ຂ້ອຍຈັດການຝຶກອົບຮົມການຮຽນຮູ້ເຄື່ອງຈັກຢູ່ NSU ແນວໃດ

ຂ້ອຍຊື່ Sasha ແລະຂ້ອຍຮັກການຮຽນຮູ້ເຄື່ອງຈັກເຊັ່ນດຽວກັນກັບການສອນຄົນ. ໃນປັດຈຸບັນຂ້າພະເຈົ້າເບິ່ງແຍງໂຄງການດ້ານການສຶກສາຢູ່ສູນວິທະຍາສາດຄອມພິວເຕີແລະຊີ້ນໍາໂຄງການປະລິນຍາຕີໃນການວິເຄາະຂໍ້ມູນຢູ່ທີ່ St. Petersburg State University. ກ່ອນຫນ້ານັ້ນ, ລາວໄດ້ເຮັດວຽກເປັນນັກວິເຄາະຢູ່ Yandex, ແລະເຖິງແມ່ນວ່າກ່ອນຫນ້ານັ້ນເປັນນັກວິທະຍາສາດ: ລາວໄດ້ເຂົ້າຮ່ວມໃນແບບຈໍາລອງທາງຄະນິດສາດທີ່ສະຖາບັນວິທະຍາສາດຄອມພິວເຕີຂອງ SB RAS.

ໃນບົດຂຽນນີ້, ຂ້າພະເຈົ້າຢາກບອກທ່ານເຖິງສິ່ງທີ່ມາຈາກແນວຄວາມຄິດຂອງການເປີດຕົວການຝຶກອົບຮົມການຮຽນຮູ້ເຄື່ອງຈັກສໍາລັບນັກຮຽນ, ນັກສຶກສາທີ່ຈົບຈາກມະຫາວິທະຍາໄລລັດ Novosibirsk ແລະທຸກໆຄົນ.

ຂ້ອຍຢາກຈັດຫຼັກສູດພິເສດກ່ຽວກັບການກະກຽມສໍາລັບການແຂ່ງຂັນການວິເຄາະຂໍ້ມູນໃນ Kaggle ແລະເວທີອື່ນໆ. ນີ້ເບິ່ງຄືວ່າເປັນຄວາມຄິດທີ່ດີ:

• ນັກສຶກສາ ແລະ ຜູ້ໃດສົນໃຈ ຈະໄດ້ນຳເອົາຄວາມຮູ້ທາງດ້ານທິດສະດີໄປໃຊ້ໃນພາກປະຕິບັດ ແລະ ມີປະສົບການໃນການແກ້ໄຂບັນຫາໃນການແຂ່ງຂັນພາກລັດ.
• ນັກຮຽນທີ່ວາງຢູ່ເທິງສຸດໃນການແຂ່ງຂັນດັ່ງກ່າວມີຜົນກະທົບທີ່ດີຕໍ່ຄວາມດຶງດູດຂອງ NSU ສໍາລັບຜູ້ສະຫມັກ, ນັກສຶກສາແລະຜູ້ຮຽນຈົບ. ສິ່ງດຽວກັນເກີດຂຶ້ນກັບການຝຶກອົບຮົມໂຄງການກິລາ.
• ຫຼັກສູດພິເສດນີ້ເສີມສ້າງ ແລະ ຂະຫຍາຍຄວາມຮູ້ພື້ນຖານຢ່າງສົມບູນແບບ: ຜູ້ເຂົ້າຮ່ວມປະຕິບັດແບບຈໍາລອງການຮຽນຮູ້ເຄື່ອງຈັກຢ່າງເປັນອິດສະຫຼະ ແລະ ມັກຈະປະກອບເປັນທີມທີ່ແຂ່ງຂັນໃນລະດັບໂລກ.
• ມະຫາວິທະຍາໄລອື່ນໆໄດ້ດໍາເນີນການຝຶກອົບຮົມດັ່ງກ່າວແລ້ວ, ດັ່ງນັ້ນຂ້າພະເຈົ້າຫວັງວ່າສໍາລັບຜົນສໍາເລັດຂອງຫຼັກສູດພິເສດຢູ່ NSU.

ເປີດຕົວ

Akademgorodok ຂອງ Novosibirsk ມີພື້ນທີ່ອຸດົມສົມບູນຫຼາຍສໍາລັບຄວາມພະຍາຍາມດັ່ງກ່າວ: ນັກສຶກສາ, ຈົບການສຶກສາແລະຄູອາຈານຂອງສູນວິທະຍາສາດຄອມພິວເຕີແລະຄະນະວິຊາດ້ານວິຊາການທີ່ເຂັ້ມແຂງ, ສໍາລັບການຍົກຕົວຢ່າງ, FIT, MMF, FF, ສະຫນັບສະຫນູນທີ່ເຂັ້ມແຂງຂອງການບໍລິຫານ NSU, ຊຸມຊົນ ODS ການເຄື່ອນໄຫວ, ວິສະວະກອນທີ່ມີປະສົບການ. ແລະນັກວິເຄາະຈາກບໍລິສັດ IT ຕ່າງໆ. ໃນຂະນະດຽວກັນ, ພວກເຮົາໄດ້ຮຽນຮູ້ກ່ຽວກັບໂຄງການຊ່ວຍເຫຼືອລ້າຈາກ ການລົງທຶນຂອງ Botan — ກອງທຶນສະໜັບສະໜູນທີມທີ່ສະແດງຜົນດີໃນການແຂ່ງຂັນກິລາ ML.

ພວກເຮົາໄດ້ພົບເຫັນຜູ້ຊົມຢູ່ NSU ສໍາລັບກອງປະຊຸມປະຈໍາອາທິດ, ສ້າງການສົນທະນາໃນ Telegram, ແລະເປີດຕົວໃນວັນທີ 1 ເດືອນຕຸລາຮ່ວມກັນກັບນັກຮຽນແລະນັກຮຽນຈົບຂອງສູນ CS. 19 ຄົນມາບົດຮຽນທໍາອິດ. ຫົກຄົນຂອງພວກເຂົາໄດ້ກາຍເປັນຜູ້ເຂົ້າຮ່ວມປົກກະຕິໃນການຝຶກອົບຮົມ. ໃນຈໍານວນທັງຫມົດ, ມີ 31 ຄົນມາປະຊຸມຢ່າງຫນ້ອຍຫນຶ່ງຄັ້ງໃນລະຫວ່າງປີການສຶກສາ.

ຜົນໄດ້ຮັບທໍາອິດ

ຜູ້ຊາຍແລະຂ້ອຍໄດ້ພົບກັນ, ແລກປ່ຽນປະສົບການ, ປຶກສາຫາລືກ່ຽວກັບການແຂ່ງຂັນແລະແຜນການທີ່ຫຍາບຄາຍສໍາລັບອະນາຄົດ. ຂ້ອນຂ້າງໄວພວກເຮົາຮູ້ວ່າການຕໍ່ສູ້ສໍາລັບສະຖານທີ່ໃນການແຂ່ງຂັນການວິເຄາະຂໍ້ມູນແມ່ນເປັນປົກກະຕິ, ການເຮັດວຽກທີ່ຫຍຸ້ງຍາກ, ຄ້າຍຄືກັບການເຮັດວຽກເຕັມເວລາທີ່ບໍ່ໄດ້ຮັບຄ່າຈ້າງ, ແຕ່ຫນ້າສົນໃຈແລະຕື່ນເຕັ້ນຫຼາຍ 🙂 ຫນຶ່ງໃນຜູ້ເຂົ້າຮ່ວມ, Kaggle-master Maxim, ແນະນໍາໃຫ້ພວກເຮົາກ້າວຫນ້າໃນການແຂ່ງຂັນຄັ້ງທໍາອິດ. , ແລະພຽງແຕ່ສອງສາມອາທິດຕໍ່ມາ unite ເປັນທີມ, ພິຈາລະນາຄະແນນສາທາລະນະ. ນັ້ນແມ່ນສິ່ງທີ່ພວກເຮົາໄດ້ເຮັດ! ໃນລະຫວ່າງການຝຶກອົບຮົມແບບປະເຊີນຫນ້າ, ພວກເຮົາໄດ້ສົນທະນາແບບຈໍາລອງ, ບົດຄວາມວິທະຍາສາດ, ແລະຄວາມຊັບຊ້ອນຂອງຫ້ອງສະຫມຸດ Python, ແລະແກ້ໄຂບັນຫາຮ່ວມກັນ.

ຜົນຂອງພາກຮຽນລຶະເບິ່ງໃບໄມ້ລ່ວງແມ່ນໄດ້ XNUMX ຫຼຽນເງິນໃນສອງການແຂ່ງຂັນທີ່ Kaggle: ການລະບຸເກືອ TGS и ການຈັດປະເພດດາລາສາດ PLAsTiCC. ແລະຫນຶ່ງໃນສາມໃນການແຂ່ງຂັນ CFT ສໍາລັບການແກ້ໄຂ typos ກັບເງິນຄັ້ງທໍາອິດຊະນະ (ໃນເງິນ, ດັ່ງທີ່ keglers ມີປະສົບການເວົ້າ).

ຜົນໄດ້ຮັບທາງອ້ອມທີ່ສໍາຄັນອີກອັນຫນຶ່ງຂອງຫຼັກສູດພິເສດແມ່ນການເປີດຕົວແລະການຕັ້ງຄ່າຂອງກຸ່ມ NSU VKI. ພະລັງງານຄອມພິວເຕີ້ຂອງມັນໄດ້ປັບປຸງຊີວິດການແຂ່ງຂັນຂອງພວກເຮົາຢ່າງຫຼວງຫຼາຍ: 40 CPUs, 755Gb RAM, 8 NVIDIA Tesla V100 GPUs.

ກ່ອນໜ້ານັ້ນ, ພວກເຮົາລອດຊີວິດໄດ້ດີທີ່ສຸດເທົ່າທີ່ເຮົາສາມາດເຮັດໄດ້: ພວກເຮົາຄິດໄລ່ໃນຄອມພິວເຕີໂນດບຸກ ແລະເດັສທັອບສ່ວນຕົວ, ໃນ Google Colab ແລະໃນ Kaggle-kernels. ທີມງານຫນຶ່ງເຖິງແມ່ນວ່າມີສະຄິບທີ່ຂຽນດ້ວຍຕົນເອງທີ່ບັນທຶກຕົວແບບອັດຕະໂນມັດແລະເລີ່ມການຄິດໄລ່ໃຫມ່ທີ່ຢຸດເຊົາຍ້ອນເວລາກໍານົດ.

ໃນພາກຮຽນ spring, ພວກເຮົາໄດ້ສືບຕໍ່ເຕົ້າໂຮມ, ແລກປ່ຽນຜົນໄດ້ຮັບທີ່ປະສົບຜົນສໍາເລັດແລະເວົ້າກ່ຽວກັບການແກ້ໄຂຂອງພວກເຮົາໃນການແຂ່ງຂັນ. ຜູ້ເຂົ້າຮ່ວມທີ່ສົນໃຈໃຫມ່ໄດ້ເລີ່ມຕົ້ນມາຫາພວກເຮົາ. ໃນລະຫວ່າງພາກຮຽນ spring, ພວກເຮົາໄດ້ຈັດການຫນຶ່ງຄໍາ, XNUMX ເງິນແລະເກົ້າທອງແດງໃນການແຂ່ງຂັນແປດໃນ Kaggle: PetFinder, Santander, ຄວາມລະອຽດທາງເພດ, ການລະບຸປາວານ, Quora, Google Landmarks ແລະອື່ນໆ, bronze ໃນ ສິ່ງທ້າທາຍ Recco, ອັນ​ດັບ​ສາມ​ໃນ Changellenge >> Cup ແລະ​ສະ​ຖານ​ທີ່​ທໍາ​ອິດ (ອີກ​ເທື່ອ​ຫນຶ່ງ​ໃນ​ເງິນ​) ໃນ​ການ​ແຂ່ງ​ຂັນ​ການ​ຮຽນ​ຮູ້​ເຄື່ອງ​ຈັກ​ທີ່ ແຊ້ມໂຄງການ ຈາກ Yandex.

ສິ່ງທີ່ຜູ້ເຂົ້າຮ່ວມການຝຶກອົບຮົມເວົ້າ

Mikhail Karevsky
"ຂ້ອຍດີໃຈຫຼາຍທີ່ກິດຈະກໍາດັ່ງກ່າວໄດ້ຖືກປະຕິບັດຢູ່ທີ່ນີ້ໃນ Siberia, ເພາະວ່າຂ້ອຍເຊື່ອວ່າການເຂົ້າຮ່ວມການແຂ່ງຂັນແມ່ນວິທີທີ່ໄວທີ່ສຸດທີ່ຈະເປັນເຈົ້ານາຍ ML. ສໍາລັບການແຂ່ງຂັນດັ່ງກ່າວ, ຮາດແວແມ່ນຂ້ອນຂ້າງແພງທີ່ຈະຊື້ຕົວທ່ານເອງ, ແຕ່ໃນທີ່ນີ້ທ່ານສາມາດລອງແນວຄວາມຄິດໄດ້ໂດຍບໍ່ເສຍຄ່າ."

Kirill Brodt
"ກ່ອນທີ່ຈະມາຮອດຂອງການຝຶກອົບຮົມ ML, ຂ້າພະເຈົ້າບໍ່ໄດ້ເຂົ້າຮ່ວມໂດຍສະເພາະໃນການແຂ່ງຂັນຍົກເວັ້ນການຝຶກອົບຮົມແລະການແຂ່ງຂັນ Hindu: ຂ້ອຍບໍ່ເຫັນຈຸດນີ້, ເພາະວ່າຂ້ອຍມີວຽກຢູ່ໃນພາກສະຫນາມຂອງ ML, ແລະຂ້ອຍຄຸ້ນເຄີຍກັບມັນ. ພາກຮຽນທໍາອິດທີ່ຂ້ອຍໄດ້ເຂົ້າຮຽນເປັນນັກຮຽນ. ແລະເລີ່ມຕົ້ນຈາກພາກຮຽນທີສອງ, ທັນທີທີ່ຊັບພະຍາກອນຄອມພິວເຕີ້ມີຢູ່, ຂ້າພະເຈົ້າຄິດວ່າ, ເປັນຫຍັງບໍ່ເຂົ້າຮ່ວມ. ແລະມັນເຮັດໃຫ້ຂ້ອຍຕິດ. ວຽກ​ງານ, ຂໍ້​ມູນ​ແລະ​ການ​ວັດ​ແທກ​ໄດ້​ຮັບ​ການ invented ແລະ​ການ​ກະ​ກຽມ​ສໍາ​ລັບ​ທ່ານ​, ສືບ​ຕໍ່​ເດີນ​ຫນ້າ​ແລະ​ນໍາ​ໃຊ້​ພະ​ລັງ​ງານ​ຢ່າງ​ເຕັມ​ທີ່​ຂອງ MO​, ກວດ​ສອບ​ຮູບ​ແບບ​ທີ່​ທັນ​ສະ​ໄຫມ​ແລະ​ເຕັກ​ນິກ​ການ​. ຖ້າມັນບໍ່ແມ່ນສໍາລັບການຝຶກອົບຮົມແລະ, ເຊັ່ນດຽວກັນ, ຊັບພະຍາກອນຄອມພິວເຕີ້, ຂ້ອຍຈະບໍ່ໄດ້ເລີ່ມເຂົ້າຮ່ວມໃນໄວໆນີ້."

Andrey Shevelev
"ການຝຶກອົບຮົມ ML ດ້ວຍຕົນເອງໄດ້ຊ່ວຍໃຫ້ຂ້ອຍຊອກຫາຄົນທີ່ມີຈິດໃຈຄ້າຍຄືກັນ, ເຊິ່ງຂ້ອຍສາມາດເພີ່ມຄວາມຮູ້ຂອງຂ້ອຍໃນຂົງເຂດການຮຽນຮູ້ເຄື່ອງຈັກແລະການວິເຄາະຂໍ້ມູນ. ນີ້ຍັງເປັນທາງເລືອກທີ່ດີເລີດສໍາລັບຜູ້ທີ່ບໍ່ມີເວລາຫວ່າງຫຼາຍໃນການວິເຄາະເອກະລາດແລະ immers ຕົນເອງໃນຫົວຂໍ້ຂອງການແຂ່ງຂັນ, ແຕ່ຍັງຕ້ອງການທີ່ຈະຢູ່ໃນຫົວຂໍ້."

ເຂົ້າ​ຮ່ວມ​ນໍາ​ພວກ​ເຮົາ

ການແຂ່ງຂັນໃນ Kaggle ແລະເວທີອື່ນໆ hone ທັກສະການປະຕິບັດແລະຢ່າງວ່ອງໄວປ່ຽນເປັນວຽກງານທີ່ຫນ້າສົນໃຈໃນພາກສະຫນາມຂອງວິທະຍາສາດຂໍ້ມູນ. ຜູ້ທີ່ມີສ່ວນຮ່ວມໃນການແຂ່ງຂັນທີ່ຍາກລໍາບາກຮ່ວມກັນມັກຈະກາຍເປັນເພື່ອນຮ່ວມງານແລະສືບຕໍ່ແກ້ໄຂບັນຫາການເຮັດວຽກທີ່ປະສົບຜົນສໍາເລັດ. ນີ້ເກີດຂຶ້ນກັບພວກເຮົາຄືກັນ: Mikhail Karevsky, ຮ່ວມກັບຫມູ່ເພື່ອນຈາກທີມງານ, ໄດ້ໄປເຮັດວຽກສໍາລັບບໍລິສັດດຽວກັນໃນລະບົບການແນະນໍາ.

ເມື່ອເວລາຜ່ານໄປ, ພວກເຮົາວາງແຜນທີ່ຈະຂະຫຍາຍກິດຈະກໍານີ້ດ້ວຍການພິມເຜີຍແຜ່ວິທະຍາສາດແລະການມີສ່ວນຮ່ວມໃນກອງປະຊຸມການຮຽນຮູ້ເຄື່ອງຈັກ. ເຂົ້າຮ່ວມກັບພວກເຮົາເປັນຜູ້ເຂົ້າຮ່ວມຫຼືຜູ້ຊ່ຽວຊານໃນ Novosibirsk - ຂຽນ ກັບຂ້ອຍ ຫຼື Kirill. ຈັດການຝຶກອົບຮົມທີ່ຄ້າຍຄືກັນຢູ່ໃນຕົວເມືອງແລະມະຫາວິທະຍາໄລຂອງທ່ານ.

ນີ້ແມ່ນເອກະສານຫຼອກລວງເລັກນ້ອຍເພື່ອຊ່ວຍໃຫ້ທ່ານດໍາເນີນຂັ້ນຕອນທໍາອິດຂອງທ່ານ:

1. ພິຈາລະນາສະຖານທີ່ທີ່ສະດວກແລະເວລາສໍາລັບຫ້ອງຮຽນປົກກະຕິ. ດີທີ່ສຸດ - 1-2 ຄັ້ງຕໍ່ອາທິດ.
2. ຂຽນເຖິງຜູ້ເຂົ້າຮ່ວມທີ່ມີຄວາມສົນໃຈກ່ຽວກັບກອງປະຊຸມຄັ້ງທໍາອິດ. ຫນ້າທໍາອິດຂອງການທັງຫມົດ, ເຫຼົ່ານີ້ແມ່ນນັກສຶກສາຂອງວິທະຍາໄລດ້ານວິຊາການ, ຜູ້ເຂົ້າຮ່ວມ ODS.
3. ເລີ່ມການສົນທະນາເພື່ອປຶກສາຫາລືກ່ຽວກັບເລື່ອງປະຈຸບັນ: Telegram, VK, WhatsApp ຫຼື messenger ອື່ນໆທີ່ສະດວກທີ່ສຸດ.
4. ຮັກສາແຜນການສອນທີ່ສາມາດເຂົ້າເຖິງສາທາລະນະ, ບັນຊີລາຍຊື່ຂອງການແຂ່ງຂັນແລະຜູ້ເຂົ້າຮ່ວມ, ແລະຕິດຕາມຜົນໄດ້ຮັບ.
5. ຊອກຫາພະລັງງານຄອມພິວເຕີຟຣີ ຫຼືການຊ່ວຍເຫຼືອລ້າສໍາລັບມັນຢູ່ໃນມະຫາວິທະຍາໄລ, ສະຖາບັນຄົ້ນຄວ້າ ຫຼືບໍລິສັດໃກ້ຄຽງ.
6. ໂປຣໄຟລ໌!

ທີ່ມາ: www.habr.com