Ինչպես ես կազմակերպեցի մեքենայական ուսուցման դասընթացներ NSU-ում

Իմ անունը Սաշա է, և ես սիրում եմ մեքենայական ուսուցումը, ինչպես նաև մարդկանց սովորեցնելը: Այժմ ես ղեկավարում եմ կրթական ծրագրերը Համակարգչային գիտության կենտրոնում և ղեկավարում եմ Սանկտ Պետերբուրգի պետական ​​համալսարանի տվյալների վերլուծության բակալավրիատը: Մինչ այդ նա աշխատել է որպես վերլուծաբան Յանդեքսում, իսկ ավելի վաղ՝ որպես գիտնական. Մաթեմատիկական մոդելավորմամբ զբաղվել է SB RAS-ի համակարգչային գիտության ինստիտուտում։

Այս գրառման մեջ ես ուզում եմ ձեզ պատմել, թե ինչ է ծագել ուսանողների, Նովոսիբիրսկի պետական ​​համալսարանի շրջանավարտների և բոլորի համար մեքենայական ուսուցման դասընթացներ սկսելու գաղափարից:

Ես վաղուց էի ցանկանում կազմակերպել հատուկ դասընթաց՝ Kaggle-ում և այլ հարթակներում տվյալների վերլուծության մրցույթներին պատրաստվելու վերաբերյալ։ Սա հիանալի գաղափար էր թվում.

• Ուսանողները և ցանկացած հետաքրքրված տեսական գիտելիքները գործնականում կկիրառեն և հանրային մրցույթներում խնդիրների լուծման փորձ ձեռք կբերեն։
• Նման մրցույթներում առաջին հորիզոնականում գտնվող ուսանողները լավ են ազդում ԱՊՀ-ի գրավչության վրա դիմորդների, ուսանողների և շրջանավարտների համար: Նույնը տեղի է ունենում սպորտային ծրագրավորման պարապմունքների դեպքում:
• Այս հատուկ դասընթացը հիանալի կերպով լրացնում և ընդլայնում է հիմնարար գիտելիքները. մասնակիցներն ինքնուրույն են կիրառում մեքենայական ուսուցման մոդելներ և հաճախ թիմեր են կազմում, որոնք մրցում են գլոբալ մակարդակում:
• Մյուս բուհերն արդեն նման ուսուցում էին անցկացրել, ուստի ես հույս ունեի, որ ԱԱՊ-ում հատուկ դասընթացը կհաջողվի:

Գործարկել

Նովոսիբիրսկի Ակադեմգորոդոկը շատ պարարտ հող ունի նման ջանքերի համար. Համակարգչային գիտության կենտրոնի ուսանողներ, շրջանավարտներ և ուսուցիչներ և ուժեղ տեխնիկական ֆակուլտետներ, օրինակ՝ FIT, MMF, FF, NSU-ի վարչակազմի ուժեղ աջակցություն, ակտիվ ODS համայնք, փորձառու ինժեներներ: և տարբեր ՏՏ ընկերությունների վերլուծաբաններ: Մոտավորապես նույն ժամանակահատվածում մենք տեղեկացանք դրամաշնորհային ծրագրի մասին Botan Investments — հիմնադրամն աջակցում է թիմերին, որոնք լավ արդյունքներ են ցույց տալիս ՄԼ մարզական մրցումներում։

Մենք գտանք լսարան NSU-ում շաբաթական հանդիպումների համար, ստեղծեցինք չաթ Telegram-ում և գործարկեցինք հոկտեմբերի 1-ին CS կենտրոնի ուսանողների և շրջանավարտների հետ միասին: Առաջին դասին 19 հոգի էր եկել։ Նրանցից վեցը դարձան վերապատրաստման կանոնավոր մասնակիցներ։ Ընդհանուր առմամբ, ուսումնական տարվա ընթացքում առնվազն մեկ անգամ հանդիպման է եկել 31 հոգի։

Առաջին արդյունքները

Ես ու տղաները հանդիպեցինք, փորձի փոխանակում կատարեցինք, քննարկեցինք մրցույթներ և ապագայի մոտավոր ծրագիր։ Շատ արագ մենք հասկացանք, որ տվյալների վերլուծության մրցույթներում տեղերի համար պայքարելը սովորական, հոգնեցուցիչ աշխատանք է, որը նման է չվարձատրվող լրիվ դրույքով աշխատանքին, բայց շատ հետաքրքիր և հուզիչ 🙂 Մասնակիցներից մեկը՝ Kaggle-master Maxim-ը, խորհուրդ տվեց մեզ նախ անհատական ​​առաջադիմել մրցույթներում։ , և միայն մի քանի շաբաթ անց միավորվել թիմերի մեջ՝ հաշվի առնելով հանրային հաշիվը։ Ահա թե ինչ արեցինք։ Դեմ առ դեմ ուսուցման ընթացքում մենք քննարկեցինք մոդելներ, գիտական ​​հոդվածներ և Python գրադարանների բարդությունները և միասին լուծեցինք խնդիրները:

Աշնանային կիսամյակի արդյունքները երեք արծաթե մեդալներ էին Kaggle-ի երկու մրցումներում. TGS աղի նույնականացում и PLAsTiCC աստղագիտական ​​դասակարգում. Եվ մեկ երրորդ տեղ CFT մրցույթում՝ առաջին շահած գումարով (փողի մեջ, ինչպես փորձառու կեգլերներն են ասում) ուղղելու տառասխալները։

Հատուկ դասընթացի մեկ այլ շատ կարևոր անուղղակի արդյունք էր NSU VKI կլաստերի գործարկումը և կազմաձևումը: Նրա հաշվողական հզորությունը զգալիորեն բարելավել է մեր մրցակցային կյանքը՝ 40 պրոցեսոր, 755 Գբ RAM, 8 NVIDIA Tesla V100 GPU:

Մինչ այդ մենք գոյատևում էինք այնպես, ինչպես կարող էինք. մենք հաշվարկում էինք անձնական նոութբուքերի և աշխատասեղանի վրա, Google Colab-ում և Kaggle-kernels-ում: Մի թիմ նույնիսկ ուներ ինքնուրույն գրված սցենար, որն ավտոմատ կերպով պահպանեց մոդելը և վերսկսեց հաշվարկը, որը դադարեցվել էր ժամանակի սահմանափակման պատճառով:

Գարնանային կիսամյակում մենք շարունակեցինք հավաքվել, փոխանակվել հաջողված արդյունքներով և խոսել մրցույթի մեր լուծումների մասին։ Մեզ մոտ սկսեցին գալ նոր հետաքրքրված մասնակիցներ։ Գարնանային կիսամյակի ընթացքում մեզ հաջողվեց Kaggle-ում ութ մրցումներում տիրանալ մեկ ոսկի, երեք արծաթ և ինը բրոնզ. PetFinder, Santander, Գենդերային լուծում, Կետի նույնականացում, Quora, Google Landmarks և ուրիշներ՝ բրոնզե ներս Recco մարտահրավեր, երրորդ տեղ Changellenge>>Գավաթում և առաջին տեղը (կրկին փողով) մեքենայական ուսուցման մրցույթում ժամը ծրագրավորման առաջնություն Yandex-ից։

Ինչ են ասում վերապատրաստման մասնակիցները

Միխայիլ Կարչևսկի
«Ես շատ ուրախ եմ, որ այստեղ՝ Սիբիրում, նման գործողություններ են իրականացվում, քանի որ կարծում եմ, որ մրցույթներին մասնակցելը ՄԼ-ին տիրապետելու ամենաարագ ճանապարհն է։ Նման մրցույթների համար տեխնիկան բավականին թանկ է գնել ինքներդ, բայց այստեղ դուք կարող եք անվճար փորձել գաղափարները»:

Կիրիլ Բրոդտ
«Մինչ ML մարզումների գալը, ես առանձնապես չէի մասնակցում մրցույթների, բացառությամբ մարզումների և հինդուի մրցումների. ես դրա իմաստը չէի տեսնում, քանի որ ես աշխատանք ունեի ՄԼ ոլորտում և ծանոթ էի դրան: Առաջին կիսամյակը ես հաճախել եմ որպես ուսանող։ Իսկ երկրորդ կիսամյակից սկսած, հենց որ հաշվողական ռեսուրսները հասանելի դարձան, մտածեցի՝ ինչու չմասնակցել։ Եվ դա ինձ գրավեց: Առաջադրանքը, տվյալները և չափումները հորինվել և պատրաստվել են ձեզ համար, առաջ գնացեք և օգտագործեք MO-ի ողջ հզորությունը, ստուգեք ժամանակակից մոդելներն ու տեխնիկան: Եթե ​​չլինեին թրեյնինգը և, նույնքան կարևորը, հաշվողական ռեսուրսները, ես շուտով չէի սկսի մասնակցել»:

Անդրեյ Շևելև
«Անձնական ML թրեյնինգն ինձ օգնեց գտնել համախոհներ, որոնց հետ կարողացա խորացնել իմ գիտելիքները մեքենայական ուսուցման և տվյալների վերլուծության ոլորտում: Սա հիանալի տարբերակ է նաև նրանց համար, ովքեր շատ ազատ ժամանակ չունեն ինքնուրույն վերլուծելու և խորանալու մրցույթների թեմայի մեջ, բայց դեռ ցանկանում են լինել թեմայի մեջ»։

Միացեք մեզ

Kaggle-ի և այլ հարթակներում անցկացվող մրցույթները զարգացնում են գործնական հմտությունները և արագ վերածվում հետաքրքիր աշխատանքի տվյալների գիտության ոլորտում: Մարդիկ, ովքեր միասին մասնակցել են դժվարին մրցույթի, հաճախ դառնում են գործընկերներ և շարունակում են հաջողությամբ լուծել աշխատանքի հետ կապված խնդիրները։ Մեզ հետ էլ նման բան պատահեց. Միխայիլ Կարչևսկին թիմից ընկերոջ հետ միասին գնաց աշխատանքի նույն ընկերությունում՝ առաջարկությունների համակարգով:

Ժամանակի ընթացքում մենք նախատեսում ենք ընդլայնել այս գործունեությունը գիտական ​​հրապարակումներով և մեքենայական ուսուցման համաժողովներին մասնակցելու միջոցով: Միացեք մեզ որպես Նովոսիբիրսկի մասնակիցներ կամ փորձագետներ - գրեք ինձ կամ Կիրիլ. Կազմակերպեք նմանատիպ դասընթացներ ձեր քաղաքներում և համալսարաններում:

Ահա մի փոքրիկ խաբեության թերթիկ, որը կօգնի ձեզ կատարել ձեր առաջին քայլերը.

1. Հաշվի առեք հարմար վայր և ժամանակ սովորական պարապմունքների համար: Օպտիմալ - շաբաթական 1-2 անգամ:
2. Գրեք պոտենցիալ հետաքրքրված մասնակիցներին առաջին հանդիպման մասին: Առաջին հերթին դրանք տեխնիկական բուհերի ուսանողներ են, ODS-ի մասնակիցներ։
3. Սկսեք զրույց՝ քննարկելու ընթացիկ գործերը՝ Telegram, VK, WhatsApp կամ շատերի համար հարմար ցանկացած այլ մեսենջեր:
4. Պահպանեք հանրությանը հասանելի դասի պլանը, մրցույթների և մասնակիցների ցուցակը և վերահսկեք արդյունքները:
5. Գտեք անվճար հաշվողական հզորություն կամ դրա համար դրամաշնորհներ մոտակա համալսարաններում, գիտահետազոտական ​​ինստիտուտներում կամ ընկերություններում:
6. ՇԱՀՈՒՅԹ

Աղբյուրը` www.habr.com