Куда податься, если вы собрались изучать машинное обучение и ИИ?
Я думаю, что машинное обучение/ИИ — это более правильный выбор для молодого человека, чем блокчейн. Сегодня машинное обучение является сферой, которая испытывает серьёзный дефицит кадров. И я подозреваю, что радикально ситуация не изменится ещё долгое время. С blockchain ситуация сложная — многие специалисты считают, что интерес к этой сфере сравнительно кратковременный, большая мода на blockchain-решения пока что мало подкреплена реальными успехами применения в областях, не связанных с криптовалютами. Машинное обучение, напротив, это набор технологий, востребованных в широком спектре областей применения — от банковской сферы до хемоинформатики и биотехнологий.
Начиная обучение нужно понимать, что один курс (даже хороший) или одна прочитанная книжка (даже отличная) не сделает из вас квалифицированного специалиста, даже при наличии у вас некоторой ИТ-шной базы. Но это не должно вас отпугивать, даже выпитая литровая кружка начинается всего с одного глотка. Если вы уже посмотрели обзорно-болтологические лекции типа моих (https://www.youtube.com/playlist…) или хотите сразу приступить к чему-то сугубо практическому, что первое, что приходит в голову посоветовать облигатно русскоязычному ученику, это курсы, которые готовит «Яндекс» совместно с ГУ-ВШЭ и МФТИ.
https://www.coursera.org/sp…/machine-learning-data-analysis…
https://www.coursera.org/learn/vvedenie-mashinnoe-obuchenie…
Но в целом, конечно, не стоит надеяться на то, что предмет удастся освоить на хорошем уровне без знания английского языка, хотя бы его ИТ-шного диалекта. Из англоязычных курсов неплохо взять Стэнфордский от Эндрю Ына (Andrew Ng) — http://cs229.stanford.edu/ и курс по нейронным сетям Джеффри Хинтона (https://www.coursera.org/learn/neural-networks) — это
живые классики в нашей области.
Технический английский всё-таки более прост, чем общеупотребительный или литературный язык, так что возможно это может стать заодно и способом подтянуть язык, т.к. он очень пригодится в будущем — для того, чтобы искать информацию на stackoverflow или читать ключевые исследовательские работы, которые выходят довольно часто — машинное обучение быстро развивается, и лучше всего читать первоисточники, ос
