Mit navn er Sasha, og jeg elsker maskinlæring samt at undervise folk. Jeg leder i øjeblikket uddannelsesprogrammer på Computer Science-centeret og er ansvarlig for bacheloruddannelsen i dataanalyse ved SPbGU. Tidligere har jeg arbejdet som analytiker hos Yandex, og før det var jeg forsker, hvor jeg arbejder med matematisk modellering ved IVT RAS.
I dette indlæg vil jeg fortælle, hvad der kom ud af idéen om at lancere træningsprogrammer i maskinlæring for studerende, nyuddannede fra Novosibirsk Statens Universitet og alle interesserede.
Jeg har længe ønsket at organisere et specialkursus i forberedelse til konkurrencer i dataanalyse på Kaggle og andre platforme. Det syntes at være en fremragende idé:
- Studerende og alle interesserede vil anvende teoretisk viden i praksis og få erfaring med at løse opgaver i offentlige konkurrencer.
- Studerende, der placerer sig i toppen i sådanne konkurrencer, bidrager positivt til Novosibirsk Statens Universitets tiltrækningskraft for ansøgere, studerende og nyuddannede. Det samme gælder for træning i sportsprogrammering.
- Et sådant specialkursus supplerer og udvider de grundlæggende færdigheder: deltagerne implementerer selvstændigt maskinlæringsmodeller og danner ofte teams, der konkurrerer på verdensniveau.
- Andre universiteter har allerede afholdt sådanne træninger, så jeg havde håb om succesen med specialkurset også ved NSU.
Kørsel
I Akademgorodok i Novosibirsk er der en meget frugtbar grund for sådanne initiativer: studerende, nyuddannede og undervisere fra Computer Science-centeret og stærke teknologiske fakulteter, såsom FIT, MMF, FF, samt stærk støtte fra NSUs administration, et aktivt ODS-samfund og erfarne ingeniører og analytikere fra forskellige IT-virksomheder. Omtrent på samme tid fik vi kendskab til et grantprogram fra — fonden støtter teams, der præsterer godt i konkurrencer inden for sports ML.
Vi fandt et lokale på NSU til de ugentlige møder, oprettede en chat i Telegram og startede den 1. oktober sammen med de studerende og nyuddannede fra CS-centeret. 19 personer deltog i den første klasse. Seks af dem blev faste deltagere i træningen. I alt deltog 31 personer mindst én gang i løbet af skoleåret.
De første resultater
Vi og drengene mødtes, delte erfaringer, diskuterede konkurrencer og vores fremtidige planer. Vi indså hurtigt, at kampen om pladser i datanalysekonkurrencerne er et regulært og udmattende arbejde, der minder om et ulønnet fuldtidsjob, men det er meget interessant og spændende 🙂 En af deltagerne, Kaggle-master Maxim, rådede os først til at arbejde individuelt i konkurrencerne og først derefter, efter et par uger, danne teams baseret på den offentlige score. Det gjorde vi! Ved de fysiske træninger diskuterede vi modeller, videnskabelige artikler og detaljerne i Python-bibliotekerne og løste problemer sammen.
Resultaterne fra efterårssemesteret blev tre sølvmedaljer i to konkurrencer på Kaggle: og . Og en tredjeplads i CFT-konkurrencen om rettelse af stavefejl med de første vundne penge (in the money, som erfarne keglere siger).
En meget vigtig indirekte resultat af specialkurset var lanceringen og opsætningen af VKI NGS-klyngen. Dens beregningskapacitet har betydeligt forbedret vores konkurrenceevne: 40 CPU, 755 Gb RAM, 8 GPU NVIDIA Tesla V100.
Indtil da overlevede vi så godt vi kunne: vi regnede på vores personlige bærbare computere og stationære computere, i Google Colab og i Kaggle-kernels. Et team havde endda et selvskrevet script, der automatisk gemte modellen og genstartede beregningen, hvis den stoppede på grund af tidsgrænsen.
I forårssemesteret fortsatte vi med at samles, dele vellykkede fund og fortælle om vores konkurrenceløsninger. Nye interesserede deltagere begyndte at komme til os. I forårssemesteret fik vi allerede en guldmedalje, tre sølvmedaljer og ni bronzemedaljer i otte konkurrencer på Kaggle: , , , , , og andre, bronze i , tredjeplads i Changellenge>>Cup og førsteplads (igen in the money) i maskinlæringskonkurrencen ved for Yandex.
Hvad deltagerne af træningerne siger
«Jeg er meget glad for, at en sådan aktivitet finder sted her i Sibirien, da jeg mener, at deltagelse i konkurrencer er den hurtigste måde at mestre ML på. For sådanne konkurrencer er udstyret ret dyrt at købe selv, men her kan man prøve sine ideer gratis.»
«Før jeg begyndte med ML-træning, deltog jeg ikke meget i konkurrencer, bortset fra studenter- og indiske konkurrencer: jeg så ikke meningen med det, da jeg arbejdede inden for ML, og jeg var bekendt med det. I første semester deltog jeg som tilhører. Men begyndende fra andet semester, så snart der var computermæssige ressourcer tilgængelige, tænkte jeg, hvorfor ikke deltage? Det fangede mig. Opgaven, dataene og metrikkerne var allerede opfundet og forberedt for mig, så jeg kunne bare bruge al kraften i ML, teste state-of-the-art modeller og teknikker. Hvis det ikke havde været for træningerne og ikke mindst de beregningsmæsige ressourcer, ville jeg ikke have deltaget så hurtigt.»
«Fysiske ML-træninger hjalp mig med at finde ligesindede, med hvem jeg kunne uddybe mine viden inden for maskinlæring og dataanalyse. Det er også en fantastisk mulighed for dem, der ikke har meget fritid til selvstudier og dybdegående beskrivelse af konkurrencetemaet, men som stadig gerne vil være med.»
Deltag med os
Konkurrencer på Kaggle og andre platforme skærper praktiske færdigheder og konverteres hurtigt til interessante job inden for data science. Folk, der har deltaget i en svær konkurrence sammen, bliver ofte kolleger og fortsætter med at løse arbejdsopgaver med succes. Sådan er det sket for os: Mikhail Karchevsky arbejdede sammen med en ven fra holdet og gik til at arbejde i samme virksomhed med et anbefalingssystem.
Over tid planlægger vi at udvide denne aktivitet med videnskabelige publikationer og deltagelse i konferencer om maskinlæring. Deltag gerne som deltagere eller eksperter i Novosibirsk - skriv til eller . Arranger lignende træninger i dine byer og universiteter.
Her er en lille huskeseddel, der kan hjælpe dig med at tage de første skridt:
- Overvej et bekvemt sted og tidspunkt for regelmæssige møder. Optimalt - 1-2 gange om ugen.
- Skriv til potentielt interesserede deltagere om det første møde. Først og fremmest kan det være studerende fra tekniske universiteter, deltagere i ODS.
- Opret en chat til diskussion af aktuelle opgaver: Telegram, VK, WhatsApp eller enhver anden messenger, der er behagelig for de fleste.
- Før en offentlig oversigt over lektioner, liste over konkurrencer og deltagere, og hold styr på resultaterne.
- Find available computing resources or grants in nearby universities, research institutes, or companies.
- PROFIT!
Kilde: habr.com
