dou.ua/...​ow-to-become-ml-engineer

Так. Можна самому створювати свої картки, додавати картинки, аудіо, приклади використання слів в реченнях і тд. Але, на жаль, перевірки вимови там нема. Для вимови можна спробувати shadowing technique.

Anki

Как человек прошедший похожий путь, могу сказать одно: только вперед. Сначала тяжело, но с каждым днем каждая новая задача дается все легче, новая информация схватывается все быстрее.
Дам один совет: больше уделяйте внимания на математику, статистику, теорвер (базу которая нужна в DS). На начальном этапе нужно знать базовые вещи, когда устроитесь на работу будете копать уже более глубоко.

hyperskill.org Все доступно разжевано, автоматическая проверка заданий + несколько проектов покрывающих практически все нужные темы.

Модель- это алгоритм, тренировка модели- это тренировка алгоритма

Первое и самое важное это английский.
Второе — статистика, теорвер, линейная алгебра (если плохо с английским советую платформу stepic.org (там есть неплохой курс по основам статистики и теорвер))
Если с английским хорошо тогда youtube канал Siraj Raval.
Третье- алгоритмы машинного обучения (youtube канал Siraj Raval или степик).

(из инструментов, я так понимаю, для старта нужно освоить хотя бы SQL и Python

Одного Питона недостаточно. Кроме самого языка нужны еще библиотеки Pandas, Numpy, Matplotlib, sklearn etc.

И по моему скромному мнению самое главное:

Нужно знать и понимать когда применить тот или иной метод и какие его преимущества и недостатки, а это приходит только с практикой и опытом.

На начальном этапе для практики советую Kaggle. После, придумайте себе задачу на текущем месте работы и попробуйте получить нужные данные, очистить их и построить модель.

Например: попробуйте разбить на кластеры поставщиков с которыми вы работаете или спрогнозируйте потребность в каком-нибудь материале для производства и тд.

Из своего опыта ( 2 детей + работа):
1. Исключить фейсбук, контакт, однокласники и тд. Я в свое время заблокировал все свои учетки + удалил на телефоне приложения. Первое время была ломка, чего-то не хватало- потом привык. Время = 30 мин.
2. Телевизор == лишняя трата времени. Исключить просмотр, а лучше выбросить. Смотреть там все равно нечего. Время = 30 мин.
3. Дорога на работу/с работы. Читай книги, смотри видео и тд. Время = 60 мин.
4. Обед на работе. Я обедал за 15 минут , возвращался на рабочее место и час (иногда немного больше) занимался своим проектом или проходил онлайн курсы. Время = 60 мин.
5. В зависимости от возраста детей, у меня еще получалось читать книги на детской площадке.
6. Вставать на час раньше . Я вставал в 6 утра и до 7 изучал английский. Время = 60 мин
7. Выходные дни. Выделить по максимуму времени (здесь как у кого получится). У меня получалось в среднем 3 часа в день.

В итоге имеем минимум 3 часа каждый день.

Посмотри здесь:it-simulator.com/#/article/1/3. Есть все от установки Java до Spring, Hibernate,Docker и тд. Очень советую. В свое время мне очень помогло.
Хорстманн для начинающего очень сложная книга.

В двух словах это описать очень трудно. ML решает большой круг задач, самые распространенные из них:
1. Классификация- отнесение объекта к одной из категорий на основании его признаков.
2. Регрессия- прогнозирование какого- либо количественного признака на основании других его признаков.
3. Кластеризация- разбиение объектов на группы по схожести признаков объектов.
4. Поиск аномалий и тд.

Изучение нужно начинать с математики (функция, предел ф-ции, производная ф-ции, градиент, оптимизация ф-ции и тд), статистики (распределения, мода, медиана, доверительный интервал, создание и проверка гипотез и тд) , теорвер, линейная алгебра (матрица, вектор, системы линейных уравнений и тд). Без хорошего понимания всего этого будет трудно.

Сразу в бой, писать код. Теория без практики забывается мгновенно.
Я начинал с курса «Введение в программирование на языке Java » Яков Файн.
www.youtube.com/...​bZefB1_hhS68092rbF4HFtKjW
Очень доступно все разжевано, начиная от установки IDE и заканчивая вебом и базами данных.

Теория вероятности нужна если будете работать в сфере машинного обучения.

Ви невірно вибрали у з датафрейму. Спробуйте вибрати по назві:
X = data[’Money’]
y = data[’SB’]

print(regressor.intercept_)
print(regressor.intercept_)
Вийшло 6.89 та [-0.01311009 —0.00413568 0.01895583]
І тепер я не розумію що це за цифри? ))) що вони означають?

"

intercept_ це коеф який показує яке значення має у коли всі х = 0
coef_ показує на скільки одиниць збільшиться/зменшиться у при збільшенні/зменшенні х на одиницю

y- кількість відвідувань, х- сума грошей. Вам потрібно розрахувати на скільки збільшиться/зменшиться у при збільшенні/зменшенні х (потрібно розрахувати коефіцієнти). В sklearn повинно бути щось типу:
reg = LinearRegression().fit(x,y)
reg.intercept_ (це коеф який показує яке значення має у коли всі х = 0)
reg.coef_ (показує на скільки одиниць збільшиться/зменшиться у при збільшенні/зменшенні х на одиницю)

Прочитайте як це реалізовано в Excel (там є пояснення про коефіцієнти):exceltable.com/...​onno-regressionnyy-analiz

Если дружите с математикой и статистикой посмотрите в сторону Data Science. Здесь есть и аналитика и программирование и ИИ (заодно развеете или подтвердите миф № 3).

Добрый день.
Помогите пожалуйста с резюме. Разместил на сайтах по поиску работы, просмотры есть, а откликов 0.
Может что-то убрать или добавить? Буду признателен за любые советы.
Заранее благодарен за помощь.
drive.google.com/...DZx3R64FCRUkZMVXQ5U0tDY2M