Математика в ML: сколько реально нужно знать

📌 Заполни анкету прямо сейчас и получи чек-лист «15 самых популярных вопросов с собеседований и ответы на них» Анкета предзаписи:
Курс «База ML»:
Курс «ML в бизнесе»:
Telegram MLinside:
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