Чи реально увійти в ML/NLP за 6-12 місяців при навчанні 2-4 години в день?

💡 Усі статті, обговорення, новини для початківців — в одному місці. Приєднуйтесь до Junior спільноти!

Маю 27 роки. Досвіду в ІТ немає, математична база мінімальна, множу в стовпчик. Є офіційна відстрочка. Працював у різних напрямках (у т.ч. технічних), але розумію, що не хочу йти в роботу типу будівництва чи зварювання — це не моє.

Навчаюся самостійно: Python, базові алгоритми, читаю про NLP/ML. У мене сильні сторони — швидке навчання, аналітичне мислення, велика наполегливість. Але слабке місце — технічні скіли, досвіду та освіти немає.

Важливий момент: коли програмую, є спокій і відчуття, що рухаюсь у правильному напрямку. Але я розумію реалії ринку: зараз найчастіше беруть або зі стажування/університетських програм, або з сильним портфоліо та проєктами.

Питання:

1. Чи реально за 6–12 місяців (навчаючись 2–4 год щодня) вийти хоча б на trainee/intern рівень у ML/NLP?

2. Чи варто зараз фокусуватись на ML/NLP, чи почати з Python + backend/data engineering основ і вже потім рухатися в бік ML?

3. Яку мінімальну базу треба закрити, щоб мене хоча б теоретично могли взяти на стажування?

4. Чи реально без університету і при самоосвіті отримати першу можливість, якщо є мотивація й системність?

Буду вдячний за будь-які поради. Хочу реально оцінити шанси й зрозуміти, чи продовжувати рух у напрямку ML/NLP.

Не питаю в чат джпт, бо він дуже «радужні» картини малює.

👍ПодобаєтьсяСподобалось2
До обраногоВ обраному3
LinkedIn
Дозволені теги: blockquote, a, pre, code, ul, ol, li, b, i, del.
Ctrl + Enter
Дозволені теги: blockquote, a, pre, code, ul, ol, li, b, i, del.
Ctrl + Enter

Так можливо. Для того щоб тебе хоча б теоретично могли взяти на стажування в ML/NLP, потрібно мати базову інженерну підготовку: упевнене володіння Python, розуміння ООП, вміння працювати з Git, базові навички Linux, роботу з віртуальними оточеннями, елементарне тестування та дебагінг. З математичної частини достатньо баз лінійної алгебри, теорії ймовірностей, статистики та елементарного аналізу. Також потрібно впевнено працювати з інструментами для обробки даних: NumPy, Pandas, Matplotlib або Seaborn, а також мати навички очищення даних, побудови ознак, коректного поділу вибірок і розуміння основних метрик. У машинному навчанні — знати базові моделі й прийоми: логістичну регресію, дерева рішень, випадковий ліс, бустинг, розуміти регуляризацію й природу перенавчання, а також вміти застосовувати scikit-learn. Для NLP потрібні знання токенізації, попередньої обробки тексту, підходів Bag-of-Words, TF-IDF, робота зі вбудовуваннями, базове уявлення про RNN/LSTM і трансформери та вміння мінімально взаємодіяти з моделями через HuggingFace. З інженерного боку бажано мати розуміння Docker та вміти винести модель у простий REST API. І обов’язково — кілька завершених ML та NLP проєктів у GitHub із зрозуміло оформленими ноутбуками та README. + English.

Це мінімальний набір, який дозволить розглядати тебе як кандидата.

Але навiщо создавати з нуля, простiше iнтегрувати готовi рiшення. Щоб інтегрувати готові LLM-рішення в проєкт і додати підтримку голосового введення та виведення, потрібно впевнено володіти Python Core і вміти створювати REST API за допомогою популярних фреймворків на кшталт FastAPI, Django, Flask. Знадобляться знання SQL і роботи з базами даних, а також бібліотек для підключення до LLM-платформ — OpenAI, AWS, Anthropic та інших провайдерів. Важливо розумітися на Docker для контейнеризації сервісів і на інструментах хмарних платформ, передусім AWS, щоб налаштовувати розгортання, зберігання та масштабування. Такий набір дозволяє зібрати повноцінний сервіс, який звертається до моделей, обробляє запити, працює зі звуком та інтегрується в інфраструктуру проєкту.

Це простiше. Тут як такове не потрiбно то, що я писав в першiй вiдповiдi. Потрiбно тiльки Python Core (або люба iнша мова), SQL Data Base, frameworks: Django, FLASK, FastAPI (або фреймворки iншоi мови). Aws web services, docker. Це все.

Самий кращий спосіб це практика, вигадай будь яке завдання й зроби на ШІ, за рік дуже далеко просунешся.

В тему топіку — на минулому тижні запустили нову рубрику: Корисний ресурс тижня. Та першим якраз розглянули курс по Machine Learning від Google dou.ua/forums/topic/56459
Може буде корисно :)

На Амазоні є багато книг «Practical NLP/ML/...» з практичними проєктами. Можна проходити книгу, розбираючися одночасно з теорією та практикою, ті ж проєкти потім додати в резюме win-win. Перед тим як щось робити, важливо ще подумати, наскільки актуальні NPL та ML з теперішніми можливостями LLMок.

Знань не достатньо щоб зрозуміти чи варто іти далі, або як хобі буду цим займатися якщо LLM буду швидше розвиватися за мене

1) Реально. Головне, знати що вчити і як. Сам з цим боровся) Коли є план, все йде як по маслу, а коли не знаєш що вчити, то будеш йти як равлик.

2) Скажу так, ти будеш щось вигадувати з AI тільки на рівні Senior, а нижче, ти просто будеш брати готову ШІ, і влаштовувати кудись, тому все таки треба знати бєк-енд. Хочаб базово. Зазвичай.

3) Все залежить від вакансії, але, знай як влаштовані трансформери, RAG, та базові ML.

4) Університети в наш час — дно, кажу як студент, навіть тобі простіше, бо, тобі не треба вчити нічого зайвого. Університети треба тільки для звʼязків.

Це я пишу про роботу, бо стартапи, там все по іншому.

1. Так
2. На все перелічені варто фокусуватися.
3. Пет проекти.
4. Так.

Підписатись на коментарі