>щас изучаю numpy и pandas
зачем ты изучаешь библиотеки для работы с массивами? и главное что ты там изучаешь. МЛ это теоретическая база в первую очередь, затем уже знание классических задач и подходов к ним: где какую модель или технику машоба применить и т.д.
У нейронки спроси долбаеб.
плюсую, по мл либо хендбук яндекса, но сам его не оч люблю, либо глубокое обучение от гудфеллоу. Обе хороши тем, что ноль строчек кода и дают понимание азов, а на чем реализовывать уже пох. Энивей реализацию сейчас делает нейронка, так что понимать тот же PyTorch/другую хуйню сейчас уже не так актуально
классический мл сдох обоссавшись и обосравшись. он еще кому-то нужен в индустрии? я думал почти везде мл модели заменили на ллмки. разве что где-то в рексисах еще мл старый остался, да и то хз.
Классик мл все еще очень хорош при работе со структурированными данными и где важна скорость ответа. Ллм не для всех задач применимы - в основном из-за своей скорости, да и с большими массивами чисел не очень работают - надо их по-умному кодировать и дообучать модель.
Как ты заменишь ML-модель на LLM-ку?
Вот есть у тебя какой-то датасет (скажем, изображения для компьютерного зрения, или какие-нибудь числа). Как LLM тебе здесь поможет? LLM — просто предиктор текста.