Авторы и эксперты

Маркус — основатель Nerovantix и ведущий автор курса по основам машинного обучения. До основания платформы он более восьми лет работал старшим инженером по данным в технологических компаниях Тихоокеанского Северо-Запада, где специализировался на создании production ML-систем для задач рекомендаций и обнаружения аномалий.

Маркус получил степень бакалавра по компьютерным наукам в University of Washington и магистра в области машинного обучения в Carnegie Mellon University. Его диссертация была посвящена адаптивным методам оптимизации для разреженных данных.

На Nerovantix Маркус отвечает за методологию платформы, структуру курсов и редакционные стандарты. Он убеждён, что понимание математических основ алгоритмов — необходимое условие для работы с ML в производственной среде.

Элизабет — доктор прикладной математики University of Washington с диссертацией в области численных методов оптимизации. До прихода в Nerovantix она преподавала линейную алгебру и математический анализ на кафедре математики UW в течение четырёх лет, а также консультировала несколько стартапов по вопросам статистического анализа данных.

На Nerovantix Элизабет отвечает за математическую корректность всех учебных материалов. Каждый раздел, содержащий уравнения или математические выкладки, проходит её рецензию до публикации. Она также является автором разделов по линейной алгебре и теории вероятностей в курсе «Основы ML».

Её подход: математика в контексте ML должна быть строгой, но не оторванной от практики. Абстрактное доказательство ценно лишь тогда, когда читатель понимает, зачем оно нужно.

Дэниэль начинал как бэкенд-разработчик на Python, прошёл путь переквалификации в ML-инженеры и теперь работает над реальными ML-системами в Production. Именно этот путь «от нуля до продакшена» делает его идеальным автором практических разделов: он знает, где обычно спотыкаются разработчики, переходящие в ML.

Дэниэль создаёт все примеры кода для платформы — от простых демонстраций алгоритмов до полных end-to-end ноутбуков на реальных датасетах. Его принцип: каждый пример кода должен быть воспроизводимым, хорошо откомментированным и демонстрирующим не только «как», но и «почему».

На Nerovantix он ведёт разделы по Python-инструментарию, предобработке данных и практическим аспектам работы с моделями.

Прия — исследователь в области глубокого обучения с более чем восьмью годами опыта в академической и корпоративной среде. Она получила степень PhD в Computer Science с фокусом на архитектурах нейронных сетей и до прихода в Nerovantix работала в AI-лаборатории крупной технологической компании Сиэтла.

На Nerovantix Прия является ведущим автором курса «Нейронные сети и глубокое обучение». Она специализируется на архитектурах трансформеров, свёрточных и рекуррентных сетях. Её материалы отличаются редким сочетанием академической строгости и практической ориентации.

Прия убеждена: чтобы эффективно работать с современными большими моделями, необходимо понимать их фундаментальные строительные блоки — начиная с перцептрона и заканчивая механизмом внимания.