મેં NSU ખાતે મશીન લર્નિંગ તાલીમનું આયોજન કેવી રીતે કર્યું

મારું નામ સાશા છે અને મને મશીન લર્નિંગ તેમજ લોકોને શીખવવાનું પસંદ છે. હવે હું કોમ્પ્યુટર સાયન્સ સેન્ટર ખાતે શૈક્ષણિક કાર્યક્રમોનું નિરીક્ષણ કરું છું અને સેન્ટ પીટર્સબર્ગ સ્ટેટ યુનિવર્સિટીમાં ડેટા વિશ્લેષણમાં સ્નાતક કાર્યક્રમનું નિર્દેશન કરું છું. તે પહેલાં, તેણે યાન્ડેક્સમાં વિશ્લેષક તરીકે કામ કર્યું હતું, અને તે પહેલાં પણ એક વૈજ્ઞાનિક તરીકે: તે એસબી આરએએસની ઇન્સ્ટિટ્યૂટ ઑફ કમ્પ્યુટર સાયન્સમાં ગાણિતિક મોડેલિંગમાં રોકાયેલા હતા.

આ પોસ્ટમાં હું તમને જણાવવા માંગુ છું કે વિદ્યાર્થીઓ, નોવોસિબિર્સ્ક સ્ટેટ યુનિવર્સિટીના સ્નાતકો અને બીજા બધા માટે મશીન લર્નિંગ તાલીમ શરૂ કરવાનો વિચાર શું આવ્યો.

હું લાંબા સમયથી Kaggle અને અન્ય પ્લેટફોર્મ્સ પર ડેટા વિશ્લેષણ સ્પર્ધાઓની તૈયારી માટે એક વિશેષ અભ્યાસક્રમનું આયોજન કરવા માંગતો હતો. આ એક મહાન વિચાર જેવું લાગતું હતું:

• વિદ્યાર્થીઓ અને રસ ધરાવનાર કોઈપણ સૈદ્ધાંતિક જ્ઞાનને વ્યવહારમાં લાગુ કરશે અને જાહેર સ્પર્ધાઓમાં સમસ્યાઓ ઉકેલવાનો અનુભવ મેળવશે.
• જે વિદ્યાર્થીઓ આવી સ્પર્ધાઓમાં ટોચ પર આવે છે તેઓ અરજદારો, વિદ્યાર્થીઓ અને સ્નાતકો માટે NSU ના આકર્ષણ પર સારી અસર કરે છે. આ જ વસ્તુ સ્પોર્ટ્સ પ્રોગ્રામિંગ તાલીમ સાથે થાય છે.
• આ વિશેષ અભ્યાસક્રમ મૂળભૂત જ્ઞાનને સંપૂર્ણ રીતે પૂરક બનાવે છે અને વિસ્તૃત કરે છે: સહભાગીઓ સ્વતંત્ર રીતે મશીન લર્નિંગ મોડલ્સનો અમલ કરે છે અને ઘણીવાર વૈશ્વિક સ્તરે સ્પર્ધા કરતી ટીમો બનાવે છે.
• અન્ય યુનિવર્સિટીઓએ આવી તાલીમ પહેલાથી જ હાથ ધરી હતી, તેથી મને NSU ખાતેના વિશેષ અભ્યાસક્રમની સફળતાની આશા હતી.

લોંચ

નોવોસિબિર્સ્કના અકાડેમગોરોડોક પાસે આવા પ્રયત્નો માટે ખૂબ જ ફળદ્રુપ જમીન છે: કમ્પ્યુટર સાયન્સ સેન્ટરના વિદ્યાર્થીઓ, સ્નાતકો અને શિક્ષકો અને મજબૂત તકનીકી ફેકલ્ટીઓ, ઉદાહરણ તરીકે, FIT, MMF, FF, NSU વહીવટનો મજબૂત ટેકો, સક્રિય ODS સમુદાય, અનુભવી એન્જિનિયરો. અને વિવિધ IT કંપનીઓના વિશ્લેષકો. તે જ સમયે, અમે ગ્રાન્ટ પ્રોગ્રામ વિશે શીખ્યા બોટન ઇન્વેસ્ટમેન્ટ્સ - ફંડ એવી ટીમોને સમર્થન આપે છે જે ML સ્પોર્ટ્સ સ્પર્ધાઓમાં સારા પરિણામો દર્શાવે છે.

અમને સાપ્તાહિક મીટિંગ્સ માટે NSU ખાતે પ્રેક્ષકો મળ્યા, ટેલિગ્રામ પર ચેટ બનાવી અને CS સેન્ટરના વિદ્યાર્થીઓ અને સ્નાતકો સાથે મળીને 1 ઓક્ટોબરના રોજ લોન્ચ કર્યું. પ્રથમ પાઠમાં 19 લોકો આવ્યા હતા. તેમાંથી છ તાલીમમાં નિયમિત સહભાગી બન્યા. કુલ મળીને, 31 લોકો શૈક્ષણિક વર્ષ દરમિયાન ઓછામાં ઓછા એક વખત મીટિંગમાં આવ્યા હતા.

પ્રથમ પરિણામો

છોકરાઓ અને હું મળ્યા, અનુભવોનું આદાનપ્રદાન કર્યું, સ્પર્ધાઓ અને ભવિષ્ય માટે રફ પ્લાનની ચર્ચા કરી. ખૂબ જ ઝડપથી અમને સમજાયું કે ડેટા વિશ્લેષણ સ્પર્ધાઓમાં સ્થાનો માટે લડવું એ નિયમિત, કઠોર કાર્ય છે, અવેતન પૂર્ણ-સમયના કામ જેવું જ છે, પરંતુ ખૂબ જ રસપ્રદ અને ઉત્તેજક 🙂 સહભાગીઓમાંના એક, કાગલ-માસ્ટર મેક્સિમે અમને વ્યક્તિગત રીતે સ્પર્ધાઓમાં આગળ વધવાની સલાહ આપી. , અને માત્ર થોડા અઠવાડિયા પછી, સાર્વજનિક સ્કોરને ધ્યાનમાં રાખીને ટીમોમાં જોડાય છે. તે અમે શું કર્યું છે! રૂબરૂ તાલીમ દરમિયાન, અમે મોડેલો, વૈજ્ઞાનિક લેખો અને પાયથોન લાઇબ્રેરીઓની જટિલતાઓની ચર્ચા કરી અને સાથે મળીને સમસ્યાઓનું નિરાકરણ કર્યું.

પાનખર સેમેસ્ટરના પરિણામો કાગલ પરની બે સ્પર્ધાઓમાં ત્રણ સિલ્વર મેડલ હતા: TGS મીઠું ઓળખ и PLAsTiCC એસ્ટ્રોનોમિકલ વર્ગીકરણ. અને પ્રથમ પૈસા સાથે ટાઇપો સુધારવા માટેની CFT સ્પર્ધામાં ત્રીજા સ્થાને (પૈસામાં, જેમ કે અનુભવી કેગલર્સ કહે છે).

વિશેષ કોર્સનું બીજું ખૂબ જ મહત્વપૂર્ણ પરોક્ષ પરિણામ NSU VKI ક્લસ્ટરનું લોન્ચિંગ અને ગોઠવણી હતું. તેની કમ્પ્યુટિંગ શક્તિએ અમારા સ્પર્ધાત્મક જીવનમાં નોંધપાત્ર સુધારો કર્યો છે: 40 CPUs, 755Gb RAM, 8 NVIDIA Tesla V100 GPU.

તે પહેલાં, અમે શક્ય તેટલું શ્રેષ્ઠ બચી ગયા: અમે વ્યક્તિગત લેપટોપ અને ડેસ્કટોપ પર, Google Colab અને Kaggle-kernelsમાં ગણતરી કરી. એક ટીમ પાસે સ્વ-લિખિત સ્ક્રિપ્ટ પણ હતી જેણે મોડલને આપમેળે સાચવી લીધું હતું અને સમય મર્યાદાને કારણે બંધ થઈ ગયેલી ગણતરીને ફરીથી શરૂ કરી હતી.

વસંત સત્રમાં, અમે એકઠા કરવાનું, સફળ તારણોનું આદાનપ્રદાન કરવાનું અને સ્પર્ધાના અમારા ઉકેલો વિશે વાત કરવાનું ચાલુ રાખ્યું. નવા રસ ધરાવતા સહભાગીઓ અમારી પાસે આવવા લાગ્યા. વસંત સત્ર દરમિયાન, અમે કાગલ પરની આઠ સ્પર્ધાઓમાં એક સુવર્ણ, ત્રણ રજત અને નવ કાંસ્ય જીતવામાં સફળ રહ્યા: પેટફાઇન્ડર, સેન્ટેન્ડર, લિંગ ઠરાવ, વ્હેલ ઓળખ, Quora, Google લેન્ડમાર્ક્સ અને અન્ય, બ્રોન્ઝ ઇન Recco પડકાર, ચેન્જેલેન્જ>>કપમાં ત્રીજું સ્થાન અને મશીન લર્નિંગ સ્પર્ધામાં પ્રથમ સ્થાન (ફરીથી પૈસામાં) પ્રોગ્રામિંગ ચેમ્પિયનશિપ યાન્ડેક્ષ માંથી.

તાલીમ સહભાગીઓ શું કહે છે

મિખાઇલ કારચેવસ્કી
"મને ખૂબ જ આનંદ છે કે આવી પ્રવૃત્તિઓ અહીં સાઇબિરીયામાં કરવામાં આવે છે, કારણ કે હું માનું છું કે સ્પર્ધાઓમાં ભાગ લેવો એ ML માં નિપુણતા મેળવવાનો સૌથી ઝડપી રસ્તો છે. આવી સ્પર્ધાઓ માટે, હાર્ડવેર જાતે ખરીદવા માટે ખૂબ ખર્ચાળ છે, પરંતુ અહીં તમે મફતમાં વિચારો અજમાવી શકો છો.

કિરીલ બ્રોડટ
“ML પ્રશિક્ષણના આગમન પહેલાં, હું ખાસ કરીને તાલીમ અને હિંદુ સ્પર્ધાઓના અપવાદ સાથે સ્પર્ધાઓમાં ભાગ લેતો ન હતો: મેં આમાં કોઈ મુદ્દો જોયો ન હતો, કારણ કે મારી પાસે MLના ક્ષેત્રમાં કામ હતું, અને હું તેનાથી પરિચિત હતો. પ્રથમ સેમેસ્ટરમાં મેં વિદ્યાર્થી તરીકે હાજરી આપી હતી. અને બીજા સેમેસ્ટરથી શરૂ કરીને, જેમ જેમ કમ્પ્યુટીંગ સંસાધનો ઉપલબ્ધ થયા, મેં વિચાર્યું, શા માટે ભાગ ન લેવો. અને તે મને હૂક કરી. કાર્ય, ડેટા અને મેટ્રિક્સની શોધ કરવામાં આવી હતી અને તમારા માટે તૈયાર કરવામાં આવી હતી, આગળ વધો અને MO ની સંપૂર્ણ શક્તિનો ઉપયોગ કરો, અદ્યતન મોડલ અને તકનીકો તપાસો. જો તે તાલીમ માટે ન હોત અને, એટલું જ અગત્યનું, કમ્પ્યુટિંગ સંસાધનો, તો મેં ટૂંક સમયમાં ભાગ લેવાનું શરૂ કર્યું ન હોત."

આન્દ્રે શેવેલેવ
“વ્યક્તિગત ML તાલીમે મને સમાન વિચારધારાવાળા લોકોને શોધવામાં મદદ કરી, જેમની સાથે હું મશીન લર્નિંગ અને ડેટા વિશ્લેષણના ક્ષેત્રમાં મારા જ્ઞાનને વધુ ઊંડું કરી શક્યો. આ તે લોકો માટે પણ એક ઉત્તમ વિકલ્પ છે જેમની પાસે સ્વતંત્ર રીતે વિશ્લેષણ કરવા અને સ્પર્ધાઓના વિષયમાં પોતાને નિમજ્જિત કરવા માટે વધુ ખાલી સમય નથી, પરંતુ તે હજી પણ વિષયમાં રહેવા માંગે છે.

અમારી સાથ જોડાઓ

કાગલ અને અન્ય પ્લેટફોર્મ્સ પરની સ્પર્ધાઓ વ્યવહારિક કૌશલ્યોને સુધારે છે અને ઝડપથી ડેટા વિજ્ઞાનના ક્ષેત્રમાં રસપ્રદ કાર્યમાં પરિવર્તિત થાય છે. જે લોકો મુશ્કેલ સ્પર્ધામાં સાથે મળીને ભાગ લેતા હોય છે તેઓ ઘણીવાર સહકર્મીઓ બની જાય છે અને કાર્ય-સંબંધિત સમસ્યાઓને સફળતાપૂર્વક હલ કરવાનું ચાલુ રાખે છે. અમારી સાથે પણ આ બન્યું: મિખાઇલ કારચેવસ્કી, ટીમના એક મિત્ર સાથે, ભલામણ સિસ્ટમ પર તે જ કંપનીમાં કામ કરવા ગયા.

સમય જતાં, અમે આ પ્રવૃત્તિને વૈજ્ઞાનિક પ્રકાશનો અને મશીન લર્નિંગ કોન્ફરન્સમાં ભાગીદારી સાથે વિસ્તારવાની યોજના બનાવીએ છીએ. નોવોસિબિર્સ્કમાં સહભાગીઓ અથવા નિષ્ણાતો તરીકે અમારી સાથે જોડાઓ - લખો મને અથવા કિરીલ. તમારા શહેરો અને યુનિવર્સિટીઓમાં સમાન તાલીમનું આયોજન કરો.

તમારા પ્રથમ પગલાં લેવામાં તમારી સહાય કરવા માટે અહીં એક નાની ચીટ શીટ છે:

1. નિયમિત વર્ગો માટે અનુકૂળ સ્થળ અને સમયનો વિચાર કરો. શ્રેષ્ઠ રીતે - અઠવાડિયામાં 1-2 વખત.
2. સંભવિત રસ ધરાવતા સહભાગીઓને પ્રથમ મીટિંગ વિશે લખો. સૌ પ્રથમ, આ તકનીકી યુનિવર્સિટીઓના વિદ્યાર્થીઓ, ODS સહભાગીઓ છે.
3. વર્તમાન બાબતોની ચર્ચા કરવા માટે ચેટ શરૂ કરો: ટેલિગ્રામ, વીકે, વોટ્સએપ અથવા મોટાભાગના લોકો માટે અનુકૂળ કોઈપણ અન્ય મેસેન્જર.
4. સાર્વજનિક રીતે સુલભ પાઠ યોજના, સ્પર્ધાઓ અને સહભાગીઓની સૂચિ જાળવી રાખો અને પરિણામોનું નિરીક્ષણ કરો.
5. નજીકની યુનિવર્સિટીઓ, સંશોધન સંસ્થાઓ અથવા કંપનીઓમાં મફત કમ્પ્યુટિંગ પાવર અથવા તેના માટે અનુદાન મેળવો.
6. નફો!

સ્ત્રોત: www.habr.com