NichegoTakoy

🔗 https://sebastianraschka.com/books/ml-q-and-ai/
Автор — Себастьян Рашка. Открытая и довольно свежая книга по нейросетям и машинному обучению. На английском, но написана просто и понятно. Спасибо @Neflenor за наводку.

🧪 Практический курс от Google (на русском!)

🔗 https://developers.google.com/machine-learning/crash-course?hl=ru
Крутейший интерактивный курс от Google:

• Основы машинного обучения

• Как работает обучение моделей

• Работа с данными

• Основы нейросетей
  Всё это — прямо в браузере, без установки чего-либо. Отличный старт для тех, кто хочет «пощупать руками» ML.

🧠 fast.ai — Практическое глубокое обучение

🔗 https://www.fast.ai/
Образовательный проект с философией «глубокое обучение — для всех». Главный курс Practical Deep Learning for Coders учит сразу на практике, с PyTorch и библиотекой fastai.
Подойдёт, если ты уже немного разобрался в Python и хочешь сразу писать нейросети, а не читать теорию годами.

Проект появился в 2022 году — часть материалов немного устарела, но базовые принципы остаются актуальны.

⚙️ scikit-learn — библиотека классического ML

🔗 https://scikit-learn.org/stable/
Официальная документация и туториалы по scikit-learn — одной из самых популярных библиотек Python для классического машинного обучения: регрессия, классификация, деревья решений, кластеризация.
Если хочешь понять «традиционный» ML без нейросетей — отличный выбор. Хорошо документирован, просто подключается и применяется к датафреймам из Pandas.

🔬 TensorFlow — официальные туториалы

🔗 https://www.tensorflow.org/tutorials?hl=ru
Один из самых мощных фреймворков для глубокого обучения. Здесь — огромный набор примеров и руководств:

• классификация изображений, текста,

• обучение нейросетей на GPU,

• экспорт и деплой моделей.

Подходит уже после базового понимания нейросетей. Примеры можно запускать в Colab.

⛳ На этом этапе...

…уже можно переходить от слов к делу: обучать свои первые модели, пробовать классификацию, играть с нейросетями.

На этом этапе сейчас нахожусь я сам, только начал практический курс от Гугл. Когда доберусь до следующего поста расскажу, какие задачи я пробовал решать на практике и с чего реально можно начать новичку без PhD по математике.

В курсах по программированию часто встроена IDE прямо в браузере — можно сразу писать код, ничего дополнительно устанавливать не нужно.

🔹 Khan Academy — Введение в Python

Базовый курс Python для тех, кто начинает с нуля.
На этом сайте в целом очень много полезных и бесплатных курсов — как по программированию, так и по математике, статистике и другим базовым вещам.

Если в настройках профиля включить русский язык, будут отображаться только локализованные курсы. Но на английском, конечно, контента гораздо больше. IDE тоже встроена, всё делается через браузер.

🔹 NumPy: официальный сайт

NumPy — это одна из основных библиотек для научных вычислений в Python.
На официальном сайте собраны:

• документация,

• туториалы,

• книги,

• и особенно удобный QuickStart-гайд, с которого я и начал.
  Очень просто, по делу и с примерами — идеально для старта.

🔹 Pandas: 10 минут на старт

Краткий и понятный гайд по библиотеке Pandas, которая используется для работы с таблицами, датасетами и прочими структурированными данными.
В этом мини-курсе собраны все базовые операции, которые понадобятся для анализа данных.
Дальше можно продолжать по основному руководству, но пока я дальше не заходил — с головы хватает.

🔹 HackerRank: задачи по Python

Это, пожалуй, мой самый любимый сайт из всей подборки.
На нём куча практических задач по Python, от простых до сложных.
Всё делается прямо в браузере через встроенную IDE. Можно сразу писать, запускать, получать фидбэк.

Я, зайдя туда, буквально не мог оторваться несколько часов. Особенно если любишь головоломки и хочешь не просто прочитать о Python, но реально поработать руками. Категорически рекомендую.

🔹 LeetCode: еще больше задач

Аналогичный ресурс с задачами на программирование. Я выбрал предыдущий, но только потому что он мне первым попался. Этот не хуже (а может и лучше, хз).

📊 Статистика

📘 Книга: Владимир Савельев — "Статистика и котики"

Очень понятная и весёлая книга, которая объясняет основные положения статистики буквально «на пальцах», с картинками и шутками.
Читается легко, затягивает, и главное — помогает не бояться математики.
Отличный старт для тех, кто, как и я, со статистикой не особо сталкивался раньше.

🔹 Khan Academy — статистика (на русском)

Школьный уровень статистики, но при этом изложение хорошее, с примерами.
В наше время в школе статистику не преподавали, поэтому мне это особенно актуально.
Полностью бесплатно, с русской озвучкой и субтитрами, если включить.

➕ Дополнительно

🔹 Курс по линейной алгебре от 3Blue1Brown

Очень наглядный видеокурс, в котором основные темы линейной алгебры подаются визуально и интуитивно.
Автор объясняет всё не сухо, а через образы, графику, ассоциации.
В ИИ очень часто используются линейные уравнения, матрицы, операции с ними.
Знать хотя бы базу — полезно, хоть и не обязательно.

💬 А теперь к вам вопрос

Если вы тоже начали изучать машинное обучение и не хотите тратить деньги на платные курсы — поделитесь в комментариях своими находками. Особенно интересны:

• ресурсы, которые доступны бесплатно,

• не требуют установки софта (работают в браузере),

• помогают быстро разобраться в теме.

Может, соберём вместе удобную базу знаний для таких же, как я — кто начинает с нуля и хочет разбираться без воды и лишних затрат.

В следующем посте я перейду, наконец, к курсам по машинному обучению и нейросетям.

А с чего начать?

Ииии... что дальше?

Я понятия не имел, за что ухватиться, чтобы просто начать. Проблема всех 1Сников — мы настолько изолированы от других систем, что наши знания в смежных технологиях очень ограничены. В этом плане я соглашусь с теми, кто называет 1Сников ненастоящими программистами 🤷‍♂️

К счастью, сейчас в нашем распоряжении целый зоопарк языковых ИИ, которые могут подсказать, с чего начать, помочь составить план обучения и порекомендовать полезные ресурсы.

Отдельно хочу отметить: я категорически не хочу пользоваться платными курсами. Уверен, что в интернете достаточно качественной открытой информации — нужно лишь понять, что именно использовать и в каком порядке.

Полезные ИИ-инструменты

Только с VPN

• https://chatgpt.com — ChatGPT

• https://grok.com/ — Grok от Маска. Мощный поиск данных и суммаризация.

• https://claude.ai/ — Claude. На момент тестирования — наиболее «человечная». Подходит для переписки и эмоциональной поддержки.

Без VPN

• https://chat.deepseek.com/ — мультимодальная ИИ из Китая. Есть удобные приложения.

• https://chat.qwen.ai/ — мультимодалка от Alibaba. Есть приложение, умеет генерировать сайты.

• https://venice.ai/ — любопытная нейросеть без цензуры и с заявленной приватностью. Пока не разбирался глубоко.

Мой первый шаг

Первое, что я сделал — спросил ИИ, как разрабатывать ИИ. Потом попросил его улучшить собственный план. Поигравшись с этими шагами на разных моделях, у меня сложилось базовое представление, что нужно изучить в первую очередь:

• Python — почти вся разработка ИИ ведётся на нём. Начать с основ, постепенно наращивая сложность. Обязательно — библиотеки NumPy и Pandas.

• Статистика — на старте хватит базовых понятий. Углублюсь позже при необходимости.

• Английский язык — желательно. К счастью, я им владею. Без него сложно читать документацию и обучающие материалы. Хотя, конечно, есть автопереводчики, YouTube даёт субтитры почти ко всем видео — спасибо ИИ.

Что дальше

Направление определено. Начинаю двигаться. В следующих постах расскажу о полезных ресурсах, найденных по пути, о моём продвижении и дальнейших шагах в сторону разработки ИИ.

UPD: Следующий пост, подборка бесплатных курсов по Python и статистике.