Влад(лен) Куликов

Lead AI/ML (LLMs) в FinTech. В ML с 2017 года — R&D, разработка ML/GenAI систем, консультирование бизнеса по созданию и внедрению AI. Магистратура МФТИ — Modern State of AI. Диссертация и публикации — LLMs, Learning and Reasoning at the Inference stage.

Первый факультет — Физтех Харьковского университета. Последний — магистратура МФТИ, ФПМИ (физтех-школа прикладной математики и информатики), «Современные методы искусственного интеллекта». И в длинном промежутке между физикой и ML успел получить диплом по специальности "Экономика и управление" (после чего не малое время работал аудитором(аттестованным Минфином), главбухом и финансовым директором во многих местах, включая предприятия полиграфической, ликеро-водочной и нефтяной промышленности). После создал и руководил собственной компанией - ведущей бухгалтерский учет у других предприятий. Отсюда мои компетенции и планы на мои курсы по экономике и финансам. (Компания, кстати, так и работает, а я сам, уже почти как 10 лет, полностью переключился на ML). Курсы же по ML, я делал в том виде, которого мне самому не хватало (или до сих пор не хватает) при изучении этих тем. Например, теория информации преподаётся в некоторых вузах (у меня её, кстати, нигде не было) и почти всегда лишь как курс про связь, каналы и передачу информации по ним. Но в ML-специализациях мы её успешно пропускаем и практически не адаптируем под свои задачи, хотя весь ML ею пронизан. Чего стоит один cross-entropy loss... Лекционные материалы ML курсов есть также на: https://vladgkulikov.github.io/ - если кому то так читать удобней и там же ссылки на pdf и epub версии. Тесы, упражнения, код и ноутбуки - в открытых курсах на Stepik. Если что-то кажется излишним, слишком детальным, с непонятной математикой или просто сложным — спокойно пропускайте и возвращайтесь по мере надобности. Но всегда есть вариант спросить о неясных подробностях у самой продвинутой из доступных LLM — очень достойный ныне путь обучения. Цель ML курсов — систематизировать и собрать материал в одном месте и помочь выстроить его понимание на разной глубине: от инженерной интуиции и реализации в коде до математических принципов, лежащих в основе каждого механизма.