Кар’єра в даних — без вигадок
Практичні матеріали про те, як отримати роботу в Data Science, ML та аналітиці — і як там працюється потім.
MLOps: як вивести модель у продакшн
Чому навчити модель — це лише половина справи, і що потрібно, щоб вона надійно працювала в реальному продукті.
Оцінка моделей: precision, recall та F1-міра
Чому точності недостатньо для оцінки моделі та як правильно читати precision, recall і матрицю невідповідностей.
Feature engineering: мистецтво підготовки ознак
Чому якісні ознаки часто важливіші за складний алгоритм і які прийоми підготовки даних варто знати кожному.
Як стати Data Scientist з нуля: дорожня карта
Практичний план для тих, хто хоче увійти в дата саєнс: які навички потрібні, у якому порядку їх опановувати та як побудувати портфоліо.
A/B тестування на практиці: як правильно порівнювати варіанти
Як влаштовані A/B-тести, які помилки трапляються найчастіше та як приймати рішення на основі даних, а не інтуїції.
Кореляція та причинність: чому це не одне й те саме
Одна з найважливіших ідей в аналізі даних: спільна зміна двох величин ще не означає, що одна спричиняє іншу.
Перевірка гіпотез та p-значення простими словами
Як статистика допомагає відрізнити реальний ефект від випадковості та що насправді означає p-значення.
Описова статистика: середнє, медіана та дисперсія
Базові показники, які описують дані: міри центру та міри розкиду, і чому середнє іноді оманливе.
Scikit-learn: перша модель машинного навчання за 20 хвилин
Покроковий шлях від даних до навченої моделі за допомогою scikit-learn — головної бібліотеки класичного ML у Python.
Візуалізація даних з Matplotlib та Seaborn
Як будувати графіки в Python, коли обирати Matplotlib, а коли Seaborn, і які типи діаграм для чого підходять.
NumPy для наукових обчислень: з чого почати
Чому NumPy — фундамент усієї екосистеми дата саєнс у Python і як працюють його масиви та векторні обчислення.
Pandas: основи роботи з даними в Python
Знайомство з бібліотекою pandas: DataFrame, читання файлів, фільтрація та групування даних.
Великі мовні моделі (LLM): що це і як вони працюють
Як влаштовані великі мовні моделі на кшталт GPT, що таке токени й чому вони іноді помиляються.
Трансформери та механізм уваги: як це працює
Архітектура, що змінила обробку мови й лягла в основу сучасних мовних моделей — пояснюємо механізм уваги простими словами.
Згорткові нейронні мережі (CNN) для комп'ютерного зору
Чому саме CNN стали стандартом для роботи із зображеннями та як працюють згортки й пулінг.
Нейронні мережі простими словами
Як влаштовані штучні нейронні мережі, що таке нейрон, ваги та функції активації — без складної математики.
Ансамблеві методи: Random Forest та градієнтний бустинг
Чому обʼєднання багатьох простих моделей дає сильніший результат і як працюють Random Forest та градієнтний бустинг.
Перенавчання моделі: чому воно виникає і як його подолати
Що таке overfitting, як його розпізнати та які методи допомагають побудувати модель, що добре працює на нових даних.
Навчання з учителем і без учителя: у чому різниця
Розбираємо два головні підходи в машинному навчанні — supervised і unsupervised — на зрозумілих прикладах.
Що таке машинне навчання: вступ для початківців
Простими словами про те, що таке машинне навчання, як воно працює і чим відрізняється від класичного програмування.