Математика для DS
Линейная алгебра, матанализ, вероятности, статистика и оптимизация. Ровно столько, чтобы свободно читать статьи и понимать, что происходит внутри модели.
Математика · ML · AI-инженерия
Машинное обучение
от формул до продакшена
Разбираемся, почему модели работают, и сразу применяем это на реальных задачах: математика для Data Science, классический ML, deep learning, LLM и RAG.
- 12 недель
- 3 трека
- 4 проекта в портфолио
- Линейная алгебра
- Градиентный спуск
- Байесовский вывод
- Бустинг
- Backpropagation
- Трансформеры
- Эмбеддинги
- RAG
- LLM evals
- A/B-тесты
- MLOps
Три трека
Можно пройти всё подряд или только нужное
Machine Learning
От линейной регрессии и бустинга до нейросетей. Валидация, метрики, работа с признаками, ранжирование и рекомендательные системы.
AI-инженерия
LLM, эмбеддинги, RAG, агенты и оценка качества. Как довести модель до продакшена: сервинг, мониторинг, эксперименты.
Математика для Data Science
Формулы, которые остаются в голове
Каждая тема начинается с картинки и интуиции, а заканчивается кодом, который вы пишете сами.
Матрица — это преобразование пространства
Смотрим, как матрица растягивает и поворачивает сетку, и откуда берутся собственные векторы. После этого PCA и SVD перестают быть магией.
A v = λ v
Обучение модели — это спуск по поверхности потерь
Градиент показывает направление роста функции. Разбираем SGD, momentum и Adam, а потом пишем свой оптимизатор с нуля.
θ ← θ − η ∇L(θ)
Неопределённость можно посчитать
Распределения, правдоподобие и байесовский вывод. Учимся отличать эффект от шума и правильно читать результаты A/B-тестов.
p(θ | D) ∝ p(D | θ) · p(θ)
Attention — это взвешенное среднее
Собираем self-attention из скалярных произведений и softmax. Становится понятно, как работают LLM и почему эмбеддинги так хорошо ищут похожее.
softmax(QKᵀ / √d) · V
Примеры
Посмотрите, как это работает
Живые мини-модели прямо в браузере. Они крутятся сами, а ползунки и клики позволяют поэкспериментировать.
Недообучение и переобучение
хорошоtrain MSE —test MSE —
Заполненные точки — обучающая выборка, полые — тестовая. Сложная модель идеально проходит через обучающие точки и ошибается на новых.
Learning rate в градиентном спуске
быстро сходитсяшаг 0loss —
Маленький шаг — модель учится слишком долго. Большой — перескакивает минимум, а при η > 1 улетает.
Кластеризация k-means
Итерация 0
Два шага по кругу: каждая точка выбирает ближайший центр, затем центр переезжает в среднее своих точек.
Порог классификатора и ROC-кривая
recall —FPR —precision —AUC —
Сдвигая порог, мы меняем полноту на ложные срабатывания. ROC-кривая показывает все такие компромиссы сразу.
Семантический поиск на эмбеддингах
запрос ——
Похожие по смыслу слова лежат рядом. Поиск — это ближайшие соседи по косинусной близости. Нажмите на любое слово.
Как LLM выбирает следующее слово
Модель выдаёт вероятности для каждого токена. Низкая температура делает ответ предсказуемым, высокая — разнообразным.
Программа
12 недель, 4 модуля, 4 проекта
Каждый модуль заканчивается проектом, который не стыдно показать на собеседовании.
-
Недели 1–3
Фундамент
Python для анализа данных, NumPy, линейная алгебра, производные, вероятности.
Проект Градиентный спуск и логистическая регрессия с нуля, без sklearn.
-
Недели 4–6
Классический ML
Деревья и бустинг, кросс-валидация, метрики качества, работа с признаками, утечки данных.
Проект Модель ранжирования на табличных данных с честной офлайн-оценкой.
-
Недели 7–9
Deep Learning
PyTorch, backpropagation, свёрточные сети, трансформеры, обучение эмбеддингов.
Проект Семантический поиск по текстам на собственных эмбеддингах.
-
Недели 10–12
AI-инженерия
LLM и промптинг, RAG, агенты, оценка качества, сервинг, мониторинг и эксперименты.
Проект RAG-ассистент с автоматическими evals и деплоем.
Формат
Меньше лекций, больше практики
- недель обучения
- 12
- практических задач
- 40+
- проекта в портфолио
- 4
- часов в неделю
- 8–10
Разборы вживую
Раз в неделю разбираем сложные темы и ваши вопросы. Записи остаются.
Код-ревью проектов
Каждый проект проходит ревью, как в продуктовой команде: структура, тесты, воспроизводимость.
Задачи из индустрии
Поиск, рекомендации, ранжирование и LLM-сервисы — то, чем ML-инженеры занимаются на работе.
Вопросы
Частые вопросы
Какой уровень нужен для старта?
Школьная математика и базовый Python: переменные, функции, циклы. Всё остальное подтягиваем в первом модуле.
Сколько времени занимает обучение?
Около 8–10 часов в неделю: материалы, практика и проект. Можно совмещать с работой.
Нужен ли мощный компьютер или видеокарта?
Нет. Всё тяжёлое запускается в облачных ноутбуках с GPU, локально хватит обычного ноутбука.
Можно пройти только математику или только AI-инженерию?
Да. Треки независимы: можно взять один, если остальное уже знаете.
Будет ли работа с LLM?
Да, последний модуль целиком про LLM: RAG, агенты, оценка качества и вывод в продакшен.
Готовы начать?
Напишите — расскажем о ближайшем потоке и поможем выбрать трек.
hello@dellream-labs.com