Data Fusion

📌Подборка полезных материалов про ML System Design - ч.1 Недавно наш Data Scientist Владимир Фуфаев выступил с лекцией для студентов НИУ ВШЭ. Рассказал об этапах разработки ML-проектов (ML System Design) с фокусом на работу с данными. Интересный факт — продвинутые модели могут улавливать и усиливать ошибки в данных. Однако при грамотном подходе модели могут сами помогать компенсировать недостатки данных. Собрали книги, которые помогут глубже разобраться в ML System Design. Сохраняй себе и делись с коллегами: 🔹Чип Хьюэн — «Проектирование систем машинного обучения» Книга — мост между академическим ML и реальной разработкой. Она дает представление о полном жизненном цикле ML-системы: от формирования данных и выбора метрик до деплоя — и подтверждает теорию примерами из индустрии. 🔹Али Аминиан, Алекс Сюй — «System Design. Машинное обучение. Подготовка к сложному интервью» Практичный тренажёр по проектированию систем машинного обучения, построенный вокруг 11 отобранных кейсов. Авторы методично проводят читателя по ключевым этапам, таким как подготовка данных, проектирование архитектуры, выбор метрик — в итоге складывается прочный структурированный каркас системного мышления. 🔹 Валерий Бабушкин, Арсений Кравченко — «Машинное обучение. Проектирование систем от идеи до реализации» По духу это скорее наставничество, чем учебник. Книга ориентирована на читателей, уже обладающих некоторым опытом в программировании и ML и отличается высоким уровнем абстракции. Цель авторов — показать, как довести проект до реализации, передать опыт стратегического планирования и защиты проектов. А в следующем посте поделимся подборкой свежих исследований по неожиданному поведению моделей и влиянию данных на итоговый результат.