Yandex aperit rationem residentiae in machina discendi ad tincidunt peritus backend. Si multum in C++/Python scripseris et hanc scientiam ad ML adhibere voles, tunc te docebimus quid practica investigationis facere ac peritos magistros praebere. Yandex operas operabis in clavis et artes lucraberis in locis sicut exemplaribus linearibus et boosting gradiente, systemata commendatione, retiacula neural ad imagines analysendas, textum et sonum. Disces etiam quomodo exemplaria tua recte aestimare utentes metri offline et online.
Duratio programmatis unus annus est, quo participantes operabuntur in machina intelligentia et inquisitione department Yandex, necnon lectiones et seminaria. Participatio solvitur ac plenum tempus fert laborem: 40 horae per hebdomadam, incipiendo die 1 mensis Iulii huius anni. et durabit usque ad 1 Maii.
Et nunc planius - de quali auditorio exspectamus, quid erit processus laboris, et in genere quomodo artifex retro-finis potest transire ad curriculum in ML.
propensio
Multae societates programmata residentiae habent, in iis, exempli gratia, Google et Facebook. Maxime studentes ad juniorem et medium gradum artifices spectant qui gradum ad ML investigationem capere conantur. Propositum nostrum est ad diversos auditores. Invitamus tincidunt backendentes, qui experientiam satis iam obtinuerunt et pro certo scimus in suis competentiis opus esse ad ML transferre, ad artes practicas - et non ad artes scientistae acquirendas - in solvenda machinae industriae difficultates discendi. Hoc non significat nos investigatores iuvenes non sustinere. Separatum propositum illis instituimus - nominatam ab Ilya Segalovich, quae etiam in Yandex laborari permittit.
Ubi erit opus insitum?
In Department of Machina Intelligentia et Research, ideas proicientes nos ipsi explicamus. Fons principalis inspirationis est scientiarum litterarum, articulorum, et trends in communitate investigationis. Collegae mei et analysim quae legimus, intuentes quomodo methodos a scientiis proposita emendare vel ampliare possimus. Eodem tempore unusquisque nostrum rationem habet suae cognitionis ac utilitatis, munus enuntiare in locis, quas magni momenti existimat. Idea consilii in intersectione eventus investigationis externae et propriae competentiae nasci solet.
Haec ratio bona est, quia late solvit problemata technologica Yandex officia etiam antequam oriantur. Cum officium problema spectat, eius nuntii ad nos veniunt, maxime verisimile est sumi technologias iam paratas, quae omnia, quae restant, in facto recte adhibenda sunt. Si aliquid non est paratum, saltem cito meminerimus ubi "fodere incipere" et in quibus articuli solutionem quaerere possumus. Ut novimus, accessus scientificus est stare in humeris gigantum.
Quid facere
In Yandex - et etiam nominatim in administratione nostra - omnes areas ML pertinentes augentur. Propositum est emendare qualitatem varietatem productorum, et hoc ipsum incitamentum est ad omnia experienda nova. Praeterea nova officia regulariter apparent. Progressio itaque concionum continet omnes clavos (bene probatos) ambitus machinae discendi in evolutione industriae. Cum meam partem componendi cursum, experientiam meam docendo usus sum apud Scholam Analyseos Datae, nec non materias et opera aliorum doctorum SHAD. Idem fecerunt collegae mei scio.
Primis mensibus, secundum curriculum institutionis rationem reddet circiter 30% temporis laboris tui, deinde circiter 10%. Sed interest scire operando cum ML exemplaribus ipsis plus minus quaternis vicibus accipere quam omnes processus iunctas. Haec includunt dorsum, recipiendum data, scribentem pipelinum ad praeprocessionem illam, optimizing codicem, ad ferramenta specifica accommodanda, etc. Ingenium ML est, si placet, elit plenus acervus (tantum cum maiore emphasi machinae discendi) valuit problema ab incepto ad finem. Etiam cum prompto exemplari, plures actiones facere verisimiliter debes: per plures machinas parallelise executionem suam, in forma manubrii, bibliothecae, vel instrumenti ipsius servitii para exsequendam.
Studiosum electionis
Si sub impressione facta esses ut melius fieret ML fabrum in prima operatione ut elit backend, hoc verum non est. Ascriptio in eadem ShaD sine reali experientia in servitiis explicandis, discendi et in mercatu exigendis apprime fiendis optio optima est. Multi periti Yandex in currentibus positionibus hoc modo finierunt. Si aliqua societas parata est tibi offerre officium in campo ML statim post graduationem, oblatum quoque fortasse accipere debes. Stude ut in quadrigis bonam cum magistro perito ac parato multum discas.
Quid te facere solet ML?
Si advocatus studet fieri ML fabrum, eligere potest ex duobus locis evolutionis - neglecto programmatis residentiae habita ratione.
Uno modo, studiose ut pars aliqua curriculi educationis. Coursera te propius ad intellegendas artes fundamentales adducet, sed ut te in professione satis immergat, multo tempore ei vacare debes. Ut a lectus sem. Super annos, ShaD diversos cursus cursus directe in machina discendi habuit - in mediocris, circiter octo. Uterque eorum est vere magni momenti et utilis, etiam in sententia graduati.
Secundo incepta pugnae interesse potes ubi unum alterumve ML algorithmum efficere debes. Sed paucissima sunt huiusmodi incepta in IT mercatu progressione: apparatus eruditionis in plerisque operibus non adhibetur. Etiam in ripis quae occasiones ML relatas active explorant, pauci tantum in analysi versantur. Si unam ex his iugis iungere non potuisti, optio tua unica est ut vel tuum propositum incipias (ubi, verisimile, tua mortificationes pones, et hoc parum ad operas productionis pugnae pertinet), vel certare incipiunt. Kaggle.
Immo cum aliis membris communitatis ascendas et te experire in certationibus - praesertim si artes tuas cum disciplina et cursus memoratos in Coursera revocares. Quaelibet certatio fatalem quandam habet - incitamentum tibi erit et te ad similem rationem in IT societatibus praeparabit. Haec est bona via β quae tamen etiam parum divortium est a processibus realibus. Die Kaggle datae sunt prae- cessus, licet non semper perfectae, datae; de collatione producti cogitandum non praebeo; praesertim vero solutiones ad productionem idoneas non indigent. Algorithmae tuae probabiliter operantur et valde accurate erunt, sed exempla tua et codicea erunt sicut Frankenstein ex diversis partibus compacta - in project productione, tota structura tardius laborabit, difficile erit renovare et dilatare (exempli gratia; lingua et vox algorithms semper partim revocetur sicut lingua enucleatur). Societates in eo interest, quod opus recensitum non solum a te ipso fieri potest (patet te, solutionis auctor, id facere posse), sed etiam a quolibet collegarum tuorum. Discrimen inter lusus et programmandi industriae disceptatur atque Kaggle "athletas" praecise educat - etsi id optime facit, eos permittit ut aliquam experientiam percipiant.
Duas lineas evolutionis fieri posse descripsi - disciplina per Instituta scholastica et "in certamine", exempli gratia in Kaggle. Progressio residentia duobus modis compositum est. Praelectiones et seminaria in campo Shad, necnon incepta vere pugnalia te exspectant.
Source: www.habr.com