практике.
• Что спрашивают на собеседованиях и как объяснять математику простыми словами.
• «Пирамида математических знаний» для ML — как не выгореть на старте.
• Пример, как гуманитарий стал Data Scientist без мехмата.

Видео будет полезно тем, кто:
• Хочет войти в ML, но боится математики.
• Учится на аналитика или программиста и хочет перейти в Data Science.
• Готовится к собеседованию в ML.

Спикер: Андрей Жогов — ML-инженер в Сбере, преподаватель Физтеха, ментор MLinside.

Наш курс «База ML» помогает освоить машинное обучение с нуля и подготовиться к первой работе в индустрии.

#машинноеобучение #datascience #MLinside #математика #MLкарьера

Если вам понравилось видео — поставьте лайк и подпишитесь на канал MLinside. Здесь выходят честные разборы собеседований и советы по карьере в Data Science.

Таймкоды:
00:00 — Введение и миф «нужен мехмат, чтобы войти в ML»
01:29 — Блок 1: линейная алгебра (векторы/матрицы, умножение, собственные значения)
02:45 — Блок 2: матанализ (производная, градиент, функции потерь, градиентный спуск)
04:11 — Блок 3: теория вероятностей и статистика (база, распределения, A/B-тесты)
06:42 — «Пирамида» математических знаний: 3 уровня и на каком достаточно остановиться
08:17 — Главный вывод и мотивация: математика как инструмент, а не барьер