Що вчити, щоб стати ML / CV Engineer у 2026? Базова програма підготовки від команди The Fourth Law
Ми в команді регулярно отримуємо запит на матеріали для базової підготовки на ML / CV Engineer, тому розробили свою версію програми, щоб поділитись з усіма.
Логіка проста — рекомендуємо тільки те, що колись проходили самі.
Спочатку базовий вступ на Kaggle Learn, паралельно математика (необхідний мінімум, який дозволить розуміти все далі), потім класичний CV та CS231n і фіналимо найважливішим — практикою на
Якщо вам релевантно — користуйтесь, будь ласка, всі матеріали доступні безкоштовно.
А ми будемо вдячні, якщо напишете, що зайшло, а чого бракувало.
За минулі 6 місяців наша команда зросла втричі і ми далі активно шукаємо вмотивованих та талановитих інженерів — а проходження навіть 50% цього списку гарантуватиме вам запрошення до нас на інтерв’ю.
35 коментарів
Додати коментар Підписатись на коментаріВідписатись від коментарівА таке саме, тільки про навігацію, спостереження і контроль(cns)?👀
вітаю! попитав у фахівців з цих напрямків в команді, ось що радять:
— для початку розібратися з monocular odometry, та поєднанням з сенсорами: гіроскопами, акселерометрами, барометрами
— для мап-матчингу потрібно глянути в сторону particle filter (monte carlo localization), а також на різновидити задач по visual place recognition та cross-view localization
— потім можна спробувати реалізувати ось цей алгоритм від theacademia.tech
www.mdpi.com/2504-446X/10/2/97
от ще зі свіжого від NVIDIA, що виглядає дуже корисино:
Introduction to Computer Vision — arxiv.org/pdf/2609.39627
sbirchfield.github.io/cvintro
На ринку є інженери здатні зробити все що вам треба, від таких програм підготовки ви отримаєте людей на яких підуть ще роки підготовки і втрачених неробочих mvp
Ви втрачаєте час якого у вас немає
можна сказати по іншому: «поки ти то вивчиш воно стане непотрібне »
це якшо дуже довго вивчати
воно швидко змінюється, так що не встиг вивчити, а воно не актуально
друже, все змінюється надзвичайно швидко і шоб бути актуальним треба прям постійно бути у вирі того, що зараз робиться і як, плюс саме на практиці, а не в теорії — принаймні я інакшого робочого способу не знаю
та тут велика частини бази, яка є фундаментально однаковою для всього напрямку cv
не конкретні методи та алгоритми, а їх принципові складові
як і математика, так не застаріває — навіть коли вже не юзається as is, то служить підгрунтям для коректного розуміння у інженера
це як мода з бокчейном, тільки з більшим прискоренням
математика хоч трохи допомогає оволодіти базою понятійного мислення, але в житті мало придатна крім мізерного середовища гіків
ага, тоді ясніше чого в стат.аналізатори почали додавати мат.попередження шкільного типу — то для «понятійних» програмистів
програмісти це не математики і не фізики (як і не радіофізики)
на моїй пам«яті з освітою мехмата/фізмата або якого іншого «-мата» вистачить пальців одної руки перерахувати знайомих.
хто от пригадає по пам"яті без (підглядання в гугл/вікі/ШІ/підручник whatever) як знайти власний вектор матриці, і що то таке хоч взагалі
думаю що і в школі чи не було математики, чи була прогуляна десь в перших класах, бо інакше попередження для програмістів відносно базових речей, нп як оперують зазвичай з стд ±*/, пояснити булоб важко.
Приклад з clang(-tidy)
це не відносно матриць чи нп розуміння quaternions для ротації, це щодо бази
це просто така домовленість (як в UK лівосторонній рух) можна домовитись про зворотний польський запис операцій, і це ніяким боком ні до логіки ні до понятійного мислення
домовленість, базова
і такого типу annoying warnings впадають в очі підштовхуючи задуматись для кого то
домовитись можна про що завгодно, на то і домовлення ті існують
тому це саме
відповідь нашої команди на запит «а що мені вчити, якшо розглядаю себе як ml / cv engineer»
і так, досвідчені та компетентні інженери звісно є, це програма не для них)
Мій базовий список, не по порядку складності. FreeCodeCamp all the way:
круто, дякуємо за доповнення, буде корисно
бачу шо в нашій підбірці перетинаються 3Blue1Brown, а от інших схоже нема
Нещодавно тренував yolo для розпізнавання зображення з коптера, щоб потім застосовувати в симуляції. На валідаційному і тестовому наборах даних все було нормально, а вже на зображенні з симуляції — ні.
Довелось багато попрацювати із аугментаціями та змішати кілька наборів даних для досягнення генералізації. Тому думаю що ці теми теж треба розкривати:
++, гарне доповнення, дякую
альбументейшнс топ і статті хороші
в нашій підбірці знайомство з аугментаціями відбувається спершу в 6му уроці мікрокурсу Computer Vision на Kaggle Learn, а потім додатково теоретично обгрунтовується ще в CS231n там де регуляризації. Втім, на практиці це вже хіба далі на компетішнах.
щодо робофлоу та фіфтіван також однозначно плюс, користуємось регулярно
Дякую!
Тільки недавно склав собі перелік тем які треба вивчити для Computer Vsion аналізуючи вакансії, але почну з вашого, виглядає простіше + одразу із посиланнями на матеріали
супер, якраз вчасно)
Кацапський курс по нейромережам доволі непоганий тут
дякую!
у рускіх дійсно бувають непогані курси, щоправда востаннє шось їхнє на цю тему дивився в 2015 від Школи Аналізу Даних яндексу, там Воронцов сильний лектор і практик — воно було толкове, та станом на сьогодні пропоную обирати альтернативні матеріали
в мене в курсі де-які теми перетиналися з його. в якості безсоромної самореклами: github.com/...eilstein/machine_learning , може щось з того підійде як заміна якихось тем «від вітчизняного виробника» )) ще такий маю коротенький github.com/...beilstein/neural_networks , але там відео тільки англійською. і самопал на тему машин опорних векторів github.com/...ilstein/simplest_smo_ever
дякую!))
по МН хороші матеріали, частину використовував при підготовці свого ще декілька років тому.
радий що сподобалось. може ще в нейронках щось цікаве знайдете, там лекції 1, 2, 4 (останні дві якраз ті що знімали без світла через блекаути) повністю новий матеріал.
повага
цей гай дуже добрий але в ньому є математика у базі)
а це мова про який саме?)
Веу, дякую, в вільний час цікавлюсь цим питанням, подивлюсь може шось впустив )
чудово, сподіваємось буде корисним!
Thank you!
залюбки!