🤩 Роудмап дата сайентиста: от джуна до синьора Что учить, в каком порядке и где брать бесплатные материалы. Сохраняйте 🤩 Этап 0. Фундамент Математика и статистика:

Линейная алгебра, производные, градиентный спуск Теория вероятностей, распределения, проверка гипотез Доверительные интервалы, корреляция и причинность

Python и SQL:

Python, NumPy, Pandas, Matplotlib SQL: JOIN, CTE, оконные функции Git, Jupyter Notebook, EDA

Ресурсы:

• Математика — Яндекс • Основы статистики — Stepik • Python — Kaggle • SQL — Kaggle • 3Blue1Brown Чек-лист: умею работать с данными в Python, писать SQL-запросы и объяснять основные статистические понятия

🤩 Этап 1. Junior — классический ML Что учить:

Регрессия, классификация, деревья решений, Random Forest, градиентный бустинг Кластеризация, feature engineering Train/validation/test, cross-validation Метрики: F1, ROC-AUC, MAE, RMSE Overfitting, data leakage, scikit-learn

Ресурсы:

• Хэндбук ML — Яндекс • Intro to ML — Kaggle • ML Crash Course — Google • Курс по scikit-learn Практика: постройте модель классификации или регрессии, сравните алгоритмы и оформите проект на GitHub

Чек-лист: умею пройти путь от подготовки данных до оценки модели и объяснить выбор метрик

🤩 Этап 2. Middle — самостоятельные ML-проекты Что учить:

CatBoost, LightGBM, XGBoost, подбор гиперпараметров SHAP, калибровка вероятностей, дисбаланс классов A/B-тесты, bootstrap, временные ряды Python-проекты, тестирование, API, Docker Воспроизводимость экспериментов

Ресурсы:

• An Introduction to Statistical Learning • Open Machine Learning Course • Kaggle — Feature Engineering • Made With ML Практика: создайте воспроизводимый ML pipeline, исследуйте ошибки модели и сравните несколько решений

Чек-лист: самостоятельно формулирую задачу, выбираю валидацию, нахожу утечки и аргументирую выбор модели

🤩 Этап 3. Senior — production и бизнес Что учить:

ML pipeline, batch/real-time inference MLOps, CI/CD, Docker, мониторинг моделей Data drift, concept drift, переобучение Архитектура ML-решений, стоимость и надёжность Бизнес-метрики, приоритизация, коммуникации

Ресурсы:

• Google — Production ML Systems • MLflow • Data Science Roadmap — GitHub Практика: разверните модель через API, добавьте мониторинг и продумайте обнаружение деградации

Чек-лист: понимаю, когда ML действительно нужен, оцениваю бизнес-эффект и принимаю архитектурные решения с учётом рисков и стоимости

🤩Этап 4. Выбор специализации

После освоения базы выберите направление:

Deep Learning: fast.ai, PyTorch NLP и LLM: Hugging Face Course, AI Engineering from Scratch Рекомендательные системы: Google ML Временные ряды: Kaggle

Какие ресурсы по дс вы бы добавили в эту подборку? Делитесь находками — дополним роудмап вместе 🤩