📝 Egor Howell Blog

Ключевые выводы и инсайты

• Для успешной карьеры в AI необходимы хорошие навыки программирования и софтверной инженерии, особенно владение Python, но также полезны языки бекэнда (Java, Go, Rust).
• Глубокое понимание математической базы (статистика, линейная алгебра, анализ) важно для продвинутых специалистов, несмотря на мнение, что можно работать с моделями без глубоких знаний.
• Современный AI — это в основном генеративный AI и большие языковые модели (LLM), которые опираются на глубокое обучение.
• Основная роль AI-инженера — не создание моделей с нуля, а разработка и деплой готовых моделей в продуктивные системы.
• Практика и проектная работа гораздо важнее теории для эффективного обучения.
• Итеративное изучение через конкретные проекты, формулирование знаний своими словами и сравнение только с самим собой — ключ к успеху.

Практические стратегии

• Начать обучение программированию с Python, используя курсы FreeCodeCamp и Python for Everybody (Coursera).
• Практиковаться на платформах HackerRank и LeetCode для отработки алгоритмов и подготовки к собеседованиям.
• Изучать основы компьютерных наук через курс Harvard CS50, если вы новичок.
• Для математики сфокусироваться на трех ресурсах: книга по практической статистике для Data Science, книга "Mathematics for Machine Learning" (линейная алгебра и анализ) и курс Mathematics for Machine Learning and Deep Learning Specialization.
• Для изучения машинного обучения использовать книгу Hands-On Machine Learning with Scikit-Learn, TensorFlow and Keras и курс Machine Learning specialization от Andrew Ng.
• Для глубокого обучения изучать PyTorch, затем пройти Deep Learning Specialization (Andrew Ng), посмотреть видео "Introduction to LLMs" от Andrej Karpathy и пройти курс Neural Networks Zero to Hero.
• Для AI-инжиниринга изучать книги Practical MLOps и AI Engineering (автор Chip Huyen) для понимания деплоя моделей и инфраструктуры.
• Фокусироваться на построении проектов: от простых моделей до сложных приложений (детекция болезней, классификация изображений и т.д.).
• Использовать сообщество и платформы вроде Zero to Mastery для поддержки и обмена опытом.

Важные детали и примеры

• Python — основной язык в AI, но бекэнд-языки (Java, Go, Rust) становятся всё более востребованными.
• PyTorch используется в 77% исследовательских работ 2021 года и в 92% моделей Hugging Face.
• Книга Hands-On ML охватывает фундаментальные темы и продвинутые (RL, LLM, автоэнкодеры).
• Курс Andrew Ng считается классикой и был обновлен с MATLAB на Python.
• Курсы и книги покрывают статистику, линейную алгебру, анализ, машинное обучение, глубокое обучение и AI-инжиниринг.
• Zero to Mastery bootcamp имеет более 500,000 студентов и помогает выпускникам устраиваться в ведущие компании (Meta, Google, Nvidia).
• Andrej Karpathy — ведущий исследователь AI, его курсы и видео рекомендованы для глубокого понимания LLM.
• Книга Jay Alammar — лучший ресурс для понимания трансформеров и LLM.

Предостережения и распространённые ошибки

• Не пытайтесь изучить всё сразу: лучше сосредоточиться на одном ресурсе и глубоко его освоить.
• Не стоит полагаться только на импортированные модели без понимания их работы.
• Избегайте поверхностного изучения — лучше учиться через практические проекты.
• Не сравнивайте себя с другими, сравнивайте только с собой в прошлом.
• Не игнорируйте программные навыки и софтверную инженерию — они критически важны для AI-инженера.
• Не думайте, что можно легко построить собственную большую модель без ресурсов и инфраструктуры.

Ресурсы и следующие шаги

• Курсы:
• Learn Python (FreeCodeCamp)
• Python for Everybody (Coursera)
• Harvard CS50 Introduction to Computer Science
• Machine Learning Specialization и Deep Learning Specialization (Andrew Ng)
• Mathematics for Machine Learning and Deep Learning Specialization (DeepLearning.AI)
• Neural Networks Zero to Hero (Andrej Karpathy)
• Книги:
• Practical Statistics for Data Science
• Mathematics for Machine Learning
• Hands-On Machine Learning with Scikit-Learn, TensorFlow and Keras (Aurélien Géron)
• The Hundred-Page Machine Learning Book (Andriy Burkov)
• The Elements of Statistical Learning
• Practical MLOps
• AI Engineering (Chip Huyen)
• Hands-On Large Language Models (Jay Alammar)
• Платформы: HackerRank, LeetCode, Zero to Mastery (bootcamp)
• Видео: Introduction to LLMs (Andrej Karpathy)
• Следующие шаги: выбрать один ресурс для начала, сосредоточиться на изучении и практике, затем постепенно расширять знания, участвовать в проектах и сообществе.
• При необходимости — воспользоваться индивидуальным коучингом, CV-ревью и составлением дорожной карты обучения.

Основные темы

• Роль и навыки AI-инженера
• Важность программирования, особенно Python
• Ключевые математические знания для AI (статистика, линейная алгебра, анализ)
• Основы машинного обучения и глубокого обучения
• Изучение и применение PyTorch
• Генеративный AI и большие языковые модели (LLM)
• Деплой и продакшен AI-моделей (AI инженеринг и MLOps)
• Рекомендации по ресурсам и стратегиям обучения
• Практика и проектное обучение как основной метод усвоения знаний
• Личный рост и правильный подход к обучению и самооценке

Этот обзор поможет новичкам и продвинутым специалистам структурировать свой путь в AI, выбрать проверенные ресурсы и понять, как эффективно учиться и применять знания на практике.