Mein Name ist Sascha und ich liebe maschinelles Lernen sowie das Lehren von Menschen. Derzeit koordiniere ich Bildungsprogramme im Computer Science-Zentrum und leite das Bachelor-Programm fĂŒr Datenanalyse an der UniversitĂ€t St. Petersburg. Zuvor habe ich als Analyst bei Yandex gearbeitet und davor als Wissenschaftler: Ich beschĂ€ftigte mich mit mathematischer Modellierung am IWT-SO RAN.
In diesem Beitrag möchte ich erzĂ€hlen, wie die Idee entstand, Schulungen im maschinellen Lernen fĂŒr Studierende, Absolventen der Staatlichen UniversitĂ€t Nowosibirsk und alle Interessierten anzubieten.
Ich wollte schon lange einen Spezialkurs zur Vorbereitung auf Wettbewerbe in Datenanalyse auf Kaggle und anderen Plattformen organisieren. Das schien eine groĂartige Idee zu sein:
- Die Studierenden und alle Interessierten können ihr theoretisches Wissen in der Praxis anwenden und Erfahrung bei der Lösung von Aufgaben in öffentlichen Wettbewerben sammeln.
- Studierende, die in solchen Wettbewerben hoch platzieren, steigern die AttraktivitĂ€t der NSU fĂŒr Bewerber, Studierende und Absolventen. Genauso verhĂ€lt es sich mit Schulungen im sportlichen Programmieren.
- Dieser Spezialkurs ergÀnzt und erweitert die grundlegenden Kenntnisse hervorragend: Die Teilnehmer entwickeln selbststÀndig Modelle des maschinellen Lernens und arbeiten hÀufig in Teams, die auf internationaler Ebene konkurrieren.
- An anderen UniversitÀten fanden bereits solche Schulungen statt, daher hatte ich auf den Erfolg des Spezialkurses auch an der NGU gehofft.
Start
Im Akademgorodok in Nowosibirsk gibt es hervorragende Voraussetzungen fĂŒr solche Initiativen: Studierende, Absolventen und Dozenten des Computer Science Zentrums sowie starker technischer FakultĂ€ten wie FIT, MMF, FF, umfangreiche UnterstĂŒtzung durch die NGU-Verwaltung, eine aktive ODS-Community und erfahrene Ingenieure und Analysten aus verschiedenen IT-Unternehmen. Etwa zu dieser Zeit erfuhren wir von dem Förderprogramm von â der Fonds unterstĂŒtzt Teams, die gute Ergebnisse in Wettbewerben im Bereich Sport-ML erzielen.
Wir fanden einen Raum an der NGU fĂŒr wöchentliche Treffen, erstellten einen Telegram-Chat und starteten am 1. Oktober gemeinsam mit den Studierenden und Absolventen des CS Zentrums. Zum ersten Treffen kamen 19 Personen. Sechs von ihnen wurden regelmĂ€Ăige Teilnehmer der Trainings. Insgesamt nahm wĂ€hrend des Studienjahres mindestens 31 Personen einmal an einem Treffen teil.
Die ersten Ergebnisse
Ich habe mit den Kollegen Kontakte geknĂŒpft, Erfahrungen ausgetauscht, Wettbewerbe diskutiert und einen groben Plan fĂŒr die Zukunft erstellt. Wir haben schnell erkannt, dass der Kampf um die PlĂ€tze bei den Wettbewerben zur Datenanalyse eine regelmĂ€Ăige und mĂŒhsame Arbeit ist, die sich wie ein unbezahlter Vollzeitjob anfĂŒhlt, aber sehr interessant und spannend ist đ Einer der Teilnehmer, Kaggle-Meister Maxim, riet uns, zunĂ€chst individuell an den Wettbewerben teilzunehmen und erst nach einigen Wochen in Teams zusammenzuarbeiten, wobei wir die öffentliche Bewertung berĂŒcksichtigen. Das haben wir dann auch so gemacht! In den PrĂ€senztrainings haben wir Modelle, wissenschaftliche Arbeiten und Feinheiten der Python-Bibliotheken diskutiert und gemeinsam Probleme gelöst.
Die Ergebnisse des Herbstsemesters waren drei Silbermedaillen in zwei Wettbewerben auf Kaggle: und . Und den dritten Platz im CFT-Wettbewerb zur Behebung von Tippfehlern mit dem ersten gewonnenen Geld (in the money, wie erfahrene Kegler sagen).
Ein weiteres sehr wichtiges indirektes Ergebnis des Spezialkurses war die Inbetriebnahme und Konfiguration des VKI-Clusters der NGU. Die Rechenleistung hat unser Wettbewerbsleben erheblich verbessert: 40 CPU, 755 GB RAM, 8 NVIDIA Tesla V100 GPUs.
Bis jetzt haben wir ĂŒberlebt, wie wir konnten: Wir haben auf unseren persönlichen Laptops und Desktops sowie in Google Colab und Kaggle-Kerneln gerechnet. Einem Team stand sogar ein selbstgeschriebenes Skript zur VerfĂŒgung, das das Modell automatisch speicherte und die Berechnung neu startete, die aufgrund des Zeitlimits gestoppt werden musste.
Im FrĂŒhjahrssemester haben wir weiterhin Treffen abgehalten, um erfolgreiche Erkenntnisse auszutauschen und ĂŒber unsere Wettbewerbslösungen zu berichten. Neue interessierte Teilnehmer sind zu uns gestoĂen. Im FrĂŒhjahrssemester haben wir bereits eine Gold-, drei Silber- und neun Bronzemedaillen in acht Wettbewerben auf Kaggle gewonnen: , , , , , und andere, Bronze in , den dritten Platz im Changellenge>>Cup und den ersten Platz (wieder in the money) beim Wettbewerb fĂŒr maschinelles Lernen auf von Yandex.
Was die Teilnehmer der Trainings sagen
âIch bin sehr froh, dass eine solche AktivitĂ€t bei uns in Sibirien stattfindet, denn ich denke, dass die Teilnahme an Wettbewerben der schnellste Weg ist, um ML zu erlernen. FĂŒr solche Wettbewerbe ist die Hardware ziemlich teuer, um sie selbst zu kaufen, aber hier kann man Ideen kostenlos ausprobierenâ.
âBevor es ML-Trainings gab, habe ich an Wettbewerben kaum teilgenommen, abgesehen von Schul- und indischen Wettbewerben: Ich sah keinen Sinn darin, da ich in dem Bereich des maschinellen Lernens arbeitete und damit vertraut war. Im ersten Semester besuchte ich als Zuhörer. Doch ab dem zweiten Semester, als die Rechenressourcen verfĂŒgbar wurden, dachte ich, warum nicht teilnehmen? Und ich wurde richtig hineingezogen. Die Aufgaben, Daten und Metriken wurden fĂŒr dich ausgedacht und vorbereitet, nimm einfach die gesamte Kraft des maschinellen Lernens in Anspruch, prĂŒfe state-of-the-art Modelle und Techniken. WĂ€ren es nicht die Trainings und, nicht weniger wichtig, die Rechenressourcen gewesen, hĂ€tte ich wohl lange nicht an Wettbewerben teilgenommen.â
âDie PrĂ€senz-ML-Trainings haben mir geholfen, Gleichgesinnte zu finden, mit denen ich mein Wissen im Bereich maschinelles Lernen und Datenanalyse vertiefen konnte. Es ist auch eine groĂartige Möglichkeit fĂŒr diejenigen, die nicht viel Zeit haben, um sich selbststĂ€ndig mit Themen der Wettbewerbe auseinanderzusetzen, aber dennoch auf dem Laufenden bleiben möchten.â
SchlieĂen Sie sich uns an
Wettbewerbe auf Kaggle und anderen Plattformen schĂ€rfen praktische FĂ€higkeiten und fĂŒhren schnell zu spannenden Karrieremöglichkeiten im Bereich Data Science. Menschen, die gemeinsam an einem herausfordernden Wettbewerb teilgenommen haben, werden oft Kollegen und setzen ihre Zusammenarbeit erfolgreich bei realen Aufgaben fort. So ging es auch uns: Michail Karchewski und ein Kollege aus seinem Team wechselten zusammen zu einem Unternehmen, um an einem Empfehlungssystem zu arbeiten.
Wir planen, diese AktivitĂ€t in Zukunft durch wissenschaftliche Veröffentlichungen und die Teilnahme an Konferenzen im Bereich maschinelles Lernen auszubauen. SchlieĂen Sie sich uns in Nowosibirsk als Teilnehmer oder Experten an â schreiben Sie an oder . Organisieren Sie Ă€hnliche Trainings in Ihren StĂ€dten und UniversitĂ€ten.
Hier ist ein kleines Handbuch, das Ihnen hilft, die ersten Schritte zu machen:
- Denken Sie an einen geeigneten Ort und eine Zeit fĂŒr regelmĂ€Ăige Treffen. Optimal sind 1-2 Mal pro Woche.
- Informieren Sie potenziell interessierte Teilnehmer ĂŒber das erste Treffen. ZunĂ€chst sollten dies Studierende technischer Hochschulen und Mitglieder von ODS sein.
- Erstellen Sie einen Chat fĂŒr die aktuelle Kommunikation: Telegram, VK, WhatsApp oder einen anderen Messenger, der den meisten angenehm ist.
- FĂŒhren Sie einen öffentlichen Trainingsplan, eine Liste von Wettbewerben und Teilnehmern und verfolgen Sie die Ergebnisse.
- Suchen Sie in nahegelegenen UniversitĂ€ten, Forschungsinstituten oder Unternehmen nach freien Rechenressourcen oder Stipendien dafĂŒr.
- PROFIT!
Quelle: habr.com
