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
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.
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.
Ինչ են ասում վերապատրաստման մասնակիցները
«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»:
«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»:
«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
Ահա մի փոքրիկ խաբեության թերթիկ, որը կօգնի ձեզ կատարել ձեր առաջին քայլերը.
- Հաշվի առեք հարմար վայր և ժամանակ սովորական պարապմունքների համար: Օպտիմալ - շաբաթական 1-2 անգամ:
- Գրեք պոտենցիալ հետաքրքրված մասնակիցներին առաջին հանդիպման մասին: Առաջին հերթին դրանք տեխնիկական բուհերի ուսանողներ են, ODS-ի մասնակիցներ։
- Սկսեք զրույց՝ քննարկելու ընթացիկ գործերը՝ Telegram, VK, WhatsApp կամ շատերի համար հարմար ցանկացած այլ մեսենջեր:
- Պահպանեք հանրությանը հասանելի դասի պլանը, մրցույթների և մասնակիցների ցուցակը և վերահսկեք արդյունքները:
- Գտեք անվճար հաշվողական հզորություն կամ դրա համար դրամաշնորհներ մոտակա համալսարաններում, գիտահետազոտական ինստիտուտներում կամ ընկերություններում:
- ՇԱՀՈՒՅԹ
Աղբյուրը` www.habr.com