MLinside

3 мифа о Machine Learning, которые мешают тебе начать

Почему тебя не берут в ML (и как это исправить)

Сколько на самом деле зарабатывают ML-инженеры

ML без приукрашивания: отвечаю на ваши самые частые вопросы

Как перестать быть «вечным студентом» в ML

Математика в ML: сколько реально нужно знать

Dropout и регуляризация: почему без них ML не работает

Алгоритмы на ML-собесе: главная ловушка кандидатов

«Feature Store в ML: что это и почему без него твоя модель врёт»

Как не потерять бизнес. Бизнес метрики, Мониторинг моделей, ML.

Топ 5 фейлов на ML собесе и как их избежать

Почему нейросети меняют подход в 2025 году? Mixture of Experts (MoE)

Зачем они нужны в ML? Собственные значения и собственные векторы

Правда о трюках с нейронными сетями, которую вам никто не расскажет

LLM в 2025 реальная польза или маркетинг?

Как работает Attention, простое объяснение для новичков

Почему из 1% получается 16,7%. Как интуитивно понять Теорему Байеса

Как успешно пройти испытательный срок на ML инженера

Линейная зависимость фичей, что значит мультиколлинеарность и как она ломает модель

Метрики классификации в ML: как интерпретировать ROC-AUC, Precision-Recall и не запутаться

Mock-собеседование на позицию Junior ML Engineer с подписчиком канала

Карьера в ML, с чего начинается рост после Джуна

Переобучение и недообучение в машинном обучении

Почему математика в ML важнее, чем кажется?

Можешь ли ты стать Data Scientist-ом?

Какое направление выбрать в ML и на основе чего делать выбор?

Как градиенты и производные реально учат модель

Как работает оценка качества ML специалиста внутри команды

Как учить математику для ML, если ты гуманитарий

Как понять, что ты готов на собеседование в ML