​​Хеллоу, отдыхающие

Уже устроили майское обжиралово? Сильно нагружать не буду. Среди нашего картеля очень много новичков и тех, кто стремиться получить качественное, структурированное образования в МЛ. Это реализуемо в специальных центрах типа csc или шад.
Я собрал команду А из людей, которые поступили/пытались поступить в эти клубы психологического насилия, они готовы ответить на любой сука tupoy, как и ты сам, вопрос. Поэтому не стесняемся спрашиваем все, что приходит в голову. Скоро выложу интервью с этими мазохистами, где задам ваши вопросы.
Поехали →  https://forms.gle/vphgTpzMHcSpp8499

Еще раз напоминаю, вся наша ебейшая база знаний находится в закрепе, который я обновил, теперь там самая актуальная годнота

Жри шашлык, ebash нейронки

​​Здорова, работнички

Вот и долгожданное интервью подъехало, уникальный контент так сказать. Пообщался с ребятами, которые поступили или пытались поступить в ШАД и CSC, задал им ваши вопросы. Вот парочка спойлеров.

За результаты не переживал, был практически уверен, что поступлю. Однако впоследствии мне сообщили, что не готовы меня принять, сетуя на недостаток мотивации.

Да, это так, в математике я был, как бы ты сказал, tupoy

Да, в этом году тоже поступаю. Уже не на анализ данных, поскольку за прошедший год освоил его самостоятельно на достойном уровне

Мне известны случаи, когда ребята успешно проходили отбор без серьезного бэкграунда. Некоторым вообще удавалось поступить на первом курсе. Также знаю нескольких ребят, которые учились на менеджеров, но тем не менее смогли поступить

Вот тут полная версия интервью.
https://teletype.in/@mommy_scientist/S1DyjBg3V

Читаем, охуеваем и не забываем про закреп, если хотим духовно обогатиться.

А на следующей неделе вас ждет разрыв ebala, будет нечто бомбическое, не пропусти

​​Ну шооо, а ю реди, бичес??? Погнали

Если ты хочешь залететь в Data Science и есть сырки Б. Ю. Александров со сгущенкой на завтраки, то простого пути нет, я это уже говорил. Единственный верный путь это освоить все, вот пайплайн

Математика → Питон → Машина лернинга

Какие курсы выбрать внутри каждого подпункта — дело каждого.

Вот, что предлагаю, мы организуем учебную группу, где за вас выберем лучшее материалы и лучшие задания по этим темам. Так сказать, проведем по этому пути от самого начала и до того, как вы сможете покинуть гнездо и отправиться в свободный полет.

Зачем мне участвовать?

- Группа, где ты не один tupoy
- Чат, где можно помогать друг другу
- Еженедельный контроль выполненных заданий, с мгновенным отчислением, если ничего не делаешь
- Волшебный пинок каждую неделю
- Иногда даже подсказки к заданиям

Но предупреждаю, это очень хардкорная тема, придется рвать волосы на жопе своей и соседа. Продолжительность в районе 8.5 месяцев ада, с возможностью вылететь каждую неделю.

Если откладывал МЛ на потом или находил какие-то отговорки, то это именно тот момент, которого ты ждал. Собирай свою дряхлую жопу в кулак и подавай заявку на этот бал сатаны

Че по бабкам? Первый набор бесплатный, а там посмотрим, но количество мест сильно ограничено

Программа такая:
Питон → Пандас → Матан/Линал → МЛ часть 1 → Теор. Вер./Мат. Стат. → МЛ часть 2

Поторопись, когда группа наберется, я удалю ссылку. Пора сделать это, работаем

Рега → Воу-воу полегче, набор все. Дайте почитать мотивашки. Отберу 20 человек

Фенита ля комедия блять

Просто усыкаюсь от смеха с ваших мотивашек, бандиты. Планировал взять 10, но вас слишком много, возьму 20. Отберем к ночи. Кто не залетит, не обижайтесь. Скоро будет второй набор

​​Йоу, собаки, я Наруто Узумаки

Как ваше ничего? Рассказывайте на чем застряли @BoykoAA

Сегодня в нашей программе просто огромный (не то что твой python) глоссарий по машинному обучению, в нем собрано почти все, что можно придумать. От реализации самой банальной логистической регрессии до всяких крутых Unet-ов и детекции объектов, все это реализовано в коде и на каждую тему по 5-10 примеров. Это очень крутая ссылочка, не потеряй ее так же легко, как свою бывшую на вписке. С вероятностью 99%, будь ты олд или только пришел в этот pizdec, твоя рабочая задача уже решена в этом глоссарии.

Глоссарий → https://www.kaggle.com/shivamb/data-science-glossary-on-kaggle#4.1

А я, тем временем, почти закончил рецензию на еще один курс, который схавал для вас, что за курс не расскажу)0 Все узнаете на следующей неделе

Работаем, братва

​​Здорова, бандиты

Вот и обзорчик подъехал. Сегодня в программе курс от родственной мне Физтех-школы прикладной математики и информатики (ФПМИ) МФТИ,  а точнее, курс Deep Learning School. Хотел пройти его осенью, но вы же заебете своими вопросами. Погнали

Давайте вначале про структуру курса, тут 13 недель плотненького обучения, начиная с некоторых основ python заканчивая GAN-ами и детекцией объектов, программа, как ты догадался, насыщенная. Но мое мнение остается прежним, не лезть блять в Диплернинг, она тебя сожрет, не изучив основы классического машинного обучения. Теперь, что я думаю о курсе. Проект очень неплохой, лекции и семинары ведут студенты ФПМИ, и ребята стараются, это видно, но так же виден недостаточный опыт в преподавании, это немного усложняет восприятие информации, особенно если слушаешь это в первый раз. Физкеки это прекрасно понимают и видят свои недостатки, не стесняясь ссылаются на курс Стенфорда и другие крутые ресурсы, это zaebis и заслуживает уважения. Суть любого курса — это домашние задания, они как раз подготовлены хорошо, особенно начиная со сверточных нейронных сетей, тут тебе и свертка своими руками (хоть что-то полезное своими руками сделаешь) и дрочево на каггле, все на месте. В общем, 9 Эндрю Ынов из 10

Стоит проходить? Однозначно, да.
Че по бабкам? Даром.
Когда стоит проходить? Завит полностью от тебя, от твоих интересов, я рекомендую проходить после того, как вникнешь в классический МЛ.

Курс → https://www.dlschool.org/

Не останавливаемся на достигнутом, братва

​​Вечер в хату, арестанты

Че кагглишь? Красавчик. А если нет, то сегодня пора начать, тому есть отличный повод. Этот материал буквально довел меня до инфаркта миокарда, ведь сегодня в программе сборник с топовыми решениями победителей соревнований. Неслыханное дело.

Путь типичного мамкиного Data Scientist-а на Kaggle — это движение на юго-север, куча подводных камней, сложностей, нетривиальных подходов, поэтому чтоб не плутать в этом дремучем лесу изучай решения топовых игроков этой русской рулетки, а не бейся ebalom об стену.

Сборник решений → https://www.kaggle.com/sudalairajkumar/winning-solutions-of-kaggle-competitions

Если ты tupoy и считаешь, что рано участвовать в соревнованиях, то самое правильно решение — это участвовать на каггл прямо сегодня, прямо сейчас. Да, собирай свои дряблые яйца в кулак и вперед. Давай поступим следующим образом, ты залетаешь на соревнование Титаник и делаешь свой первый сабмит, неважно каким он будет, дерьмовым или топ1, тут главное начать. Присылаешь решение мне @BoykoAA, а я великодушно обсираю его с ног до головы, потом ты говоришь: «спасибо» и идешь ебашить дальше. Ну и чтобы ты не расслаблялся, на это дается ровно неделя, ни днем больше. Поехали

Титаник → https://www.kaggle.com/c/titanic

Работаем, банда

​​Здорова, бандиты

Помните разговор о дерьмовых курсах, один из них я уже облил грязью и вы с радостью поддержали инициативу блеклиста подобного мусора. Об этом речь и пойдет. Сегодня очередная порция говна на лопате, которое не стоит времени и денег. Только теперь, благодарите не меня, а друг друга, потому что именно вы составили рейтинг самых опущенных курсов по Data Science в рунете, по мнению авторитетной и уважаемой аудитории, подписчиков Мамкиного Data Scientist-а. Ваши ответы в форме я подсчитал и визуализировал в виде диаграммы, так что наслаждайтесь

Если еще не указал дерьмовый курс, вот форма → https://goo-gl.ru/5dMc

Аттракцион невиданной щедрости «Титаник» закончился. Но если сильно попросите, то напишу свой кернл и разбор этого соревнования. Так сказать, Титаник без цензуры

Джаст ду ит, братва

​​Эйоу, бродяги

Уже сто раз поднималась тема соревнований по машинному обучению, я всегда агитирую участвовать, особенно новичков. Уже были и рекомендации для старта, и разборы некоторых соревнований, и топовые решения больших дядек. Но сегодня, произошло что-то особенное и уникальное

Медленно, но уверенно подплывает Титаник без цензуры. Да, я таки написал кернл для соревнования Титаник. Получилось вроде ничего, мне даже позвонили из РПЦ, говорят: «Саня, пиздец, причисляем тебя к лику святых за эту темку». Ну я вроде, как и не против. Сделано это в первую очередь для тех, кто думает, что начать участвовать в соревнованиях это сложно или «ну начну, когда изучу %хуйнянейм%», в топку. Начинаем сегодня, открываем этот ноутбук, изучаем и делаем свой первый сабмит

Титаник без цензуры → http://mommy-scientist.ru/Titanic_MDS.html

Работаем, братва

​​Вечер в хату, ресечеры

Завтра 20 июля, что это значит? Правильно, у канала Мамкин Data Scientist днюха, еее рок! Уже год продолжается эта вакханалия, и, скажу сразу, еще есть в обойме пиздатые истории и хорошие материалы, так что работаем, братва.
В честь этого, разрешите вас заебать, будем выбирать королеву красоты канала MDS. Красота нас интересует, конечно же, интеллектуальная, а то, что у тебя сиськи больше чем у телки, это еще ни о чем не говорит.

Объявляется конкурс. В этот раз будем классифицировать грибы на ядовитые и съедобные, ниже будет датасет. Не будем гнаться за скором и бледнить 100 моделей. Это в первую очередь образовательный конкурс, поэтому подарки будут в нескольких номинациях.

- Лучшее EDA (Книга С. Николенко «Глубокое обучение. Погружение в мир нейронных сетей»)

- Самое разжёванное решение (Книга «Голая статистика. Самая интересная книга о самой скучной науке»)

- Решение «чисто поржать» (Книга «Статистика и котики»)
(Подарки можно заменить)

Датасет → https://www.kaggle.com/uciml/mushroom-classification

Срок выполнения 2 недели.

Ну и поздравьте меня что ли, битчес

​​Здорова, бандиты

А вот и итоги конкурса HB MDS. Но перед тем, как объявить победителей и показать их решения, давайте кое-что проясним. Зачем вообще смотреть и разбирать решения, которые публикуются на этом канале? Все дело в том, что годных кернелов на русском языке в интернетах с гулькин huy, а написанных понятным языком и с юмором вообще стремится к нулю. Поэтому решения победителей подобных конкурсов просто мастхев для тех, кто вкатывается в МЛ. Но самый профитный метод - это участвовать в наших оргиях. Больно не будет

Итак, королевой красоты канала Мамкин DS становится @thurs88. Поздравляю Никиту и представляю просто бомбический кернел, который должен посмотреть каждый. В качестве подарка Никита выбрал финансовую помощь, чтоб слетать в Амстердам и лично проверить все грибы своим классификатором. Кстати, @thurs88 сейчас на школе биоинформатики, которую я рекомендовал к посещению

Решение → http://mommy-scientist.ru/mushrooms_EDA_Baranov.html

Далее, @ifelif разжевал все как маленьким детям, тем более он совсем недавно вкатился в МЛ, заслуживает уважения. В подарок получает кингу С. Николенко «Глубокое обучение. Погружение в мир нейронных сетей», поздравляем

Решение → http://mommy-scientist.ru/mushrooms_d_sky.html

И наконец номинацию «чисто поржать», берет студент образовательного проекта Booster @chekrizh, кстати, ребята сейчас страдают над обучением с учителем, а через 2 недели у них курсовой проект. Влад получает кингу «Практическая статистика для специалистов Data Science», поздравляем

Решение → http://mommy-scientist.ru/mushrooms_vlad_chek.html

Руки в ноги и бегом разбирать решения трех всадников апокалипсиса

Работаем, братва

​​Че как, бродяги

Пора пополнить джентльменский набор мамкиного ДС, если пропустил первую или вторую часть — бан. Так что бегом ознакамливаться.

1. Частенько, обработка пидрильских категориальных признаков в задаче машинного обучения, становится камнем преткновения, если не знать как правильно это делать. Правильная обработка может спасти твою jopu от гнева тимлида или докинуть скора на каггле. В статье собраны основные современные подходы к этому вопросу и наглядно показано, как они работают. Однозначно держим под рукой

Статья → https://towardsdatascience.com/benchmarking-categorical-encoders-9c322bd77ee8

Также, мой юный падаван, не забывай, что современные бустинги типа catboost имеют встроенный функционал обработки категориальных признаков. Достаточно часто, работающий лучше, чем твоя обработка кривыми руками, имей ввиду.

2. Аугментации в задачах с картинками играют важную роль, они помогают модели увидеть больше картинок, не оверфититься и тд. Тут могу порекомендовать либу от отечественного производителя albumentations. С ее помощью будешь манипулировать картинками, так же как твоя бывшая манипулировала тобой, может даже круче. Библиотеку уже давно признало мировое комьюнити, так шо смело юзаем, не стесняемся

Либа → https://github.com/albu/albumentations

Не останавливаемся, братва

​​Хеллоу епта

Собеседование. Че, уже обосрался от одного слова?

По данным Росстата каждый третий мамкин ДС испытывает чувство дискомфорта на интервью. Дело даже не в том, что ты tupoy, а в том, что не знаешь к чему готовиться, каких вопросов ждать.
Если это большая компания aka Яндекс, то тут все понятно Заходишь на литкод и ботаешь до полусмерти легкие и средние алгоритмы. Хардовые не трогай, они пригождаются на собеседованиях так же часто, как твой презерватив в рюкзак, который носишь уже 3 года.

Но что же делать с вопросами по МЛ? Давайте замутим следующую темку. Многие из вас уже были на собеседованиях и не раз, так давайте сделаем базу вопросов, где каждый сможет написать вопросы/задачки, которые ему попадались. Я все это обработаю, дополню, красиво оформлю и выложу. Так мы получим самую достоверную и актуальную базу вопросов к собеседованию. Некоторые можем разобрать прямо тут, по вашему желанию.

Ну что, братва, поможем друг другу?
Форма → https://forms.gle/JjoMG4T84uwhk7L99

​​Здорова, работяги

Разгребаю вопросы с интервью их реально много, и они настолько разные, что волосы встают дыбом.
Поэтому я решил запилить с ними кое-что особенное, придется немного подождать.

А пока ответь на вопрос, что в голове у интервьюера, который спрашивает стажера в чем отличие архитектуры Resnext101 от ResNet101 и какие фишки там добавили? Нахуя это знать человеку, который fit(), predict() освоил месяц назад, я не понимаю. Ну да ладно, зато, благодаря этой затее и каждому мамкиному Data Scientist-у, проходить собеседование станет гораздо проще

Но на собеседование надо еще попасть, а для этого нужно сделать нормальное резюме. В этом материале, собраны полезные советы по его составлению. А то, что ты присунул пьяной однокласснице на выпускном не совсем подходит под графу «достижения». Переделываем свое говнище.

Советы для резюме → https://is.gd/oZe7U4

На каггле урезали количество гпу, которые можно использовать для экспериментов с 4 до 1, сославшись на большой ажиотаж вокруг вычислительной мощности, и мол они не вывозят. Ну конечно блять, если запустить 10 соревнований с картинками одновременно будет большой ажиотаж. Но это уже произошло и нужно выходить из ситуации, придется воровать деньги и учить модели в облаках. Гуглы и Амазоны для богачей, пацаны со двора юзают vast.ai. Дешево и сердито

Видюшки → https://vast.ai/console/create/

Работаем, братва

​​Че как, симпатяги

Началась прекрасная пора учебы, и тут у тебя опять же два варианта. Либо гнить на парах/работе, просто плывя по течению, либо же, взять все в свои руки и разъебать эту индустрию по полной программе. Кому подходит первый вариант —  сразу БАН.

А те, кто выбрал второй вариант, пересматриваем закреп, выстраиваем стратегию обучения под себя и начинаем работать. Хорошо, что там накопилось много всего интересного и есть вариативность, можно выбрать программу исходя из своего текущего уровня. Ну а если ты совсем tupoy, то пиши @BoykoAA, будем придумывать вместе

На мой взгляд тру вэй:
Питон → Математика → Классик МЛ

Продолжаем, проблема облачных вычислений стала острой, после того, как каггл понерфил видюхи и я рекомендовал переходить на vast.ai, но как всегда не обошлось без проблем, появились трудности с использованием этого сервиса для Kaggle. Это вынудило меня написать гайд ОТ и ДО. Поэтому читаем, разбираемся и больше не тупим

Гайд → http://mommy-scientist.ru/Guide_vastai_for_kaggle.html

Качаем тему собеседований дальше, скоро у нас будет свой сервис с блек-джеком и шлюхами, подробности пока рассказывать не буду, просто ждите и заполняйте форму. А пока что вот, нашел еще 30 с чем-то самых популярных вопросов на собесах уже с ответами. Залетаем и снюхиваем там все за раз через трубочку, как ты умеешь

Вопросы → https://is.gd/A60C6T

Работаем, братва

​​Йоу, гангстеры

Помните обещал сделать что-то интересное с вопросами собеседований, которые вы накидали в форму. Ну не наебал, сделал.

Представляю вашему вниманию новый сервис Мамкиного Data Scientist-а — MDS Interview. Тут собрана часть вопросов, которые будут постепенно пополняться.

Наша задача — сделать интервью комфортным и предсказуемым процессом, к которому можно подготовиться. Поэтому у нас есть долг перед сообществом, делиться всеми вопросами, которые когда-либо звучали на собеседованиях. На сервисе можно комментировать и отвечать на любой вопрос, ставить лукасы и конечно же предлагать свои вопросы. Надеюсь, это поможет кому-то попасть на галеру и грести там до конца своих дней

interview-mds.ru

Не благодари, брат, лучше покажи это кентам и закинь пару вопросов

​​Здорова, бандиты

Заметил, что много мамкиных ДСов нырнули с головой во временные ряды и сели на бутылку, предсказуемо. Действительно появляется немало вакансий, стажировок и тд по Time Series, а мы до сих пор не выстроили план обучения в этом направлении, huevo, давайте исправлять.

Итак, на повестке дня два бесплатных курса.

1. Для ознакомления проходим 7-дневный мини-курс от нашего кента Jason-а.
Быстрые домашки и самые основные моменты. Это для нубов, тех кто только знакомится с временными рядами.

Курс → https://machinelearningmastery.com/time-series-forecasting-python-mini-course/

2. А вот что реально заебись, так это его второй курс по применению главного короля хайпа (Deep Learning-а) для прогнозирования временных рядов. Этот курс тоже мини (в точности как твой Python), длительностью до 7 дней. Тут уже поинтересней, в программе и LSTM, и MLP, и энкодер-декодер, короче скучно не будет. Это смотрим после того, как получим представление о Deep Learning.

Курс → https://machinelearningmastery.com/how-to-get-started-with-deep-learning-for-time-series-forecasting-7-day-mini-course/

На первое время хватит, работаем, братва

​​Конишуа, коноха

Сегодня речь пойдет о том, как за ноль рублей, ноль копеек собрать гремучую смесь из курсов и получить годную программу для самых сука тупорылых. А так же поговорим о курсе института биоинформатики «введение в машинное обучение» с Анатолием Карповым. С него и начнем, погнали

Сразу отмечу, что институт биоинформатики проделал нихуйственную работу и на фоне, уже существующих, миллионов курсов по МЛ, показали реально годный и выделяющийся продукт.
Давай пробежимся по содержанию, а потом уже к плюсам и минусам. Тут у нас: пандас, визуализация и деревья. Не густо скажешь ты, но на то это и введение, а не специализация. Зато курс смотрится быстро, легко и домашки залетают на одном дыхании.
Плюсы: отличный преподаватель, емкость материала, скорость прохождения, бесплатный.
Минусы: если рассматривать этот курс строго как введение в машинное обучение, то явных минусов не обнаружено.
Когда выходят такие бесплатные курсы в мире плачет один маленький, но ебать какой дорогой курс от университета искусственного интеллекта, господи прости.

Курс → https://stepik.org/course/4852

Но нас интересует не введение в машинное обучение, а полноценный курс, после которого бы бабы давали, да пацаны уважали. Давайте копнем чуть глубже, я составил полноценный путь ниндзя, который позволит тебе стать хокаге. Для этого будем миксовать цикл статей ODS с курсом. Таким образом, расширим теорию и увеличим количество практики более чем в 2 раза. Тогда план обучения будет выглядеть так:

Степ 1.1 - 1.6 → Статья №1 + домашка → Степ 1.7 → Статья №2 + домашка → Заканчиваем степ 1 → Статья №3 + домашка → Степ 2 → Степ 3.1 - 3.3 → Статья №5 + домашка → Степ 3-4 → Статья № 4, 6, 7, 8, 9, 10 + домашки

Так ты сформируешь хорошую базу и некоторое представление о машинном обучении. Сможешь смело залететь на Kaggle и в конце концов станешь хокаге.

Статьи ODS → https://habr.com/ru/company/ods/blog/322626/

Работаем, братва

​​Здорова, Перельманы

Хочу затронуть тему математики. Наверное самый наболевший вопрос у молодых и зеленых: «сколько мне страдать с этой королевой бала, чтоб хотя бы потрогать МЛ?»

Давайте начну с самого начала. До того, как начал ввести этот ебунячий канал, я размышлял консервативно. Говорил, что сначала нужно пройти 1, 2 курс хорошего технического вуза мат. анализа/теор. вера/статистики/линала и только потом вкатываться в МЛ. Ну мол я страдал, и ты пострадаешь. Это была ошибка.
Такой путь выдержит один человек из ста, и тому есть причина. Как можно более года делать что-то не понимая даже ради чего? С появлением канала, я радикально пересмотрел взгляды на изучение МЛ. Просто увидел ребят, которые бросали в первый месяц и больше не возвращались.

Самый большой класс ограничивающих убеждений -  это вера в то, что вы не можете начать, пока у вас нет определенных знаний.
На самом деле настоящее машинное обучение требует таких знаний математики, что даже ресечеры гугла не знают всего этого. Да, чтобы освоить МЛ требуется много времени, знаний математики и многого другого, но не все сразу и не все в самом начале. Ты можешь начать прямо сегодня, прямо сейчас.

Теперь я считаю, что для старта нужно просто уметь ориентироваться и иметь понимание математических объектов. Скажем просто понимать, что такое производная или градиент, но при этом можно даже не уметь брать производную сложной функции, для старта этого будет достаточно. Тем более, ресурсы по математики мы уже собрали. Когда будет понимание, можно приступать к машинному обучению. И по ходу наверстывать математику, разбираться более детально.

Ты можешь запустить свой первый алгоритм уже сегодня, какого хера ты просто сидишь?

Кстати, у меня есть шпора по математике, которая используется в МЛ. Только не надо блять пытаться по ней ботать, подобные шпаргалки просто служат для того, чтоб освежить в памяти забытое.

Шпаргалка → https://goo-gl.su/kgkI

Не останавливаемся на достигнутом, братва

​​Здорова, бандиты

Я тут недавно спизданул, что важно иметь понимание математических объектов, а не умение решать сложные примеры, для того чтоб вкатиться в МЛ. Ну и сразу посыпались вопросы: мол чем это отличается? а че решать примеры не надо? Ну вы поняли. Конечно, за такие вопросы надо въебать первоклассно, но воспользуемся другим подходом, рассмотрим курс по лин. алгебре от MIT, который ставит мозги на нужное место.

Курс называется «Matrix Methods in Data Analysis, Signal Processing, and Machine Learning», сразу с прицелом на МЛ, то что надо. Внутри курса 36 лекций, которые сформируют хорошее представление о Лин.Алгебре и не только, там и про SVD расскажут, и про градиентный спуск.
Отличительной чертой курса является то, что он подойдет как и нубам на старте, так и бывалым волчарам.
Лектором выступает 84 летний Gilbert Strang, который легко даст просраться современным преподам, пусть вас это не смущает.
Уже слышу вой по поводу домашек. Не надо переживать, я их нашел.
Домашки что надо, они именно на понимание материала, а не «нарисуй-ка сука 2 треугольника сверху на матрице, поздравляем это определитель», тут такого нет, все красиво.

Курс → https://www.youtube.com/playlist?list=PLUl4u3cNGP63oMNUHXqIUcrkS2PivhN3k
Домашки → https://u.to/luaiFg

Кстати, любой курс по Лин. Алгебре и все что с ней связано можно дополнять бомбическими визуализациями, и немного иным способом преподнесения информации от 3Blue1Brow

Визуализации + объяснения → https://t.me/mommyscience/11

Именно такого понимания хочет от вас машинное обучение.

Работаем, братва