«je natječaj za prvostupnike i magistre humanističkih i tehničkih znanosti. Organiziraju ga velike ruske IT kompanije i najjača sveučilišta u zemlji, uključujući i Sveučilište ITMO. Danas govorimo o ciljevima Olimpijade i dva područja koja naše sveučilište nadzire - "Big Data" i "Robotika" (o ostalom - u našim sljedećim habratopicama).
Prikaz: /unsplash.com
Nekoliko riječi o Olimpijskim igrama
Cilj. Provjeriti znanje studenata i upoznati ih sa zahtjevima poslodavaca. Studenti se razvijaju u odabranom znanstvenom području radeći u međunarodnim tvrtkama. Poslodavac također ima koristi - ne mora ponovno registrirati obučene stručnjake i pozdravljati novozaposlene zaposlenike frazom: "Zaboravite sve što su vas učili na sveučilištu."
Zašto sudjelovati? Pobjednici ući na ruska sveučilišta bez ispita. Praksu možete dobiti u Yandexu, Sberbanku, IBS-u, Mail.ru i drugim velikim korporacijama. Prošle godine, ponude ruskih tvrtki više od četiri stotine najboljih sudionika. Također, moći će posjetiti i studenti koji su se dokazali .
Tko sudjeluje? Studenti svih specijalnosti - tehničkih, humanističkih i prirodnih znanosti. Osim diplomanata, diplomirani studenti, rezidenti i studenti stranih sveučilišta.
Format događaja. Prijaviti se možete do 18. studenog. Online kvalifikacijska faza održat će se od 22. studenog do 8. prosinca, ali je možete preskočiti ako uspješno završite barem dva . Pobjednici kvalifikacijskog kruga napredovat će na interna natjecanja na glavnim sveučilištima diljem zemlje, koja su na rasporedu od siječnja do ožujka. Rezultati Olimpijade “Ja sam profesionalac” bit će objavljeni u travnju .
Ove godine olimpijada obuhvaća 68 područja. Stručnjaci Sveučilišta ITMO nadziru pet od njih: “Fotonika”, “Informacijska i kibernetička sigurnost”, “Programiranje i informacijske tehnologije”, kao i “Big Data” i “Robotika”. Reći ćemo vam više o posljednja dva.
Veliki podaci
Ovo područje pokriva sve tehnologije životnog ciklusa Big Data, uključujući njihovo prikupljanje, pohranu, obradu, modeliranje i interpretaciju. Pobjednici će moći bez ispita upisati magistarski studij na Sveučilištu ITMO za programe: “Primijenjena matematika i informatika”, “Digitalno zdravstvo”, “Big Data Financijske tehnologije” i .
Sudionici će također imati priliku proći praksu u specijalnostima podatkovnog znanstvenika i podatkovnog inženjera u partnerskim tvrtkama. To su Nacionalni centar za kognitivna istraživanja, Mail.ru, Gazpromneft STC, Rosneft, Sberbank i ER-Telecom.
“Posljednjih godina područje Big Data postalo je sve popularnije. Tehnologije za primarno prikupljanje i pohranjivanje podataka se razvijaju, pojavljuju se novi digitalni mehanizmi (u području interneta stvari i društvenih mreža) za snimanje prethodno nevidljivih procesa,” komentira Alexander Valerievich Bukhanovsky, direktor Sveučilište ITMO. “Istodobno se pozornost posvećuje ne samo tome kako organizirati proces pohranjivanja i korištenja podataka, već i opravdavanju zaključaka i odluka, kao i stvaranju prediktivnih modela.”
Koji će biti zadaci? Tim ih priprema Sveučilište ITMO. Uzimaju u obzir činjenicu da stručnjak za Big Data mora imati osnovno znanje iz teorije vjerojatnosti i matematičke statistike, kao i strojnog učenja. Razumijevati logiku i metodologiju suvremenih sustava umjetne inteligencije i govoriti R, Javu, Scalu, 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 poslužitelja, s 12 dostupnih jezgri na svakom. Resursi između mapera i reduktora dinamički se redistribuiraju (ne postoji stroga podjela resursa). Napišite koliko će se minuta 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 prihvaća točan na jedno decimalno mjesto.
A. 44.6
B. 43.2
C. 41.6
D. 50.0Točan odgovorC
Kako pripremiti. Možete početi sa sljedećim resursima:
- . Može biti koristan za samostalan rad s izvornim kodovima za rješavanje problema.
- . Temeljno djelo govori zašto je vjerojatnosnim modelima potreban takav matematički konstrukt kao što je σ-algebra.
- . Jednostavna i korisna knjiga koja ocrtava osnove vjerojatnosnog računa slučajnih događaja.
Još nekoliko dostupnih knjiga o primijenjenoj statistici za različita područja djelovanja. Njihovi autori jednostavno, ali učinkovito objašnjavaju logiku rješavanja problema estimacije točaka i intervala:
reference
Informacije se mogu pronaći i na tematskim tečajevima na web stranici Olimpijade.
Robotika
Robotika kombinira discipline kao što su algoritmi, elektronika i mehanika. Ovaj smjer vrijedi izabrati za one koji već studiraju ili se pripremaju za upis na magistarske i poslijediplomske programe programskog inženjerstva, primijenjene mehanike, primijenjene matematike i računarstva ili elektroničkog inženjerstva. Provjereni studenti mogu besplatno upisati programe """"A""našeg sveučilišta.
Koji će biti zadaci? Magistari i prvostupnici rješavaju različite zadatke. Međutim, svi zadaci ispituju kompleksno znanje teorije upravljanja, obrade informacija i modeliranja robota. Na primjer, od sudionika će se tražiti da provjere stabilnost ili upravljivost sustava, odaberu strukturu ili izračunaju koeficijente regulatora.
"Morat ćemo riješiti izravni ili inverzni problem kinematike za mobilni ili manipulativni robot, raditi s Jacobianom sustava i tražiti momente ravnoteže u zglobovima pod danim vanjskim opterećenjem", kaže Sergej Aleksejevič Koljubin, zamjenik direktora u ITMO-u. "Bit će zadataka programiranja - trebate napisati mali program za modeliranje robota ili planiranje putanje u Pythonu ili C++."
U finalu studenti moraju programirati robota da izvršava zadatke partnerskih tvrtki: Ruske željeznice, Diakont, KUKA itd. Projekti se odnose na dronove za zemlju i zrak, kao i kolaborativne robote koji rade u uvjetima fizičkog kontakta s okoliš. Format natjecanja je sličan . Prvo studenti rade na simulatoru, a zatim na stvarnom hardveru.
Zatim ćemo razmotriti nekoliko opcija za zadatke iz područja robotike s kojima se učenici mogu susresti. Evo primjera za kandidate za magistarske programe:
Primjer zadatka #1: Automobilski kinematički robot kreće se linearnom brzinom v=0,3 m/s. Upravljač je zakrenut za kut w=0,2 rad. Ako je radijus kotača robota jednak r=0,02 m, a duljina i trag robota jednaki L=0,3 m odnosno d=0,2 m, kolike će biti kutne brzine svakog od stražnjih kotača w1 i w2, izraženo u rad/s ?
Odgovor unesite u formatu dva broja odvojena razmakom, točno na drugu decimalu, vodeći računa o predznaku.Primjer zadatka #2: Što može biti znak astatizma u zatvorenom sustavu u odnosu na referentni utjecaj, ako se analiza provodi prema strukturnom dijagramu sustava?
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 upisuju diplomski studij ili specijalizaciju:
Primjer zadatka #1: Na slici je prikazan robotski manipulator redundantne kinematike sa 7 rotacijskih zglobova. Slika prikazuje koordinatni sustav baze robota {s} s vektorom osi y okomitim na ravninu stranice, koordinatnim sustavom {b} povezanim s rubom i kolinearnim s {s}. Robot je prikazan u konfiguraciji u kojoj su kutne koordinate svih veza jednake 0. Zavojne osi za sedam kinematičkih parova prikazane su na slici (pozitivan smjer suprotno od kazaljke na satu). Osi zglobova 2, 4 i 6 su suusmjerene, osi spojeva 1, 3, 5 i 7 identične su osi početnog koordinatnog sustava 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 koji se temelje na filtrima čestica, programeri su odlučili koristiti algoritam resampling wheel resampling. U određenom trenutku rada algoritma u memoriji je ostao uzorak od 5 “čestica” s težinama w(1) = 0,5, w(2) = 1,2, w(3) = 1,5, w(4) = 1,0. 5 i w(0,8) = XNUMX. Pri kojoj minimalnoj vrijednosti praga efektivne veličine uzorka u određenoj iteraciji će se pokrenuti mehanizam ponovnog uzorkovanja. Odgovor napišite u decimalnom formatu s točnošću do jednog decimalnog mjesta.
Kako pripremiti. Svoje znanje i izglede možete procijeniti pomoću popisa za provjeru. Sudionici smjera Robotika moraju:
- Poznavati principe modeliranja robota, karakteristike suvremenih senzora i metode dobivanja senzorskih informacija.
- Znati i moći primijeniti u praksi metode i algoritme za planiranje putanje i automatsko upravljanje, te obradu senzorskih informacija.
- Imati vještine strukturiranog i objektno orijentiranog programiranja. Biti sposoban raditi u razvojnim okruženjima za robotske sustave.
- Poznavati principe, ključne karakteristike i karakteristike rada računalnog dijela, pogona i senzora modernih robota. Imati vještine planiranja i postavljanja eksperimenata.
Da biste "zategnuli" bilo koje područje, možete obratiti pažnju na . Tu se raspravlja o nekim problemima s prethodnih olimpijada. Postoji i specijalizirana literatura, npr.
Više knjiga
I online tečajeve na Openedu, Coursera i Edx
Dodatne informacije o olimpijadi:
Izvor: www.habr.com