ಅನುಭವಿ ಬ್ಯಾಕೆಂಡ್ ಡೆವಲಪರ್‌ಗಳಿಗಾಗಿ ಯಾಂಡೆಕ್ಸ್ ಯಂತ್ರ ಕಲಿಕೆಯಲ್ಲಿ ರೆಸಿಡೆನ್ಸಿ ಪ್ರೋಗ್ರಾಂ ಅನ್ನು ತೆರೆಯುತ್ತಿದೆ. ನೀವು C++/Python ನಲ್ಲಿ ಸಾಕಷ್ಟು ಬರೆದಿದ್ದರೆ ಮತ್ತು ML ಗೆ ಈ ಜ್ಞಾನವನ್ನು ಅನ್ವಯಿಸಲು ಬಯಸಿದರೆ, ಪ್ರಾಯೋಗಿಕ ಸಂಶೋಧನೆ ಮತ್ತು ಅನುಭವಿ ಮಾರ್ಗದರ್ಶಕರನ್ನು ಹೇಗೆ ಒದಗಿಸುವುದು ಎಂಬುದನ್ನು ನಾವು ನಿಮಗೆ ಕಲಿಸುತ್ತೇವೆ. ನೀವು ಪ್ರಮುಖ ಯಾಂಡೆಕ್ಸ್ ಸೇವೆಗಳಲ್ಲಿ ಕೆಲಸ ಮಾಡುತ್ತೀರಿ ಮತ್ತು ರೇಖೀಯ ಮಾದರಿಗಳು ಮತ್ತು ಗ್ರೇಡಿಯಂಟ್ ಬೂಸ್ಟಿಂಗ್, ಶಿಫಾರಸು ವ್ಯವಸ್ಥೆಗಳು, ಚಿತ್ರಗಳು, ಪಠ್ಯ ಮತ್ತು ಧ್ವನಿಯನ್ನು ವಿಶ್ಲೇಷಿಸಲು ನರಮಂಡಲದಂತಹ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ಕೌಶಲ್ಯಗಳನ್ನು ಗಳಿಸುವಿರಿ. ಆಫ್‌ಲೈನ್ ಮತ್ತು ಆನ್‌ಲೈನ್‌ನಲ್ಲಿ ಮೆಟ್ರಿಕ್‌ಗಳನ್ನು ಬಳಸಿಕೊಂಡು ನಿಮ್ಮ ಮಾದರಿಗಳನ್ನು ಸರಿಯಾಗಿ ಮೌಲ್ಯಮಾಪನ ಮಾಡುವುದು ಹೇಗೆ ಎಂಬುದನ್ನು ಸಹ ನೀವು ಕಲಿಯುವಿರಿ.
ಕಾರ್ಯಕ್ರಮದ ಅವಧಿಯು ಒಂದು ವರ್ಷ, ಈ ಸಮಯದಲ್ಲಿ ಭಾಗವಹಿಸುವವರು ಯಾಂಡೆಕ್ಸ್‌ನ ಯಂತ್ರ ಬುದ್ಧಿಮತ್ತೆ ಮತ್ತು ಸಂಶೋಧನಾ ವಿಭಾಗದಲ್ಲಿ ಕೆಲಸ ಮಾಡುತ್ತಾರೆ, ಜೊತೆಗೆ ಉಪನ್ಯಾಸಗಳು ಮತ್ತು ಸೆಮಿನಾರ್‌ಗಳಿಗೆ ಹಾಜರಾಗುತ್ತಾರೆ. ಭಾಗವಹಿಸುವಿಕೆಯು ಪಾವತಿಸಲ್ಪಡುತ್ತದೆ ಮತ್ತು ಪೂರ್ಣ ಸಮಯದ ಕೆಲಸವನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ: ಈ ವರ್ಷದ ಜುಲೈ 40 ರಿಂದ ವಾರಕ್ಕೆ 1 ಗಂಟೆಗಳವರೆಗೆ. ಮತ್ತು ಮೇ 1 ರವರೆಗೆ ಇರುತ್ತದೆ.
ಮತ್ತು ಈಗ ಹೆಚ್ಚು ವಿವರವಾಗಿ - ನಾವು ಯಾವ ರೀತಿಯ ಪ್ರೇಕ್ಷಕರಿಗಾಗಿ ಕಾಯುತ್ತಿದ್ದೇವೆ, ಕೆಲಸದ ಪ್ರಕ್ರಿಯೆಯು ಏನಾಗಿರುತ್ತದೆ ಮತ್ತು ಸಾಮಾನ್ಯವಾಗಿ, ಬ್ಯಾಕ್-ಎಂಡ್ ತಜ್ಞರು ML ನಲ್ಲಿ ವೃತ್ತಿಜೀವನಕ್ಕೆ ಹೇಗೆ ಬದಲಾಯಿಸಬಹುದು ಎಂಬುದರ ಕುರಿತು.
ನಿರ್ದೇಶನ
ಅನೇಕ ಕಂಪನಿಗಳು ರೆಸಿಡೆನ್ಸಿ ಕಾರ್ಯಕ್ರಮಗಳನ್ನು ಹೊಂದಿವೆ, ಉದಾಹರಣೆಗೆ, Google ಮತ್ತು Facebook. ಅವರು ಮುಖ್ಯವಾಗಿ ಎಂಎಲ್ ಸಂಶೋಧನೆಯತ್ತ ಹೆಜ್ಜೆ ಹಾಕಲು ಪ್ರಯತ್ನಿಸುತ್ತಿರುವ ಕಿರಿಯ ಮತ್ತು ಮಧ್ಯಮ ಮಟ್ಟದ ತಜ್ಞರನ್ನು ಗುರಿಯಾಗಿಸಿಕೊಂಡಿದ್ದಾರೆ. ನಮ್ಮ ಕಾರ್ಯಕ್ರಮವು ವಿಭಿನ್ನ ಪ್ರೇಕ್ಷಕರಿಗಾಗಿ. ಈಗಾಗಲೇ ಸಾಕಷ್ಟು ಅನುಭವವನ್ನು ಪಡೆದಿರುವ ಬ್ಯಾಕೆಂಡ್ ಡೆವಲಪರ್‌ಗಳನ್ನು ನಾವು ಆಹ್ವಾನಿಸುತ್ತೇವೆ ಮತ್ತು ಕೈಗಾರಿಕಾ ಯಂತ್ರ ಕಲಿಕೆಯ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸುವಲ್ಲಿ ಪ್ರಾಯೋಗಿಕ ಕೌಶಲ್ಯಗಳನ್ನು ಪಡೆಯಲು - ಮತ್ತು ವಿಜ್ಞಾನಿಗಳ ಕೌಶಲ್ಯಗಳನ್ನು ಅಲ್ಲ - ತಮ್ಮ ಸಾಮರ್ಥ್ಯಗಳಲ್ಲಿ ML ಕಡೆಗೆ ಬದಲಾಯಿಸಬೇಕಾಗಿದೆ ಎಂದು ಖಚಿತವಾಗಿ ತಿಳಿದಿರುತ್ತದೆ. ನಾವು ಯುವ ಸಂಶೋಧಕರನ್ನು ಬೆಂಬಲಿಸುವುದಿಲ್ಲ ಎಂದು ಇದರ ಅರ್ಥವಲ್ಲ. ನಾವು ಅವರಿಗಾಗಿ ಪ್ರತ್ಯೇಕ ಕಾರ್ಯಕ್ರಮವನ್ನು ಆಯೋಜಿಸಿದ್ದೇವೆ - ಇಲ್ಯಾ ಸೆಗಾಲೋವಿಚ್ ಅವರ ಹೆಸರನ್ನು ಇಡಲಾಗಿದೆ, ಇದು ನಿಮಗೆ ಯಾಂಡೆಕ್ಸ್‌ನಲ್ಲಿ ಕೆಲಸ ಮಾಡಲು ಸಹ ಅನುಮತಿಸುತ್ತದೆ.
ನಿವಾಸಿ ಎಲ್ಲಿ ಕೆಲಸ ಮಾಡುತ್ತಾನೆ?
ಮೆಷಿನ್ ಇಂಟೆಲಿಜೆನ್ಸ್ ಮತ್ತು ರಿಸರ್ಚ್ ವಿಭಾಗದಲ್ಲಿ, ನಾವೇ ಯೋಜನೆಯ ಕಲ್ಪನೆಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುತ್ತೇವೆ. ಸ್ಫೂರ್ತಿಯ ಮುಖ್ಯ ಮೂಲವೆಂದರೆ ವೈಜ್ಞಾನಿಕ ಸಾಹಿತ್ಯ, ಲೇಖನಗಳು ಮತ್ತು ಸಂಶೋಧನಾ ಸಮುದಾಯದಲ್ಲಿನ ಪ್ರವೃತ್ತಿಗಳು. ನನ್ನ ಸಹೋದ್ಯೋಗಿಗಳು ಮತ್ತು ನಾನು ನಾವು ಓದಿದ್ದನ್ನು ವಿಶ್ಲೇಷಿಸುತ್ತೇವೆ, ವಿಜ್ಞಾನಿಗಳು ಪ್ರಸ್ತಾಪಿಸಿದ ವಿಧಾನಗಳನ್ನು ನಾವು ಹೇಗೆ ಸುಧಾರಿಸಬಹುದು ಅಥವಾ ವಿಸ್ತರಿಸಬಹುದು ಎಂಬುದನ್ನು ನೋಡುತ್ತೇವೆ. ಅದೇ ಸಮಯದಲ್ಲಿ, ನಮ್ಮಲ್ಲಿ ಪ್ರತಿಯೊಬ್ಬರೂ ಅವರ ಜ್ಞಾನ ಮತ್ತು ಆಸಕ್ತಿಗಳ ಕ್ಷೇತ್ರವನ್ನು ಗಣನೆಗೆ ತೆಗೆದುಕೊಳ್ಳುತ್ತಾರೆ, ಅವರು ಮುಖ್ಯವೆಂದು ಪರಿಗಣಿಸುವ ಕ್ಷೇತ್ರಗಳ ಆಧಾರದ ಮೇಲೆ ಕಾರ್ಯವನ್ನು ರೂಪಿಸುತ್ತಾರೆ. ಯೋಜನೆಯ ಕಲ್ಪನೆಯು ಸಾಮಾನ್ಯವಾಗಿ ಬಾಹ್ಯ ಸಂಶೋಧನೆಯ ಫಲಿತಾಂಶಗಳು ಮತ್ತು ಒಬ್ಬರ ಸ್ವಂತ ಸಾಮರ್ಥ್ಯಗಳ ಛೇದಕದಲ್ಲಿ ಜನಿಸುತ್ತದೆ.
ಈ ವ್ಯವಸ್ಥೆಯು ಒಳ್ಳೆಯದು ಏಕೆಂದರೆ ಇದು ಯಾಂಡೆಕ್ಸ್ ಸೇವೆಗಳ ತಾಂತ್ರಿಕ ಸಮಸ್ಯೆಗಳನ್ನು ಅವು ಉದ್ಭವಿಸುವ ಮೊದಲೇ ಪರಿಹರಿಸುತ್ತದೆ. ಸೇವೆಯು ಸಮಸ್ಯೆಯನ್ನು ಎದುರಿಸಿದಾಗ, ಅದರ ಪ್ರತಿನಿಧಿಗಳು ನಮ್ಮ ಬಳಿಗೆ ಬರುತ್ತಾರೆ, ನಾವು ಈಗಾಗಲೇ ಸಿದ್ಧಪಡಿಸಿದ ತಂತ್ರಜ್ಞಾನಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುವ ಸಾಧ್ಯತೆಯಿದೆ, ಅದು ಉತ್ಪನ್ನದಲ್ಲಿ ಸರಿಯಾಗಿ ಅನ್ವಯಿಸಲು ಉಳಿದಿದೆ. ಏನಾದರೂ ಸಿದ್ಧವಾಗಿಲ್ಲದಿದ್ದರೆ, ನಾವು ಎಲ್ಲಿ "ಅಗೆಯಲು ಪ್ರಾರಂಭಿಸಬಹುದು" ಮತ್ತು ಯಾವ ಲೇಖನಗಳಲ್ಲಿ ಪರಿಹಾರವನ್ನು ಹುಡುಕಬೇಕು ಎಂಬುದನ್ನು ನಾವು ತ್ವರಿತವಾಗಿ ನೆನಪಿಸಿಕೊಳ್ಳುತ್ತೇವೆ. ನಮಗೆ ತಿಳಿದಿರುವಂತೆ, ವೈಜ್ಞಾನಿಕ ವಿಧಾನವೆಂದರೆ ದೈತ್ಯರ ಹೆಗಲ ಮೇಲೆ ನಿಲ್ಲುವುದು.
ಏನ್ ಮಾಡೋದು
Yandex ನಲ್ಲಿ - ಮತ್ತು ನಿರ್ದಿಷ್ಟವಾಗಿ ನಮ್ಮ ನಿರ್ವಹಣೆಯಲ್ಲಿ - ML ನ ಎಲ್ಲಾ ಸಂಬಂಧಿತ ಕ್ಷೇತ್ರಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲಾಗುತ್ತಿದೆ. ವೈವಿಧ್ಯಮಯ ಉತ್ಪನ್ನಗಳ ಗುಣಮಟ್ಟವನ್ನು ಸುಧಾರಿಸುವುದು ನಮ್ಮ ಗುರಿಯಾಗಿದೆ, ಮತ್ತು ಇದು ಹೊಸದನ್ನು ಪರೀಕ್ಷಿಸಲು ಪ್ರೋತ್ಸಾಹಕವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ. ಹೆಚ್ಚುವರಿಯಾಗಿ, ಹೊಸ ಸೇವೆಗಳು ನಿಯಮಿತವಾಗಿ ಕಾಣಿಸಿಕೊಳ್ಳುತ್ತವೆ. ಆದ್ದರಿಂದ ಉಪನ್ಯಾಸ ಕಾರ್ಯಕ್ರಮವು ಕೈಗಾರಿಕಾ ಅಭಿವೃದ್ಧಿಯಲ್ಲಿ ಯಂತ್ರ ಕಲಿಕೆಯ ಎಲ್ಲಾ ಪ್ರಮುಖ (ಉತ್ತಮವಾಗಿ ಸಾಬೀತಾಗಿರುವ) ಕ್ಷೇತ್ರಗಳನ್ನು ಒಳಗೊಂಡಿದೆ. ಕೋರ್ಸ್‌ನ ನನ್ನ ಭಾಗವನ್ನು ಕಂಪೈಲ್ ಮಾಡುವಾಗ, ನಾನು ಸ್ಕೂಲ್ ಆಫ್ ಡೇಟಾ ಅನಾಲಿಸಿಸ್‌ನಲ್ಲಿ ನನ್ನ ಬೋಧನಾ ಅನುಭವವನ್ನು ಬಳಸಿದ್ದೇನೆ, ಜೊತೆಗೆ ಇತರ SHAD ಶಿಕ್ಷಕರ ಸಾಮಗ್ರಿಗಳು ಮತ್ತು ಕೆಲಸವನ್ನು ಬಳಸಿದ್ದೇನೆ. ನನ್ನ ಸಹೋದ್ಯೋಗಿಗಳು ಅದೇ ರೀತಿ ಮಾಡಿದ್ದಾರೆ ಎಂದು ನನಗೆ ತಿಳಿದಿದೆ.
ಮೊದಲ ತಿಂಗಳುಗಳಲ್ಲಿ, ಕೋರ್ಸ್ ಕಾರ್ಯಕ್ರಮದ ಪ್ರಕಾರ ತರಬೇತಿಯು ನಿಮ್ಮ ಕೆಲಸದ ಸಮಯದ ಸರಿಸುಮಾರು 30% ರಷ್ಟಿರುತ್ತದೆ, ನಂತರ ಸುಮಾರು 10%. ಆದಾಗ್ಯೂ, ML ಮಾದರಿಗಳೊಂದಿಗೆ ಕೆಲಸ ಮಾಡುವುದು ಎಲ್ಲಾ ಸಂಬಂಧಿತ ಪ್ರಕ್ರಿಯೆಗಳಿಗಿಂತ ಸರಿಸುಮಾರು ನಾಲ್ಕು ಪಟ್ಟು ಕಡಿಮೆ ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ ಎಂದು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು ಬಹಳ ಮುಖ್ಯ. ಇವುಗಳಲ್ಲಿ ಬ್ಯಾಕೆಂಡ್ ಅನ್ನು ಸಿದ್ಧಪಡಿಸುವುದು, ಡೇಟಾವನ್ನು ಸ್ವೀಕರಿಸುವುದು, ಪೂರ್ವ ಪ್ರಕ್ರಿಯೆಗೆ ಪೈಪ್‌ಲೈನ್ ಬರೆಯುವುದು, ಕೋಡ್ ಅನ್ನು ಉತ್ತಮಗೊಳಿಸುವುದು, ನಿರ್ದಿಷ್ಟ ಹಾರ್ಡ್‌ವೇರ್‌ಗೆ ಹೊಂದಿಕೊಳ್ಳುವುದು ಇತ್ಯಾದಿ. ML ಇಂಜಿನಿಯರ್, ನೀವು ಬಯಸಿದರೆ, ಪೂರ್ಣ-ಸ್ಟಾಕ್ ಡೆವಲಪರ್ (ಮೆಷಿನ್ ಲರ್ನಿಂಗ್‌ಗೆ ಹೆಚ್ಚಿನ ಒತ್ತು ನೀಡುವುದರೊಂದಿಗೆ ಮಾತ್ರ) , ಪ್ರಾರಂಭದಿಂದ ಅಂತ್ಯದವರೆಗೆ ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ. ಸಿದ್ಧ ಮಾದರಿಯೊಂದಿಗೆ ಸಹ, ನೀವು ಬಹುಶಃ ಹಲವಾರು ಕ್ರಿಯೆಗಳನ್ನು ಮಾಡಬೇಕಾಗಬಹುದು: ಹಲವಾರು ಯಂತ್ರಗಳಲ್ಲಿ ಅದರ ಕಾರ್ಯಗತಗೊಳಿಸುವಿಕೆಯನ್ನು ಸಮಾನಾಂತರಗೊಳಿಸಿ, ಹ್ಯಾಂಡಲ್, ಲೈಬ್ರರಿ ಅಥವಾ ಸೇವೆಯ ಘಟಕಗಳ ರೂಪದಲ್ಲಿ ಅನುಷ್ಠಾನವನ್ನು ಸಿದ್ಧಪಡಿಸಿ.
ವಿದ್ಯಾರ್ಥಿ ಆಯ್ಕೆ
ಮೊದಲು ಬ್ಯಾಕೆಂಡ್ ಡೆವಲಪರ್ ಆಗಿ ಕೆಲಸ ಮಾಡುವ ಮೂಲಕ ಎಂಎಲ್ ಇಂಜಿನಿಯರ್ ಆಗುವುದು ಉತ್ತಮ ಎಂಬ ಅನಿಸಿಕೆ ನಿಮ್ಮಲ್ಲಿದ್ದರೆ, ಇದು ನಿಜವಲ್ಲ. ಸೇವೆಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವಲ್ಲಿ ನೈಜ ಅನುಭವವಿಲ್ಲದೆ ಅದೇ ShAD ನಲ್ಲಿ ನೋಂದಾಯಿಸಿಕೊಳ್ಳುವುದು, ಕಲಿಕೆ ಮತ್ತು ಮಾರುಕಟ್ಟೆಯಲ್ಲಿ ಹೆಚ್ಚು ಬೇಡಿಕೆಯನ್ನು ಪಡೆಯುವುದು ಅತ್ಯುತ್ತಮ ಆಯ್ಕೆಯಾಗಿದೆ. ಅನೇಕ ಯಾಂಡೆಕ್ಸ್ ತಜ್ಞರು ತಮ್ಮ ಪ್ರಸ್ತುತ ಸ್ಥಾನಗಳಲ್ಲಿ ಈ ರೀತಿಯಲ್ಲಿ ಕೊನೆಗೊಂಡಿದ್ದಾರೆ. ಯಾವುದೇ ಕಂಪನಿಯು ಪದವಿಯ ನಂತರ ತಕ್ಷಣವೇ ML ಕ್ಷೇತ್ರದಲ್ಲಿ ಉದ್ಯೋಗವನ್ನು ನೀಡಲು ಸಿದ್ಧವಾಗಿದ್ದರೆ, ನೀವು ಬಹುಶಃ ಆಫರ್ ಅನ್ನು ಸಹ ಒಪ್ಪಿಕೊಳ್ಳಬೇಕು. ಅನುಭವಿ ಮಾರ್ಗದರ್ಶಕರೊಂದಿಗೆ ಉತ್ತಮ ತಂಡವನ್ನು ಪಡೆಯಲು ಪ್ರಯತ್ನಿಸಿ ಮತ್ತು ಬಹಳಷ್ಟು ಕಲಿಯಲು ಸಿದ್ಧರಾಗಿ.
ML ಮಾಡುವುದನ್ನು ಸಾಮಾನ್ಯವಾಗಿ ಯಾವುದು ತಡೆಯುತ್ತದೆ?
ಒಬ್ಬ ಹಿಂಬಾಲಕನು ML ಇಂಜಿನಿಯರ್ ಆಗಲು ಬಯಸಿದರೆ, ಅವನು ರೆಸಿಡೆನ್ಸಿ ಪ್ರೋಗ್ರಾಂ ಅನ್ನು ಗಣನೆಗೆ ತೆಗೆದುಕೊಳ್ಳದೆ ಅಭಿವೃದ್ಧಿಯ ಎರಡು ಕ್ಷೇತ್ರಗಳಿಂದ ಆಯ್ಕೆ ಮಾಡಬಹುದು.
ಮೊದಲನೆಯದಾಗಿ, ಕೆಲವು ಶೈಕ್ಷಣಿಕ ಕೋರ್ಸ್‌ನ ಭಾಗವಾಗಿ ಅಧ್ಯಯನ ಮಾಡಿ. ಮೂಲ ತಂತ್ರಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು Coursera ನಿಮ್ಮನ್ನು ಹತ್ತಿರಕ್ಕೆ ತರುತ್ತದೆ, ಆದರೆ ಸಾಕಷ್ಟು ಮಟ್ಟಿಗೆ ವೃತ್ತಿಯಲ್ಲಿ ಮುಳುಗಲು, ನೀವು ಅದಕ್ಕೆ ಹೆಚ್ಚಿನ ಸಮಯವನ್ನು ವಿನಿಯೋಗಿಸಬೇಕು. ಉದಾಹರಣೆಗೆ, ShAD ನಿಂದ ಪದವಿ. ವರ್ಷಗಳಲ್ಲಿ, ShAD ನೇರವಾಗಿ ಯಂತ್ರ ಕಲಿಕೆಯಲ್ಲಿ ವಿಭಿನ್ನ ಸಂಖ್ಯೆಯ ಕೋರ್ಸ್‌ಗಳನ್ನು ಹೊಂದಿತ್ತು - ಸರಾಸರಿ, ಸುಮಾರು ಎಂಟು. ಪದವೀಧರರ ಅಭಿಪ್ರಾಯವನ್ನು ಒಳಗೊಂಡಂತೆ ಅವುಗಳಲ್ಲಿ ಪ್ರತಿಯೊಂದೂ ನಿಜವಾಗಿಯೂ ಮುಖ್ಯ ಮತ್ತು ಉಪಯುಕ್ತವಾಗಿದೆ.
ಎರಡನೆಯದಾಗಿ, ನೀವು ಒಂದು ಅಥವಾ ಇನ್ನೊಂದು ML ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸಬೇಕಾದ ಯುದ್ಧ ಯೋಜನೆಗಳಲ್ಲಿ ನೀವು ಭಾಗವಹಿಸಬಹುದು. ಆದಾಗ್ಯೂ, ಐಟಿ ಅಭಿವೃದ್ಧಿ ಮಾರುಕಟ್ಟೆಯಲ್ಲಿ ಅಂತಹ ಕೆಲವು ಯೋಜನೆಗಳು ಇವೆ: ಹೆಚ್ಚಿನ ಕಾರ್ಯಗಳಲ್ಲಿ ಯಂತ್ರ ಕಲಿಕೆಯನ್ನು ಬಳಸಲಾಗುವುದಿಲ್ಲ. ML-ಸಂಬಂಧಿತ ಅವಕಾಶಗಳನ್ನು ಸಕ್ರಿಯವಾಗಿ ಅನ್ವೇಷಿಸುತ್ತಿರುವ ಬ್ಯಾಂಕ್‌ಗಳಲ್ಲಿಯೂ ಸಹ, ಕೆಲವರು ಮಾತ್ರ ಡೇಟಾ ವಿಶ್ಲೇಷಣೆಯಲ್ಲಿ ತೊಡಗಿಸಿಕೊಂಡಿದ್ದಾರೆ. ಈ ತಂಡಗಳಲ್ಲಿ ಒಂದನ್ನು ಸೇರಲು ನಿಮಗೆ ಸಾಧ್ಯವಾಗದಿದ್ದರೆ, ನಿಮ್ಮ ಸ್ವಂತ ಯೋಜನೆಯನ್ನು ಪ್ರಾರಂಭಿಸುವುದು ನಿಮ್ಮ ಏಕೈಕ ಆಯ್ಕೆಯಾಗಿದೆ (ಅಲ್ಲಿ, ಹೆಚ್ಚಾಗಿ, ನೀವು ನಿಮ್ಮ ಸ್ವಂತ ಗಡುವನ್ನು ಹೊಂದಿಸುವಿರಿ ಮತ್ತು ಇದು ಯುದ್ಧ ಉತ್ಪಾದನಾ ಕಾರ್ಯಗಳೊಂದಿಗೆ ಸ್ವಲ್ಪವೇ ಸಂಬಂಧ ಹೊಂದಿಲ್ಲ), ಅಥವಾ ಸ್ಪರ್ಧಿಸಲು ಪ್ರಾರಂಭಿಸಿ ಕಗ್ಗಲ್.
ವಾಸ್ತವವಾಗಿ, ಇತರ ಸಮುದಾಯದ ಸದಸ್ಯರೊಂದಿಗೆ ಸೇರಿ ಮತ್ತು ಸ್ಪರ್ಧೆಗಳಲ್ಲಿ ನಿಮ್ಮನ್ನು ಪ್ರಯತ್ನಿಸಿ - ವಿಶೇಷವಾಗಿ ನೀವು ತರಬೇತಿ ಮತ್ತು Coursera ನಲ್ಲಿ ಉಲ್ಲೇಖಿಸಲಾದ ಕೋರ್ಸ್‌ಗಳೊಂದಿಗೆ ನಿಮ್ಮ ಕೌಶಲ್ಯಗಳನ್ನು ಬ್ಯಾಕಪ್ ಮಾಡಿದರೆ. ಪ್ರತಿ ಸ್ಪರ್ಧೆಯು ಗಡುವನ್ನು ಹೊಂದಿದೆ - ಇದು ನಿಮಗೆ ಪ್ರೋತ್ಸಾಹಕವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಮತ್ತು ಐಟಿ ಕಂಪನಿಗಳಲ್ಲಿ ಇದೇ ರೀತಿಯ ವ್ಯವಸ್ಥೆಗೆ ನಿಮ್ಮನ್ನು ಸಿದ್ಧಪಡಿಸುತ್ತದೆ. ಇದು ಉತ್ತಮ ಮಾರ್ಗವಾಗಿದೆ - ಆದಾಗ್ಯೂ, ಇದು ನೈಜ ಪ್ರಕ್ರಿಯೆಗಳಿಂದ ಸ್ವಲ್ಪ ವಿಚ್ಛೇದನವಾಗಿದೆ. Kaggle ನಲ್ಲಿ ನಿಮಗೆ ಪೂರ್ವ-ಸಂಸ್ಕರಿಸಿದ, ಯಾವಾಗಲೂ ಪರಿಪೂರ್ಣವಲ್ಲದಿದ್ದರೂ, ಡೇಟಾವನ್ನು ನೀಡಲಾಗುತ್ತದೆ; ಉತ್ಪನ್ನಕ್ಕೆ ಕೊಡುಗೆಯ ಬಗ್ಗೆ ಯೋಚಿಸಲು ನೀಡುವುದಿಲ್ಲ; ಮತ್ತು ಮುಖ್ಯವಾಗಿ, ಅವರಿಗೆ ಉತ್ಪಾದನೆಗೆ ಸೂಕ್ತವಾದ ಪರಿಹಾರಗಳ ಅಗತ್ಯವಿರುವುದಿಲ್ಲ. ನಿಮ್ಮ ಅಲ್ಗಾರಿದಮ್‌ಗಳು ಬಹುಶಃ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆ ಮತ್ತು ಹೆಚ್ಚು ನಿಖರವಾಗಿರುತ್ತವೆ, ಆದರೆ ನಿಮ್ಮ ಮಾದರಿಗಳು ಮತ್ತು ಕೋಡ್ ಫ್ರಾಂಕೆನ್‌ಸ್ಟೈನ್ ಅನ್ನು ವಿವಿಧ ಭಾಗಗಳಿಂದ ಒಟ್ಟಿಗೆ ಹೊಲಿಯಲಾಗುತ್ತದೆ - ಉತ್ಪಾದನಾ ಯೋಜನೆಯಲ್ಲಿ, ಸಂಪೂರ್ಣ ರಚನೆಯು ತುಂಬಾ ನಿಧಾನವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ, ನವೀಕರಿಸಲು ಮತ್ತು ವಿಸ್ತರಿಸಲು ಕಷ್ಟವಾಗುತ್ತದೆ (ಉದಾಹರಣೆಗೆ, ಭಾಷೆ ಮತ್ತು ಧ್ವನಿ ಅಲ್ಗಾರಿದಮ್‌ಗಳು ಯಾವಾಗಲೂ ಭಾಷೆಯ ಬೆಳವಣಿಗೆಯಂತೆ ಭಾಗಶಃ ಪುನಃ ಬರೆಯಲ್ಪಡುತ್ತವೆ). ಪಟ್ಟಿ ಮಾಡಲಾದ ಕೆಲಸವನ್ನು ನೀವೇ ಮಾಡಬಹುದೆಂಬ ಅಂಶದಲ್ಲಿ ಕಂಪನಿಗಳು ಆಸಕ್ತಿ ಹೊಂದಿವೆ (ಪರಿಹಾರದ ಲೇಖಕರಾಗಿ ನೀವು ಇದನ್ನು ಮಾಡಬಹುದು ಎಂಬುದು ಸ್ಪಷ್ಟವಾಗಿದೆ), ಆದರೆ ನಿಮ್ಮ ಯಾವುದೇ ಸಹೋದ್ಯೋಗಿಗಳು ಸಹ. ಕ್ರೀಡೆ ಮತ್ತು ಕೈಗಾರಿಕಾ ಕಾರ್ಯಕ್ರಮಗಳ ನಡುವಿನ ವ್ಯತ್ಯಾಸವನ್ನು ಚರ್ಚಿಸಲಾಗಿದೆ , ಮತ್ತು Kaggle ನಿಖರವಾಗಿ "ಕ್ರೀಡಾಪಟುಗಳಿಗೆ" ಶಿಕ್ಷಣ ನೀಡುತ್ತದೆ - ಅದು ಚೆನ್ನಾಗಿ ಮಾಡಿದರೂ ಸಹ, ಅವರಿಗೆ ಸ್ವಲ್ಪ ಅನುಭವವನ್ನು ಪಡೆಯಲು ಅವಕಾಶ ನೀಡುತ್ತದೆ.
ನಾನು ಎರಡು ಸಂಭಾವ್ಯ ಅಭಿವೃದ್ಧಿ ಮಾರ್ಗಗಳನ್ನು ವಿವರಿಸಿದ್ದೇನೆ - ಶೈಕ್ಷಣಿಕ ಕಾರ್ಯಕ್ರಮಗಳ ಮೂಲಕ ತರಬೇತಿ ಮತ್ತು "ಯುದ್ಧದಲ್ಲಿ" ತರಬೇತಿ, ಉದಾಹರಣೆಗೆ ಕಾಗ್ಲೆಯಲ್ಲಿ. ರೆಸಿಡೆನ್ಸಿ ಪ್ರೋಗ್ರಾಂ ಈ ಎರಡು ವಿಧಾನಗಳ ಸಂಯೋಜನೆಯಾಗಿದೆ. ShAD ಮಟ್ಟದಲ್ಲಿ ಉಪನ್ಯಾಸಗಳು ಮತ್ತು ಸೆಮಿನಾರ್‌ಗಳು, ಹಾಗೆಯೇ ನಿಜವಾದ ಹೋರಾಟದ ಯೋಜನೆಗಳು ನಿಮಗಾಗಿ ಕಾಯುತ್ತಿವೆ.
ಮೂಲ: www.habr.com