Машинное обучение — работа в Москве

Для себя Здравствуйте! Нужна помощь с практическими занятиями по машинному обучению. Требуются занятия, где мы будем строить модели разных типов (линейные, решающие деревья, kNN) и решать таким образом приближенные к реальности практические задачи Я учусь в ВШЭ на компьютерной лингвистике, так что особый упор хочется сделать на работу с языковыми данными, в частности на NLP. В будущем очень хочу на ML-стажировку в области NLP и ищу наставника, который поможет развиваться в этом направлении. Базовые теоретические знания по машинному обучению есть: знаю про градиентный спуск, функции потерь, математические основы моделей (матричное умножение, уравнение гиперплоскости и тд) Опыт программирования на Python тоже имеется, знаю ООП, декораторы, итераторы, базово умею работать в Pandas, скоро буду уметь в NumPy Хочется не просто импортировать scikit learn и готовые модели, а писать классы самой для подготовки к стажировке. Я совмещаю учебу с работой, так что предпочтительны занятия по выходным.

Для работы

Для себя

Для себя Для себя Я аспирант, очень слаб во временных рядах, МО и мне нужно подтянуть их для написания последующих научных исследований и диссертации. Ищу преподавателя, который разбирался бы в предмете, имел знания одной из программ - R, Python для помощи с анализом данных.

Для себя

Для работы Здравствуйте. Ищу репетитора по deep learning и NLP для системной подготовки под конкретную цель. Сразу важное. Общий курс по Data Science мне не нужен. Нужна глубина в трансформерах, обучении моделей и математике под ними. О себе. Студент РЭУ им. Плеханова, выпуск 2027. Работаю AI-инженером на стажировке, занимаюсь LLM-агентами, RAG и дообучением трансформеров. Из проектов — агент поддержки банка на RuBERT с RAG на pgvector, собственный BPE-токенизатор и pretrain мини-Llama с нуля на русском корпусе, SFT поверх Qwen, агентская система с хакатона МТС на локальной модели. Всё лежит на github.com/ahiokk, в каждом README метрики и разбор граблей. Прошу посмотреть до первой встречи, так уровень будет понятнее. Где проблема. Практика ушла сильно вперёд теории. Я умею собрать и обучить, но плохо объясняю, почему оно устроено именно так, и часто подбираю параметры по чуйке, а не по пониманию. Что хочу закрыть. (Примеры) 1. Архитектура трансформера целиком. Attention и multi-head, позиционные кодировки, KV-кэш, зачем в современных LLM SwiGLU вместо ReLU и RMSNorm вместо LayerNorm. 2. Нормализация и стабильность обучения. BatchNorm против LayerNorm, pre-norm и post-norm, что происходит на инференсе. 3. Оптимизация. Градиенты и их затухание, learning rate и разогрев, инициализация весов, смешанная точность. 4. Дообучение. Полный файнтюн против LoRA, что реально происходит с весами, как выбирают ранг и alpha, катастрофическое забывание. 5. Математика под всё это. Линал, матан и теорвер в том объёме, чтобы выводить, а не запоминать. Список не финальный. Часть пробелов я, скорее всего, сам не вижу, поэтому и прошу внешнюю оценку. Что хочу от вас. Сначала диагностику. Прогоните меня по базе и скажите прямо, где уровень проседает. Дальше программу под цель, с домашками и спросом за них. Жёсткий формат подходит, к нагрузке готов! Цель. Позиция junior или middle AI-инженера в Сбере, направление NLP и LLM. Ориентируюсь за 10 месяцев. Организация. Онлайн, 1-2 раза в неделю по 1-2 часа. Напишите, пожалуйста, есть ли у вас собственный опыт работы с трансформерами и обучением моделей, стоимость занятия, наличие слотов и как проходит первое занятие.

Для себя Для себя Я аспирант, очень слаб во временных рядах, МО и мне нужно подтянуть их для написания последующих научных исследований и диссертации. Ищу преподавателя, который разбирался бы в предмете, имел знания одной из программ - R, Eviews, STATA, Python для помощи с анализом данных.