Я тут немного поностальгировал и решил рассказать вам о своём первом опыте коммерческой разработки.
До этого проекта у меня не было вообще никакого коммерческого опыта. Были обучение, учебные задачи, свои небольшие проекты, но одно дело делать что-то для себя, где дедлайн можно перенести, а ошибку никто, кроме тебя, не заметит. И совсем другое — когда есть заказчик, конкретное ТЗ и ответственность за результат.
Так у меня появился CarPrediction.
Нужно было собрать не менее 10 000 качественных и уникальных фотографий китайских автомобилей, равномерно распределить их по классам, подготовить датасет и обучить модель распознавать 54 модели машин. Вместе с моделью заказчик должен был получить код, веса, конфигурацию, метрики, графики обучения и матрицу ошибок.
Когда я впервые прочитал ТЗ, задача выглядела вполне понятной: собрать фотографии, обучить модель, оформить результат. Что тут может пойти не так?
Как оказалось, примерно всё.
Одних только фотографий требовалось десять тысяч. Мы собирали их с автомобильных площадок, в основном с Auto.ru и «Дрома», немного из Google. Для этого написали парсер, который проходил по списку автомобилей, открывал объявления и сохранял изображения.
Но просто скачать картинки недостаточно. Нужно проверить качество, убрать дубли, правильно разложить данные по 54 классам, выровнять количество фотографий и подготовить всё к обучению. Некоторые изображения приходилось обрабатывать отдельно. А ещё нужно было следить, чтобы модель училась именно распознавать автомобили, а не запоминала случайные детали фотографий.
Весь проект вели через GitHub: отдельные ветки, коммиты, pull request и ревью. Для меня это тоже было частью первого коммерческого опыта. До этого Git казался просто местом, куда можно загрузить код. Здесь я впервые почувствовал, что это рабочий инструмент команды и что один неудачный коммит может устроить очень весёлый вечер.
Так и случилось. В какой-то момент из репозитория пропала часть фотографий. Начали разбираться, смотреть истор
106 · 11 июля 2026
Видео
ML MVP CarRecognition 2025.10.19 Sun.mp4 · 9.3 МБ · нажмите — покажем
ML MVP CarRecognition 2025.10.19 Sun.mp4 · 9.3 МБ · нажмите — покажем
Именно такой подход мы используем в SenatorovAI. Здесь можно не только изучать Data Science и ML, но и пройти стажировку, поработать в команде с опытными разработчиками и получить первый настоящий проект в портфолио.
Если у тебя пока нет коммерческого опыта, это не значит, что рано начинать. У меня тоже когда-то был полный ноль.
Хочешь так же? Приходи на обучение и стажировку:
senatorovai.com
132 · Speaking Club
13.07.2026, 9:30 PM (GMT+3)
Theme: "Neuro-Linguistic Programming (NLP)"
1.What does the term "Neuro-Linguistic Programming" mean?
2. When did it become popular?
3. What is it used for?
4. What types of techniques does it include?
5. Have you ever heard of it?
6. What is your attitude toward it?
7. What do you think about combining Neuro-Linguistic Programming with Artificial Intelligence?
138 · Общий созвон состоится 15.07.2026 в 19 00 gmt+3, в формате мини-конференции+ответы на вопросы студентов.
Студенты готовят небольшие выступления по темам:
@Financ_Manager - что такое PullRequest, Issue, Commit, Branch на гитхаб
@aquosharp Выпуклая и невыпуклая оптимизация(Что это вообще)
@Toleranzy Локальные и глобальные экстремумы(на примере элементарных функций)
@dddos_1107 что такое Stash и для чего он нужен
@Viktor_Vin1 Применение линейной алгебры в Sklearn.
Также ответим на ваши вопросы.
132 · Ссылка
нажмите — покажем
нажмите — покажем
Всем привет, Сенаторовцы! 👋
Меня зовут Игорь
Роль в школе: начинающий стажёр.
Уровень английского: начинающий (~3000 слов).
Откуда узнал о школе: YouTube.
Опыт в IT: отсутствует.
Цель обучения: научиться разрабатывать нейронные сети с нуля, изучить Data Science, реверс-инжиниринг алгоритмов и аналитический подход к машинному обучению.
Страна: Россия.
Хобби: в свободное время изучаю Data Science, математику и машинное обучение.
GitHub: https://github.com/igorek747/igorek747
Kaggle: https://www.kaggle.com/neznaika100
ODS.ai: https://ods.ai/users/ac2ebd7741d73
Спасибо за внимание! Очень рад начать свой путь в мире IT вместе со школой SenatorovAI. 😄
Youtube | SenatorovAI | Live
139 · 14 июля 2026
Ссылка
нажмите — покажем
нажмите — покажем
Общий созвон состоится 15.07.2026 в 21 30 gmt+3, в формате мини-конференции+ответы на вопросы студентов.
Студенты готовят небольшие выступления по темам:
@Financ_Manager - что такое PullRequest, Issue, Commit, Branch на гитхаб
@aquosharp Выпуклая и невыпуклая оптимизация(Что это вообще)
@Toleranzy Локальные и глобальные экстремумы(на примере элементарных функций)
@dddos_1107 что такое Stash и для чего он нужен
@Viktor_Vin1 Применение линейной алгебры в Sklearn.
Также ответим на ваши вопросы.
https://t.me/SENATOROVAI?livestream=9f3a305b2e0b2cf092
173 · 15 июля 2026
Ссылка
нажмите — покажем
нажмите — покажем
Hi there! I'm Andrej Maximov, an intern. This is my first introduction report. My English level is somewhere between B1 and B2 now, little rusty.
I've heard about the channel from TG channels about Python and DS. Learning Python and SQL here and there. I don't have real project experience. I'm looking forward to switch from my current job to developer/analyst in DS. I'm from Russia, Moscow. I like jogging, swimming.
https://github.com/Maximovex
https://ods.ai/users/y9c95cdb6d769/tracks
https://www.kaggle.com/andrejmaximov
187 · 19 июля 2026
My first deep dive into Linear Regression
I'm on a mission to destroy the black box beliefs about ML in my head, and Linear Regression is where I started. Before this I had no idea there were actually two different approaches to solving it, analytical methods and numerical methods, so that alone was a big realisation for me.
I learned the closed form solution, the normal equation, and how to derive it completely from scratch instead of just using it as a ready made formula. I saw how it comes from the loss function, the sum of squared errors, by taking partial derivatives with respect to theta zero and theta one and setting them to zero. That gives you a system of two equations with two unknowns, which is the scalar form of the normal equation. I also figured out how this scalar form connects to the matrix form, since writing out X^T X and X^T y explicitly for simple linear regression gives you the exact same system.
On top of that I learned when the analytical approach actually makes sense and when it doesn't. Inverting X^T X costs O(n^3) where n is the number of features, so it works fine with a lot of samples but becomes slow and unstable once you have a lot of features. That's exactly where numerical methods like Gradient Descent come in, since they don't need matrix inversion and scale much better.
144 · 21 июля 2026
Ссылка
нажмите — покажем
нажмите — покажем
Hello everyone! My name is Kirill Levin. I am from Belarus. I am an intern at the school. My English level is A2. I found the school from a YouTube video. Before this, I studied Machine Learning and Python by myself at a basic level. My goal is to grow professionally and start earning money with my skills. I am a third-year university student, and my major is Applied Mathematics. In my free time, I love playing volleyball. Nice to meet you all!
Here are my links:
GitHub: https://github.com/curseofuselessness
Kaggle: https://www.kaggle.com/aqqurateew
ODS: https://ods.ai/users/u4cda87c2fb50
174 · 29 июля 2026
Всем привет! Недавно прошёл соревнование на Kaggle по предсказанию цен на дома и хочу поделиться впечатлениями. В рамках задачи нужно было с нуля выполнить EDA-анализ, обработать пропуски, закодировать категориальные признаки, стандартизировать числовые переменные, прологарифмировать целевую переменную (цену дома), а также обучить несколько моделей и выбрать среди них лучшую.
Мой лучший скор составил 0.1258 — это значит, что модель предсказывает цену с погрешностью около 12%. Для первого раза, думаю, результат неплохой, но очевидно, что есть куда расти. Буду рад любым советам и конструктивной критике!
133 · 2 августа 2026
Ссылка
нажмите — покажем
нажмите — покажем
Hi everyone. My name is Mikhail, and I’m from Russia. I’m an intern on the course. I previously studied Python and SQL on my own. I found out about this course through a Telegram channel. My background is in accounting and economics, and my English level is B1. My goal is to learn Data Science — specifically the analytical approach to machine learning, so I can work in this field. I really enjoy walking and visiting new places. That’s probably my main hobby. Nice to meet you all.
https://ods.ai/users/teaf243d55b41
https://www.kaggle.com/mkanevskii
https://github.com/mkanevskii2021
61 · 5 августа 2026
Ссылка
нажмите — покажем
нажмите — покажем
Optimization of Parameters and Comparison of Models in Regression Analysis
Regression Analysis: Regression analysis in modern science and business has long ceased to be merely a tool for describing data. Today, it is a complex engineering challenge where success depends not only on the choice of algorithm but also on the fine-tuning of its "internal gears"—hyperparameters. However, the pursuit of accuracy on the training set often leads to the trap of overfitting, which is why optimization and valid comparison become key concepts in this field.
Parameter Optimization: In regression, parameters are typically understood as two entities: model coefficients (which we compute directly, e.g., via OLS) and hyperparameters (set before training begins). While the former are found analytically, the latter represent a field for experimentation. This includes the regularization coefficient C in Ridge or Lasso regression, the kernel parameter gamma in SVR, or tree depth in gradient boosting.
The main challenge here is computational complexity. While exhaustive search (Grid Search) is reliable, it grows exponentially with the dimensionality of the parameter space. It is being replaced by stochastic methods such as Random Search and more advanced Bayesian approaches (Optuna, Hyperopt), which remember the history of failed attempts and purposefully move toward regions with minimal error. The golden rule of optimization is that the success criterion is not minimal error on the training set but the stability of the metric on the validation set, achieved through cross-validation.
Model Comparison: Once models are tuned, the illusion arises that they can simply be compared using metrics like R² or MAE. However, this path leads to erroneous conclusions. Fair comparison requires strict discipline:
Unified benchmarking environment: all models must be evaluated on the exact same test holdout that was not involved in either training or hyperparameter tuning.
Statistical significance: the fa
127 · Фотография
нажмите — покажем
нажмите — покажем
Фотография
нажмите — покажем
нажмите — покажем
Фотография
нажмите — покажем
нажмите — покажем
Фотография
нажмите — покажем
нажмите — покажем
Фотография
нажмите — покажем
нажмите — покажем
Фотография
нажмите — покажем
нажмите — покажем
Фотография
нажмите — покажем
нажмите — покажем
Фотография
нажмите — покажем
нажмите — покажем
Фотография
нажмите — покажем
нажмите — покажем
Фотография
нажмите — покажем
нажмите — покажем
Посчастливилось встретить нашего Учителя и получить автограф сертификата с Udemy по Open Source
704 · 10 августа 2026
Ссылка
нажмите — покажем
нажмите — покажем
Role: Trainee
English level: B1–B2.
How I found out about the school: don't remember
Previous experience: I have 5+ years of experience as a Data Scientist, working with machine learning, time series, anomaly detection, econometric modeling, and black-box optimization.
Learning goal: To strengthen my Machine Learning and MLOps skills, gain more hands-on experience with production ML systems, and prepare for a Middle-level ML/AI Engineer position.
Country: Russia.
Hobbies: Social dancing, hiking.
Links:
https://github.com/anaskras
https://www.kaggle.com/anaskras
https://ods.ai/users/s36b3b6afbda7/tracks
115 · 13 августа 2026
My name is Bogdan Mochalov. I am a second-year student of Applied Mathematics at MIET (Moscow Institute of Electronic Technology), Russian Federation.
Role: Intern. I will submit regular reports, complete homework assignments, and communicate with the instructor as required.
English proficiency: B1 (Intermediate).
Referral source: Referred by a friend.
Previous experience: Basic knowledge of Python. Completed several small-scale personal projects for educational purposes.
Learning objective: My goal right now is to become a junior developer.
Location: Russia.
Hobbies: Gym, trips, mathematics.
Profiles:
GitHub: https://github.com/flenotGr
Kaggle: https://www.kaggle.com/mochalovbogdan
ODS: https://ods.ai/users/jd4c6d38e82fc
58 · 14 августа 2026
My name is Nikolai, and I was admitted to Novosibirsk State University (NSU) this year.
Role: Reserve member — planning to become an intern around mid-September
English level: B2
Referral source: Found you through YouTube recommendations.
Previous experience: Basic knowledge of Python and libraries (NumPy, Pandas, Matplotlib, scikit-learn). Completed several school projects and participated in a Kaggle competition.
Learning goal: To gain the skills necessary for employment.
Location: Russia
Hobbies: Playing guitar, gaming, competitive programming
GitHub: https://github.com/InitNya
Kaggle: https://www.kaggle.com/staraurum71
ODS: https://ods.ai/users/nde1216cdac91
38 ·