Yandex နေထိုင်သူပရိုဂရမ် သို့မဟုတ် အတွေ့အကြုံရှိ နောက်ခံလူတစ်ဦးသည် ML အင်ဂျင်နီယာတစ်ဦး ဖြစ်လာနိုင်ပုံ

Yandex သည် အတွေ့အကြုံရှိ backend developer များအတွက် machine learning တွင် နေထိုင်သူပရိုဂရမ်တစ်ခုကို ဖွင့်လှစ်နေပါသည်။ အကယ်၍ သင်သည် C++/Python တွင်အများကြီးရေးခဲ့ပြီး ဤအသိပညာကို ML တွင်အသုံးချလိုပါက၊ လက်တွေ့သုတေသနပြုလုပ်နည်းနှင့် အတွေ့အကြုံရှိ နည်းပြများကို သင်ကြားပေးမည်ဖြစ်ပါသည်။ သင်သည် အဓိက Yandex ဝန်ဆောင်မှုများတွင် အလုပ်လုပ်ပြီး linear မော်ဒယ်များနှင့် gradient မြှင့်တင်ခြင်း၊ အကြံပြုချက်စနစ်များ၊ ရုပ်ပုံများ၊ စာသားနှင့် အသံများကို ခွဲခြမ်းစိတ်ဖြာရန်အတွက် အာရုံကြောကွန်ရက်များကဲ့သို့သော နယ်ပယ်များတွင် ကျွမ်းကျင်မှုများ ရရှိမည်ဖြစ်သည်။ အော့ဖ်လိုင်းနှင့် အွန်လိုင်း မက်ထရစ်များကို အသုံးပြု၍ သင်၏ မော်ဒယ်များကို မှန်ကန်စွာ အကဲဖြတ်နည်းကိုလည်း လေ့လာနိုင်မည်ဖြစ်သည်။

ပရိုဂရမ်၏ကြာချိန်သည် တစ်နှစ်ဖြစ်ပြီး၊ သင်တန်းသားများသည် Yandex ၏ machine intelligence နှင့် သုတေသနဌာနတွင် ပါဝင်လုပ်ကိုင်ရမည်ဖြစ်ပြီး ဟောပြောပွဲများနှင့် ဆွေးနွေးပွဲများ တက်ရောက်မည်ဖြစ်သည်။ ပါဝင်မှုကို အခကြေးငွေပေးဆောင်ပြီး အချိန်ပြည့်အလုပ်ပါ၀င်သည်- ယခုနှစ် ဇူလိုင်လ 40 ရက်နေ့မှစတင်၍ တစ်ပတ်လျှင် နာရီ 1 အလုပ်လုပ်ပါသည်။ လျှောက်လွှာများကို ယခုဖွင့်ထားသည်။ မေလ ၁ ရက်အထိ ကြာမြင့်မည်ဖြစ်သည်။ 

ယခု နောက်ထပ်အသေးစိတ်အချက်မှာ - ကျွန်ုပ်တို့စောင့်မျှော်နေသော ပရိသတ်အမျိုးအစားအကြောင်း၊ အလုပ်လုပ်ငန်းစဉ်က မည်သို့ဖြစ်မည်နည်း၊ ယေဘုယျအားဖြင့် back-end အထူးကျွမ်းကျင်သူသည် ML တွင် အသက်မွေးဝမ်းကြောင်းတစ်ခုသို့ မည်သို့ပြောင်းနိုင်မည်နည်း။

directionality

ကုမ္ပဏီများစွာတွင်၊ ဥပမာ၊ Google နှင့် Facebook အပါအဝင် Residency Programs ရှိသည်။ ၎င်းတို့သည် ML သုတေသနဆီသို့ ခြေတစ်လှမ်းတက်လှမ်းရန် ကြိုးစားနေသော အငယ်တန်းနှင့် အလယ်အလတ်အဆင့် အထူးကုများအတွက် အဓိက ရည်ရွယ်ပါသည်။ ကျွန်ုပ်တို့၏ အစီအစဉ်သည် မတူညီသော ပရိသတ်များအတွက် ဖြစ်သည်။ လုံလောက်သောအတွေ့အကြုံကိုရရှိပြီးဖြစ်သော နောက်ခံ developer များအား ၎င်းတို့၏အရည်အချင်းများတွင် ML သို့ပြောင်းရန်၊ စက်မှုလုပ်ငန်းဆိုင်ရာစက်သင်ယူမှုဆိုင်ရာပြဿနာများကိုဖြေရှင်းရာတွင် လက်တွေ့ကျွမ်းကျင်မှုများရရှိရန်၊ လက်တွေ့ကျွမ်းကျင်မှုများရရှိရန်၊ သိပ္ပံပညာရှင်တစ်ဦး၏ကျွမ်းကျင်မှုမဟုတ်ဘဲ- စက်မှုဆိုင်ရာစက်ပစ္စည်းသင်ယူမှုဆိုင်ရာပြဿနာများကိုဖြေရှင်းရန် လိုအပ်ကြောင်းသေချာစွာသိရှိထားသည့် backend developer များအား ဖိတ်ခေါ်အပ်ပါသည်။ ဤသည်မှာ ကျွန်ုပ်တို့သည် လူငယ်သုတေသီများကို မထောက်ခံဟု မဆိုလိုပါ။ သူတို့အတွက် သီးခြားအစီအစဉ်တစ်ခု စီစဉ်ပေးထားပါတယ်- ပရီမီယံ Ilya Segalovich ကိုအစွဲပြု၍ Yandex တွင်အလုပ်လုပ်ရန်ခွင့်ပြုသည်။

နေထိုင်သူဘယ်မှာအလုပ်လုပ်မလဲ။

Machine Intelligence and Research ဌာနတွင်၊ ကျွန်ုပ်တို့ကိုယ်တိုင် ပရောဂျက်အကြံဉာဏ်များကို တီထွင်ကြသည်။ လှုံ့ဆော်မှု၏အဓိကရင်းမြစ်မှာ သိပ္ပံဆိုင်ရာစာပေများ၊ ဆောင်းပါးများနှင့် သုတေသနအသိုင်းအဝိုင်းရှိ ခေတ်ရေစီးကြောင်းများဖြစ်သည်။ ကျွန်ုပ်၏ လုပ်ဖော်ကိုင်ဖက်များနှင့် ကျွန်ုပ်သည် သိပ္ပံပညာရှင်များ အဆိုပြုထားသော နည်းလမ်းများကို မည်ကဲ့သို့ တိုးတက်အောင် သို့မဟုတ် ချဲ့ထွင်နိုင်သည်ကို ကြည့်ကာ ကျွန်ုပ်တို့ ဖတ်ထားသည်ကို ခွဲခြမ်းစိတ်ဖြာပါသည်။ တစ်ချိန်တည်းမှာပင်၊ ကျွန်ုပ်တို့တစ်ဦးစီသည် သူ၏အသိပညာနှင့် အကျိုးစီးပွားများကို ထည့်သွင်းစဉ်းစားပြီး အရေးကြီးသည်ဟု ယူဆသည့်နယ်ပယ်များကို အခြေခံ၍ လုပ်ငန်းတာဝန်ကို ပုံဖော်ကြသည်။ ပရောဂျက်တစ်ခုအတွက် စိတ်ကူးသည် အများအားဖြင့် ပြင်ပသုတေသနရလဒ်များနှင့် တစ်ဦးတစ်ယောက်၏ ကိုယ်ပိုင်အရည်အချင်းများဆုံရာတွင် မွေးဖွားလာခြင်းဖြစ်သည်။

ဤစနစ်သည် Yandex ဝန်ဆောင်မှုများမပေါ်ပေါက်မီကပင် နည်းပညာဆိုင်ရာပြဿနာများကို ကြီးမားစွာဖြေရှင်းပေးသောကြောင့် ကောင်းမွန်ပါသည်။ ဝန်ဆောင်မှုတစ်ခုသည် ပြဿနာတစ်ခုကြုံတွေ့ရသောအခါတွင် ၎င်း၏ကိုယ်စားလှယ်များသည် ကျွန်ုပ်တို့ထံ လာကာ၊ ကျွန်ုပ်တို့ပြင်ဆင်ထားပြီးဖြစ်သော နည်းပညာများကို ယူဆောင်သွားဖွယ်ရှိပြီး ကျန်အရာအားလုံးသည် ထုတ်ကုန်တွင် မှန်ကန်စွာအသုံးချရန်ဖြစ်သည်။ တစ်စုံတစ်ခု အဆင်သင့်မဖြစ်ပါက၊ ကျွန်ုပ်တို့သည် မည်သည့်နေရာတွင် “စတင်တူးနိုင်သည်” နှင့် အဖြေကိုရှာဖွေရမည့် ဆောင်းပါးများကို အမြန်မှတ်မိကြမည်ဖြစ်သည်။ ကျွန်ုပ်တို့သိသည့်အတိုင်း၊ သိပ္ပံနည်းကျချဉ်းကပ်မှုသည် ဘီလူးကြီးများ၏ပခုံးပေါ်တွင် ရပ်တည်ရန်ဖြစ်သည်။

ဘာလုပ်မလဲ

Yandex တွင်၊ အထူးသဖြင့် ကျွန်ုပ်တို့၏စီမံခန့်ခွဲမှုတွင်ပင် - ML ၏သက်ဆိုင်ရာနယ်ပယ်အားလုံးသည် ဖွံ့ဖြိုးတိုးတက်လျက်ရှိသည်။ ကျွန်ုပ်တို့၏ ရည်မှန်းချက်မှာ ထုတ်ကုန်မျိုးစုံ၏ အရည်အသွေးကို မြှင့်တင်ရန်ဖြစ်ပြီး ၎င်းသည် အသစ်အရာအားလုံးကို စမ်းသပ်ရန် မက်လုံးတစ်ခုအဖြစ် ဆောင်ရွက်ပါသည်။ ထို့အပြင် ဝန်ဆောင်မှုအသစ်များ ပုံမှန်ပေါ်လာပါသည်။ ထို့ကြောင့် ဟောပြောပွဲအစီအစဉ်တွင် စက်မှုဖွံ့ဖြိုးတိုးတက်မှုတွင် စက်သင်ယူခြင်း၏ အဓိကသော့ချက် (ကောင်းစွာ-သက်သေပြ) ကဏ္ဍများပါရှိသည်။ သင်တန်း၏တစ်စိတ်တစ်ပိုင်းကို ပြုစုသောအခါ၊ ဒေတာခွဲခြမ်းစိတ်ဖြာခြင်းသင်တန်းကျောင်းတွင် ကျွန်ုပ်၏သင်ကြားမှုအတွေ့အကြုံအပြင် အခြားသော SHAD ဆရာများ၏ စာရွက်စာတမ်းများနှင့် အလုပ်များကိုလည်း အသုံးပြုခဲ့သည်။ ငါ့လုပ်ဖော်ကိုင်ဖက်တွေ ဒီလိုပဲ လုပ်ခဲ့တာကို ငါသိတယ်။

ပထမလများတွင်၊ သင်တန်းအစီအစဉ်အရ လေ့ကျင့်မှုသည် သင်၏အလုပ်ချိန်၏ 30% ခန့်၊ ထို့နောက် 10% ခန့်ရှိသည်။ သို့ရာတွင်၊ ML မော်ဒယ်များကိုယ်တိုင်နှင့် လုပ်ဆောင်ခြင်းသည် သက်ဆိုင်ရာ လုပ်ငန်းစဉ်အားလုံးထက် လေးဆခန့် လျော့နည်းနေမည်ကို နားလည်ရန် အရေးကြီးပါသည်။ ၎င်းတို့တွင် နောက်ခံကိုပြင်ဆင်ခြင်း၊ ဒေတာလက်ခံခြင်း၊ ၎င်းကိုကြိုတင်လုပ်ဆောင်ရန်အတွက် ပိုက်လိုင်းတစ်ခုရေးခြင်း၊ ကုဒ်ကိုကောင်းမွန်အောင်ပြုလုပ်ခြင်း၊ ဟာ့ဒ်ဝဲနှင့် လိုက်လျောညီထွေဖြစ်အောင်ဆောင်ရွက်ခြင်းစသည်ဖြင့် ပါဝင်သည်။ ML အင်ဂျင်နီယာသည် သင်ကြိုက်နှစ်သက်ပါက full-stack developer (စက်ပိုင်းဆိုင်ရာသင်ယူမှုတွင်သာ) ပြဿနာကို အစမှ အဆုံးထိ ဖြေရှင်းနိုင်စွမ်းရှိသည်။ အဆင်သင့်လုပ်ထားသည့်ပုံစံဖြင့်ပင်၊ သင်သည် နောက်ထပ်လုပ်ဆောင်စရာများစွာကို လုပ်ဆောင်ရန် လိုအပ်ပေလိမ့်မည်- စက်များစွာတွင် ၎င်း၏လုပ်ဆောင်မှုကို ပြိုင်တူပြုလုပ်ပါ၊ အကောင်အထည်ဖော်မှုကို လက်ကိုင်ပုံစံ၊ စာကြည့်တိုက် သို့မဟုတ် ဝန်ဆောင်မှုကိုယ်တိုင်၏ အစိတ်အပိုင်းများအဖြစ် ပြင်ဆင်ပါ။

ကျောင်းသားရွေးချယ်မှု
နောက်ခံဆော့ဖ်ဝဲရေးသားသူအဖြစ် ဦးစွာလုပ်ဆောင်ခြင်းဖြင့် ML အင်ဂျင်နီယာတစ်ဦးဖြစ်လာခြင်းက ပိုကောင်းသည်ဟု သင်ထင်မြင်ယူဆပါက၊ ၎င်းသည် မမှန်ပါ။ တူညီသော ShAD တွင်စာရင်းသွင်းခြင်းသည် ဝန်ဆောင်မှုများဖော်ဆောင်ရာတွင် အတွေ့အကြုံမရှိပဲ၊ သင်ယူခြင်းနှင့် စျေးကွက်တွင် အလွန်အမင်းဝယ်လိုအားဖြစ်လာခြင်းသည် အကောင်းဆုံးရွေးချယ်မှုတစ်ခုဖြစ်သည်။ Yandex အထူးကျွမ်းကျင်သူများစွာသည် ၎င်းတို့၏လက်ရှိရာထူးများကို ဤနည်းဖြင့် အဆုံးသတ်ခဲ့ကြသည်။ ဘယ်ကုမ္ပဏီက ဘွဲ့ရပြီးပြီးချင်း ML နယ်ပယ်မှာ အလုပ်တစ်ခု ကမ်းလှမ်းဖို့ အဆင်သင့်ဖြစ်တယ်ဆိုရင် ကမ်းလှမ်းချက်ကို လက်ခံသင့်တယ်။ အတွေ့အကြုံရှိတဲ့ နည်းပြတစ်ယောက်နဲ့ အဖွဲ့ကောင်းတစ်ဖွဲ့ထဲ ဝင်ပြီး အများကြီး သင်ယူဖို့ ပြင်ဆင်ပါ။

ML လုပ်ခြင်းကို ဘယ်အရာက တားဆီးလေ့ရှိသလဲ။

ကျောထောက်နောက်ခံပြုသူတစ်ဦးသည် ML အင်ဂျင်နီယာတစ်ဦးဖြစ်လာရန် ဆန္ဒရှိပါက နေထိုင်ခွင့်ပရိုဂရမ်ကို ထည့်သွင်းစဉ်းစားခြင်းမရှိဘဲ ဖွံ့ဖြိုးတိုးတက်မှုနယ်ပယ်နှစ်ခုမှ ရွေးချယ်နိုင်သည်။

ပထမဦးစွာ၊ အချို့သောပညာရေးဆိုင်ရာသင်တန်း၏တစ်စိတ်တစ်ပိုင်းအဖြစ်လေ့လာပါ။ သင်ခန်းစာ Coursera သည် အခြေခံနည်းပညာများကို နားလည်ရန် သင့်အား ပိုမိုနီးစပ်လာစေမည်ဖြစ်ပြီး၊ သို့သော် လုံလောက်သောအတိုင်းအတာအထိ လုပ်ငန်းခွင်တွင် သင့်ကိုယ်သင် နှစ်မြှုပ်ထားရန်၊ ၎င်းအတွက် အချိန်များစွာ မြှုပ်နှံထားရန် လိုအပ်ပါသည်။ ဥပမာ၊ ShAD မှဘွဲ့ရ။ နှစ်များတစ်လျှောက်တွင် ShAD သည် machine learning နှင့် တိုက်ရိုက်ပတ်သက်သော မတူညီသောသင်တန်းအရေအတွက်များရှိခဲ့သည် - ပျမ်းမျှအားဖြင့် ရှစ်ခုခန့်ရှိသည်။ ၎င်းတို့တစ်ခုစီသည် ဘွဲ့ရများ၏အမြင်တွင် အပါအဝင် အမှန်တကယ်အရေးကြီးပြီး အသုံးဝင်သည်။ 

ဒုတိယအနေဖြင့်၊ သင်တစ်ဦး သို့မဟုတ် အခြား ML algorithm ကိုအကောင်အထည်ဖော်ရန်လိုအပ်သည့် တိုက်ခိုက်ရေးပရောဂျက်များတွင် သင်ပါဝင်နိုင်သည်။ သို့သော်၊ IT ဖွံ့ဖြိုးတိုးတက်ရေးဈေးကွက်တွင် ထိုကဲ့သို့သော ပရောဂျက်များ အလွန်နည်းပါးပါသည်- စက်သင်ယူခြင်းကို အလုပ်အများစုတွင် အသုံးမပြုပါ။ ML ဆိုင်ရာ အခွင့်အလမ်းများကို တက်ကြွစွာ ရှာဖွေနေသော ဘဏ်များတွင်ပင် ဒေတာခွဲခြမ်းစိတ်ဖြာမှုတွင် အနည်းငယ်သာ ပါဝင်ပတ်သက်ကြသည်။ အကယ်၍ သင်သည် ဤအဖွဲ့များထဲမှ တစ်ခုသို့ မပါဝင်နိုင်ခဲ့ပါက၊ သင်၏ တစ်ခုတည်းသော ရွေးချယ်ခွင့်မှာ သင့်ကိုယ်ပိုင် ပရောဂျက်ကို စတင်ရန် (ဖြစ်နိုင်ချေ အများစုမှာ သင့်ကိုယ်ပိုင် သတ်မှတ်ရက်များကို သတ်မှတ်ပေးမည် ဖြစ်ပြီး ၎င်းသည် တိုက်ခိုက်ရေး လုပ်ငန်းများနှင့် မသက်ဆိုင်ပါ) သို့မဟုတ် စတင် ယှဉ်ပြိုင်ရန် ဖြစ်သည်။ ကော့လန်။

အမှန်စင်စစ်၊ အခြားအသိုင်းအဝိုင်းအဖွဲ့ဝင်များနှင့် ပူးပေါင်းပြီး ပြိုင်ပွဲများတွင် သင်ကိုယ်တိုင် ကြိုးစားပါ။ အတော်လေးလွယ်ပါတယ်။ - အထူးသဖြင့် သင်သည် သင်၏အရည်အချင်းများကို လေ့ကျင့်ရေးနှင့် Coursera တွင်ဖော်ပြထားသော သင်တန်းများဖြင့် အရန်သိမ်းထားလျှင်။ ပြိုင်ဆိုင်မှုတစ်ခုစီတွင် နောက်ဆုံးရက်ရှိသည် - ၎င်းသည် သင့်အတွက် မက်လုံးတစ်ခုအဖြစ် လုပ်ဆောင်မည်ဖြစ်ပြီး IT ကုမ္ပဏီများတွင် အလားတူစနစ်တစ်ခုအတွက် သင့်အား ပြင်ဆင်ပေးမည်ဖြစ်သည်။ ဤသည်မှာ ကောင်းမွန်သောနည်းလမ်းဖြစ်သည် - သို့သော် စစ်မှန်သောလုပ်ငန်းစဉ်များနှင့် အနည်းငယ်ကွာရှင်းထားသည်။ Kaggle တွင် သင်သည် အမြဲတမ်း ပြီးပြည့်စုံမှု မရှိသော်လည်း၊ ဒေတာများကို ကြိုတင်လုပ်ဆောင်ပြီး ပေးထားသည်။ ထုတ်ကုန်အတွက် ပံ့ပိုးကူညီမှုအကြောင်း စဉ်းစားရန် မကမ်းလှမ်းပါနှင့်။ အရေးအကြီးဆုံးကတော့ သူတို့ဟာ ထုတ်လုပ်မှုအတွက် သင့်လျော်တဲ့ ဖြေရှင်းချက်တွေကို မလိုအပ်ပါဘူး။ သင်၏ အယ်လဂိုရီသမ်များသည် အလုပ်ဖြစ်နိုင်ပြီး အလွန်တိကျနိုင်သော်လည်း သင့်မော်ဒယ်များနှင့် ကုဒ်များသည် အစိတ်အပိုင်းအမျိုးမျိုးမှ Frankenstein ပေါင်းစပ်ထားသည့်အတိုင်း ဖြစ်လိမ့်မည် - ထုတ်လုပ်မှုပရောဂျက်တစ်ခုတွင်၊ တည်ဆောက်ပုံတစ်ခုလုံးသည် အလွန်နှေးကွေးနေမည်ဖြစ်ပြီး၊ မွမ်းမံရန်နှင့် ချဲ့ထွင်ရန် ခက်ခဲလိမ့်မည် (ဥပမာ၊ ဘာသာစကားနှင့် အသံဆိုင်ရာ အယ်လဂိုရီသမ်များသည် ဘာသာစကား ဖွံ့ဖြိုးလာသည်နှင့်အမျှ တစ်စိတ်တစ်ပိုင်း ပြန်လည်ရေးသားသွားပါမည်။) စာရင်းပြုစုထားသောအလုပ်ကို သင်ကိုယ်တိုင်သာမက (ဖြေရှင်းချက်ရေးသားသူအနေဖြင့် သင်လုပ်နိုင်သည်မှာ ရှင်းရှင်းလင်းလင်းဖြစ်သည်) နှင့် သင့်လုပ်ဖော်ကိုင်ဖက်များမှလည်း လုပ်ဆောင်နိုင်သည်ကို ကုမ္ပဏီများက စိတ်ဝင်စားကြသည်။ အားကစားနှင့် စက်မှုလုပ်ငန်းအစီအစဉ်များကြား ခြားနားချက်ကို ဆွေးနွေးသည်။ многоနှင့် Kaggle သည် "အားကစားသမားများ" ကို တိကျစွာ ပညာပေးသည် - ၎င်းသည် ၎င်းတို့ကို အတွေ့အကြုံကောင်းများ ရရှိစေနိုင်သော်လည်း၊

Kaggle တွင် ဥပမာ- Kaggle တွင် ပညာပေးအစီအစဉ်များနှင့် "တိုက်ခိုက်ရေးတွင်" လေ့ကျင့်မှုများမှတဆင့် ဖြစ်နိုင်ခြေရှိသော ဖွံ့ဖြိုးတိုးတက်မှုလမ်းကြောင်းနှစ်ခုကို ကျွန်ုပ်ဖော်ပြခဲ့သည်။ နေထိုင်ခွင့်အစီအစဉ်သည် ဤနည်းလမ်းနှစ်ခုကို ပေါင်းစပ်ထားသည်။ ShAD အဆင့်ရှိ ဟောပြောပွဲများနှင့် ဆွေးနွေးပွဲများအပြင် အမှန်တကယ် တိုက်ခိုက်နိုင်သော ပရောဂျက်များ သည် သင့်အား စောင့်ကြိုနေပါသည်။

source: www.habr.com