ТРЕК КЛАССИЧЕСКОГО ML · 23 УРОКА

Разборы реальных ML-задач из работы инженера

Каждый урок — задача, которая пришла от бизнеса: почему прибыль падает при растущей выручке, отчего модель с точностью 99% бесполезна, как выбрать порог по цене ошибки. Разбор с цифрами открыт, практика и квиз — в симуляторе.

01 Половину «задач для ML» решает обычный if-else 02 Выручка выросла, прибыль упала. Ответ нашли без единой модели 03 Скидка подняла конверсию — и принесла меньше денег 04 Первая модель сэкономила миллионы. Это была линейная регрессия 05 Инсайт оказался дороже самой модели 06 Точность 99,2% — и ноль пойманных мошенников 07 Слабая модель на сильных признаках бьёт сильную на слабых 08 На таблицах бустинг обыгрывает нейросети 09 0,97 на тесте, 0,61 в проде 10 Прирост 0,005 при разбросе 0,004 — это шум, а не результат 11 93% алертов ложные — и экономика всё равно сходится 12 Кластер без имени — не результат, а мусор 13 Модель поняла, что к телефону берут чехол, ничего не зная о товарах 14 Наивный прогноз даёт 80% качества сложной модели 15 Большая модель точнее — и не окупается 16 Кто не переобучал сеть — тот не умеет их обучать 17 Четыре тысячи фото. С нуля не взлетит — и не надо 18 Мидла от джуна отличает не алгоритм, а система целиком 19 Модель без мониторинга — это инцидент, который ещё не случился 20 Сначала бизнес-задача, потом данные, и только потом модель 21 Лучший проект — тот, который не стали делать 22 Полчаса чтения ошибок дают больше, чем неделя тюнинга 23 Кто чинит модель в три часа ночи