Почему метрики и loss могут работать против вас

📌 Заполни анкету прямо сейчас и получи чек-лист «15 самых популярных вопросов с собеседований и ответы на них» Многие новички в ML путают две вещи, от которых напрямую зависит качество модели: функцию потерь и метрики. Кажется, что если метрика растёт — всё хорошо. Но на практике модель может идеально минимизировать лосс и при этом решать бизнес-задачу плохо. В этом видео, Александр Дубейковский (ML-Engineer Авито, ex-Yandex, эксперт MLinside) последовательно разбирает, почему так происходит и где именно возникает разрыв между обучением модели и реальным результатом. Видео будет полезно: — ML-инженерам и Data Scientist’ам, которые уже обучают модели, но хотят глубже понять, почему минимизация лосса не всегда улучшает реальные метрики продукта.
— Аналитикам, работающим с моделями в бизнес-контексте и участвующим в выборе метрик, порогов и критериев качества.
— Специалистам, работающим с продакшен-ML, где важно учитывать деньги, риски и приоритеты бизнеса, а не только офлайн-качество модели.
— Тем, кто переходит от учебных задач к индустриальным кейсам и хочет научиться осознанно связывать функцию потерь, метрики и бизнес-цели. Наш курс «База ML» помогает войти в индустрию, получить реальный проект в портфолио и подготовиться к первому собеседованию. #Switchback Если вам понравилось видео – поставьте лайк и подпишитесь на канал MLinside. Здесь выходят честные видео о рынке IT, карьере в ML и машинном обучении без лишней воды. 0:00 – Введение 0:35 – Про Функцию потерь...