Minu nimi on Sasha ja ma armastan masinõpet ning inimeste õpetamist. Hetkel juhin haridusprogramme Computer Science keskuses ja olen andmesüsteemide bakalaureuseprogrammi juhendaja SPbGU-s. Enne seda töötasin analüütikuna Yandexis ja veel varem teadlasena: tegelesin matemaatilise modelleerimisega IVT SO RAN-is.
Selles postituses tahan rääkida, mis sai alguseks ideest alustada masinõppe treeningute korraldamist Novosibirski Riikliku Ülikooli üliõpilastele, vilistlastele ja kõigile soovijatele.
Olen juba ammu soovinud korraldada spetsiaalkursust, mis valmistab ette andmeanalüüsi võistlusteks Kaggle'il ja teistel platvormidel. See tundus suurepärase ideena:
- Üliõpilased ja kõik soovijad saavad oma teoreetilisi teadmisi praktikas rakendada ning kogeda ülesannete lahendamist avalikes võistlustes.
- Üliõpilased, kes saavutavad sellistes võistlustes kõrgeid kohti, tõstavad NNG atraktiivsust üliõpilastele, vilistlastele ja tulevastele üliõpilastele. Spordiprogrammeerimise treeningute puhul toimub see sama moodi.
- See spetskurs täiendab ja laiendab põhiteadmisi: osalejad teostavad iseseisvalt masinõppe mudeleid, sageli moodustavad nad meeskondi, kes konkureerivad maailmas.
- Teistes ülikoolides on juba selliseid koolitusi korraldatud, seetõttu lootsin spetskursuse edu ka NSU-s.
Käivita
Akademgorodok Novosibirski kohal on väga soodne pinnas sarnaste algatuste jaoks: tudengid, vilistlased ja Computer Science keskuse õppejõud ning tugevate tehniliste teaduskondade, nagu FIT, MMF, FF, tugev toetus NSU administratsioonilt, aktiivne ODS-ühiskond, kogenud insenerid ja analüütikud erinevatest IT-ettevõtetest. Umbes sel ajal saime teada ka stipendiumi programmist — fond toetab meeskondi, kes saavutavad heades tulemustes sporditeemalistes ML-võistlustes.
Leidsime NSU-st klassiruumi iganädalaste kohtumiste jaoks, lõime Telegramis väikese grupi ja alates 1. oktoobrist käivitasime koos tudengitega ja Computer Science keskuse vilistlastega. Esimesele kohtumisele tuli 19 inimest. Kuus neist said regulaarseteks treeningu osalejateks. Kogu õppeaasta jooksul külastas kohtumist vähemalt üks kord 31 inimest.
Esimesed tulemused
Meie tutvusime poistega, vahetasime kogemusi, arutasime võistlusi ja koostasime umbkaudse plaani tuleviku jaoks. Saime üsna kiiresti aru, et andmeanalüüsi võistlustes osalemine on regulaarne väsitav töö, nagu tasustamata täiskohaga amet, kuid väga huvitav ja kaasahaarav 🙂 Üks osaleja, Kaggle-master Maksim, soovitas meil esmalt isiklikult võistlustes edasi liikuda ja alles paar nädalat hiljem meeskondadena liituda, arvestades avalikku skoori. Nii me tegimegi! Isiklikes treeningutes arutasime mudeleid, teadusartikleid ja Python raamatukogude nüansse ning lahendasime koos probleeme.
Süsemester tõi kokku kolm hõbemedalit kahes võistluses Kaggle'is: ja . Ja üks kolmas koht TsFT võistlusel trükivigade parandamise osas, millega teenisime esimesed rahaauhinna (in the money, nagu ütlevad kogenud kegelijad).
Veel üks väga oluline kaudne tulemus erikursusest oli VKI NGS klastrite käivitamine ja seadistamine. Selle arvutusvõimsused parandasid oluliselt meie võistluselu: 40 CPU, 755 GB RAM, 8 GPU NVIDIA Tesla V100.
Enne seda me ainult üle elasime: arvutasime isiklikel sülearvutitel ja lauaarvutitel, Google Colabis ja Kaggle'i kerneldes. Ühel meeskonnal oli isegi oma skript, mis automaatselt salvestas mudeli ja käivitas arvestuse uuesti, kui see oma ajapiiri ületas.
Kevadsemestril jätkasime koosolekute pidamist, jagades edukaid leidusi ja rääkides oma lahendustest võistlustel. Meie juurde tulid uued huvilised osalejad. Kevadsemestri jooksul saime juba ühe kuldse, kolme hõbedase ja üheksa pronksmedali kaheksas Kaggle'i konkursis: , , , , , ja teised, pronks , kolmas koht Changellenge>>Cup-is ja esimene koht (jälle rahades) masinõppe konkursil Yandexist.
Mida ütlevad treeningute osalejad
«Ma olen väga rõõmus, et selline tegevus toimub meil Sibirias, kuna arvan, et osalemine konkursitel on kiiresti õppida ML-i. Selliste konkurside jaoks vajaliku riistvara ostmine on piisavalt kallis, et omal käel soetada, aga siin saab ideid tasuta proovida.»
«Enne ML-treeningute algust ei olnud ma eriti osaline võistlustel, välja arvatud õpikonna ja hindu võistlusel: ei näinud selles mõtet, kuna mu töö oli MO valdkonnas ja olin sellega tuttav. Esimesel semestril käisin kuulajana. Alates teisest semestrist, kui arvutusressursid ilmusid, mõtlesin, miks mitte osaleda. Ja see tõmbas mind kaasa. Ülesande, andmete ja meetrite on sinu eest välja mõeldud ja ette valmistatud, võta ja kasuta kogu MO jõud, kontrolli state-of-the-art mudeleid ja tehnikaid. Kui ei oleks treeninguid ja, mitte vähem oluline, arvutusressursse, ei oleks ma pikka aega hakkama saanud osalema.»
«Füüsilised ML-treeningud aitasid mul leida sarnase mõtteviisiga inimesi, kellega koos suutsin oma teadmisi süvendada masinõppe ja andmeanalüüsi valdkonnas. Samuti on see suurepärane valik neile, kellel pole palju vaba aega iseseisvaks teemaga süvenemiseks, kuid kes soovivad ikka kursis olla.»
Liitu meiega
Kaggle'i ja teiste platvormide võistlused arendavad praktilisi oskusi ja viivad kiiresti huvitava tööni andmete teaduse valdkonnas. Inimesed, kes osalesid raskes võistluses koos, muutuvad sageli kolleegideks ning jätkavad edukalt töötavate ülesannete lahendamist. Meiegi oleme seda kogenud: Mihhail Karčevski koos sõbraga meeskonnast läksid üheskoos tööle samasse ettevõttesse, et töötada soovitussüsteemi kallal.
Aja jooksul plaanime seda tegevust laiendada teaduslike publikatsioonide ja osalemisega masinõppe konverentsidel. Liituge meiega osalejate või ekspertidena Novosibirski — kirjutage või . Korraldage sarnaseid treeninguid oma linnades ja ülikoolides.
Siin on väike abivahend, mis aitab esimesi samme astuda:
- Mõelge välja mugav koht ja aeg regulaarseteks treeninguteks. Optimaalne — 1-2 korda nädalas.
- Kirjutage potentsiaalselt huvitavatele osalejatele esimesest kohtumisest. Eelkõige on need tehniliste ülikoolide üliõpilased, ODS osalejad.
- Looge vestlusruum jooksvaid asju arutamiseks: Telegram, VK, WhatsApp või mõni muu enamikule mugav suhtlemisprogramm.
- Käivitage avalik õppetöö plaan, osalejate ning konkursside nimekiri, jälgige tulemusi.
- Leidke kohalikest ülikoolidest, teadusinstituutidest või ettevõtetest vabade arvutusvõimsuste või toetuste võimalusi.
- PROFIT!
Allikas: habr.com
