«„je konkurs za prvostupnike i mastere humanističkih i tehničkih specijalnosti. Organizuju ga velike ruske IT kompanije i najjači univerziteti u zemlji, uključujući Univerzitet ITMO. Danas govorimo o ciljevima olimpijade i dvije oblasti koje naš univerzitet nadzire - “Big Data” i “Robotics” (o ostalom - u našim sljedećim habratopics).
Foto: /unsplash.com
Nekoliko riječi o Olimpijskim igrama
Svrha. Procijeniti znanje učenika i upoznati ih sa zahtjevima poslodavaca. Studenti se razvijaju u odabranoj naučnoj oblasti radeći u međunarodnim kompanijama. Poslodavac također ima koristi - ne mora ponovo registrovati obučene stručnjake i pozdravljati novozaposlene radnike frazom: „Zaboravite sve što ste učili na fakultetu“.
Zašto učestvovati? Pobjednici upisati ruske univerzitete bez ispita. Praksu možete dobiti u Yandexu, Sberbank, IBS, Mail.ru i drugim velikim korporacijama. Prošle godine ponude ruskih kompanija više od četiri stotine najboljih učesnika. Također, moći će posjetiti i studenti koji su se dokazali .
Ko učestvuje? Studenti svih specijalnosti - tehničkih, humanističkih i prirodnih nauka. Pored diplomaca, diplomiranih studenata, rezidenta i studenata stranih univerziteta.
Format događaja. Prijaviti se možete do 18. novembra. Online kvalifikaciona faza će se održati od 22. novembra do 8. decembra, ali je možete preskočiti ako uspješno završite najmanje dvije . Pobjednici kvalifikacionog kruga će se plasirati na internacionalna takmičenja na glavnim univerzitetima širom zemlje, koja su zakazana za januar - mart. Rezultati olimpijade „Ja sam profesionalac“ biće objavljeni u aprilu .
Ove godine Olimpijada obuhvata 68 oblasti. Stručnjaci Univerziteta ITMO nadgledaju pet od njih: „Fotonika“, „Informaciona i sajber bezbednost“, „Programiranje i informacione tehnologije“, kao i „Big Data“ i „Robotika“. Reći ćemo vam više o posljednja dva.
Big Data
Ovo područje pokriva sve tehnologije životnog ciklusa velikih podataka, uključujući njihovo prikupljanje, skladištenje, obradu, modeliranje i interpretaciju. Pobednici će moći da uđu na master program na Univerzitetu ITMO bez ispita za programe: „Primenjena matematika i informatika“, „Digitalno zdravlje“, „Big Data Financial Technologies“ i .
Učesnici će takođe imati priliku da prođu praksu u specijalnostima data science i data inženjera u partnerskim kompanijama. To su Nacionalni centar za kognitivna istraživanja, Mail.ru, Gazpromnjeft STC, Rosnjeft, Sberbank i ER-Telecom.
“Posljednjih godina, oblast velikih podataka postaje sve popularnija. Tehnologije za primarno prikupljanje i skladištenje podataka se razvijaju, pojavljuju se novi digitalni mehanizmi (u oblasti IoT-a i društvenih mreža) za snimanje do tada neuočljivih procesa“, komentira Aleksandar Valerievič Buhanovski, direktor ITMO univerzitet. “Pri tome se pažnja posvećuje ne samo načinu organizacije procesa pohranjivanja i korištenja podataka, već i opravdavanju zaključaka i odluka, kao i kreiranju prediktivnih modela.”
Koji će biti zadaci? Tim ih priprema ITMO univerzitet. Uzimaju u obzir činjenicu da stručnjak za velike podatke mora imati osnovna znanja iz teorije vjerovatnoće i matematičke statistike, kao i mašinskog učenja. Razumjeti logiku i metodologiju modernih sistema umjetne inteligencije i govoriti R, Java, Scala, Python (ili druge alate za rješavanje praktičnih problema).
U nastavku dajemo primjer zadatka iz jedne od faza olimpijade.
Primjer zadatka: U klasteru se nalazi 50 servera, sa 12 dostupnih jezgara na svakom. Resursi između mapera i reduktora se redistribuiraju dinamički (ne postoji stroga podjela resursa). Napišite koliko minuta će se MapReduce zadatak koji zahtijeva 1000 mapera izvoditi na takvom klasteru. U ovom slučaju, vrijeme rada jednog mapera je 20 minuta. Ako u zadatku ostavite samo 1 reduktor, on će sve podatke obraditi za 1000 minuta. Odgovor se prihvata sa tačnošću do jedne decimale.
A. 44.6
B. 43.2
C. 41.6
D. 50.0Tačan odgovorC
Kako se pripremiti. Možete početi sa sljedećim resursima:
- . Može biti korisno za samostalan rad sa izvornim kodovima za rješavanje problema.
- . Temeljni rad govori zašto je vjerojatnostnim modelima potrebna takva matematička konstrukcija kao što je σ-algebra.
- . Jednostavna i korisna knjiga koja opisuje osnove vjerojatnosnog izračuna slučajnih događaja.
Još nekoliko dostupnih knjiga o primijenjenoj statistici za različite oblasti djelatnosti. Njihovi autori jednostavno, ali efikasno objašnjavaju logiku rješavanja problema procjene tačaka i intervala:
Reference
Informacije se mogu naći iu tematskim kursevima na web stranici Olimpijade.
Robotika
Robotika kombinuje discipline kao što su algoritmi, elektronika i mehanika. Ovaj smjer vrijedi odabrati za one koji već studiraju ili se pripremaju za upis na magistarske i postdiplomske programe iz softverskog inženjerstva, primijenjene mehanike, primijenjene matematike i računarstva ili elektroničkog inženjerstva. Provjereni studenti se mogu besplatno upisati na programe"»,«"I"„našeg univerziteta.
Koji će biti zadaci? Studenti master i osnovnih studija rešavaju različite zadatke. Međutim, svi zadaci testiraju kompleksno poznavanje teorije upravljanja, obrade informacija i modeliranja robota. Na primjer, od učesnika će se tražiti da provjere stabilnost ili upravljivost sistema, odaberu strukturu ili izračunaju koeficijente regulatora.
„Moraćemo da rešimo direktan ili inverzni kinematički problem za mobilnog ili manipulativnog robota, radimo sa Jakobijanom sistema i tražimo balansne momente u zglobovima pod datim spoljnim opterećenjem“, kaže Sergej Aleksejevič Koljubin, zamenik direktora u ITMO. “Bit će programskih zadataka – trebate napisati mali program za modeliranje robota ili planiranje putanja u Pythonu ili C++.”
U finalu studenti moraju programirati robota da izvršava zadatke partnerskih kompanija: Ruske željeznice, Diakont, KUKA itd. Projekti se odnose na dronove za kopno i zrak, kao i kolaborativne robote koji rade u uslovima fizičkog kontakta sa okruženje. Format takmičenja je sličan . Prvo učenici rade na simulatoru, a zatim na stvarnom hardveru.
Zatim ćemo razmotriti nekoliko opcija za zadatke iz oblasti robotike sa kojima se učenici mogu susresti. Evo primjera za kandidate za master programe:
Primjer zadatka #1: Automobilski kinematički robot kreće se linearnom brzinom v=0,3 m/s. Volan je zakrenut pod uglom w=0,2 rad. Ako je poluprečnik točkova robota jednak r=0,02 m, a dužina i trag robota jednaki L=0,3 m i d=0,2 m, kolike će biti ugaone brzine svakog od zadnjih točkova w1 i w2, izraženi u rad/s ?
Unesite svoj odgovor u formatu dva broja odvojena razmakom, tačno na drugu decimalu, uzimajući u obzir znak.Primjer zadatka #2: Šta može biti znak astatizma u zatvorenom sistemu u odnosu na referentni uticaj, ako se analiza vrši prema strukturnom dijagramu sistema?
prisutnost aperiodičnih veza u otvorenom krugu;
prisutnost idealnih integrirajućih veza u otvorenoj petlji;
prisutnost oscilatornih i konzervativnih veza u otvorenom krugu.
Evo problema za one koji ulaze u postdiplomske škole ili na specijalizaciju:
Primjer zadatka #1: Na slici je prikazan robotski manipulator sa redundantnom kinematikom sa 7 rotacijskih zglobova. Na slici je prikazan koordinatni sistem baze robota {s} sa vektorom osi y okomito na ravninu stranice, koordinatni sistem {b} povezan sa prirubnicom i kolinearno sa {s}. Robot je prikazan u konfiguraciji u kojoj su ugaone koordinate svih karika jednake 0. Zavojne ose za sedam kinematičkih parova prikazane su na slici (pozitivan smjer suprotno od kazaljke na satu). Osi spojeva 2, 4 i 6 su kousmjerene, osi spojeva 1, 3, 5 i 7 su identične osi početnog koordinatnog sistema baze. Veličine veze L1 = 0,34 m, L2 = 0,4 m, L3 = 0,4 m i L4 = 0,15 m.
Primjer zadatka #2: Za stabilniji rad algoritma simultane lokalizacije i mapiranja (SLAM) za mobilne robote zasnovane na filterima čestica, programeri su odlučili koristiti algoritam resampling kotača za ponovno uzorkovanje. U određenom trenutku rada algoritma, u memoriji je ostao uzorak od 5 „čestica“ sa težinama w(1) = 0,5, w(2) = 1,2, w(3) = 1,5, w(4) = 1,0. 5 i w(0,8) = XNUMX. Na kojoj minimalnoj vrijednosti praga efektivne veličine uzorka u datoj iteraciji će se pokrenuti mehanizam ponovnog uzorkovanja. Odgovor napišite u decimalnom formatu sa tačnošću od jedne decimale.
Kako se pripremiti. Svoje znanje i izglede možete procijeniti koristeći kontrolnu listu. Polaznici smjera Robotika moraju:
- Poznavati principe modeliranja robota, karakteristike modernih senzora i metode za dobijanje senzornih informacija.
- Poznavati i umeti da primeni u praksi metode i algoritme za planiranje putanje i automatsko upravljanje, kao i obradu senzornih informacija.
- Posjedovati vještine strukturiranog i objektno orijentiranog programiranja. Biti sposoban za rad u razvojnim okruženjima za robotske sisteme.
- Poznavati principe, ključne karakteristike i radne karakteristike računarskog dijela, pogona i senzora modernih robota. Imati vještine planiranja i postavljanja eksperimenata.
Da biste "zategli" bilo koje od područja, možete obratiti pažnju . Tu se raspravlja o nekim problemima sa prethodnih olimpijada. Postoji i specijalizirana literatura, na primjer:
Više knjiga
I online kursevi na Openedu, Coursera i Edx
Dodatne informacije o Olimpijadi:
izvor: www.habr.com