ਯਾਂਡੇਕਸ ਰੈਜ਼ੀਡੈਂਟ ਪ੍ਰੋਗਰਾਮ, ਜਾਂ ਕਿਵੇਂ ਇੱਕ ਤਜਰਬੇਕਾਰ ਬੈਕੈਂਡਰ ਇੱਕ ML ਇੰਜੀਨੀਅਰ ਬਣ ਸਕਦਾ ਹੈ

Yandex ਤਜਰਬੇਕਾਰ ਬੈਕਐਂਡ ਡਿਵੈਲਪਰਾਂ ਲਈ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਵਿੱਚ ਇੱਕ ਰੈਜ਼ੀਡੈਂਸੀ ਪ੍ਰੋਗਰਾਮ ਖੋਲ੍ਹ ਰਿਹਾ ਹੈ। ਜੇਕਰ ਤੁਸੀਂ C++/Python ਵਿੱਚ ਬਹੁਤ ਕੁਝ ਲਿਖਿਆ ਹੈ ਅਤੇ ਇਸ ਗਿਆਨ ਨੂੰ ML ਵਿੱਚ ਲਾਗੂ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹੋ, ਤਾਂ ਅਸੀਂ ਤੁਹਾਨੂੰ ਵਿਹਾਰਕ ਖੋਜ ਕਿਵੇਂ ਕਰਨੀ ਹੈ ਅਤੇ ਤਜਰਬੇਕਾਰ ਸਲਾਹਕਾਰ ਪ੍ਰਦਾਨ ਕਰਨਾ ਸਿਖਾਵਾਂਗੇ। ਤੁਸੀਂ ਮੁੱਖ ਯਾਂਡੇਕਸ ਸੇਵਾਵਾਂ 'ਤੇ ਕੰਮ ਕਰੋਗੇ ਅਤੇ ਲੀਨੀਅਰ ਮਾਡਲਾਂ ਅਤੇ ਗਰੇਡੀਐਂਟ ਬੂਸਟਿੰਗ, ਸਿਫ਼ਾਰਿਸ਼ ਪ੍ਰਣਾਲੀਆਂ, ਚਿੱਤਰਾਂ, ਟੈਕਸਟ ਅਤੇ ਆਵਾਜ਼ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਲਈ ਨਿਊਰਲ ਨੈਟਵਰਕ ਵਰਗੇ ਖੇਤਰਾਂ ਵਿੱਚ ਹੁਨਰ ਪ੍ਰਾਪਤ ਕਰੋਗੇ। ਤੁਸੀਂ ਇਹ ਵੀ ਸਿੱਖੋਗੇ ਕਿ ਔਫਲਾਈਨ ਅਤੇ ਔਨਲਾਈਨ ਮੈਟ੍ਰਿਕਸ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਆਪਣੇ ਮਾਡਲਾਂ ਦਾ ਸਹੀ ਢੰਗ ਨਾਲ ਮੁਲਾਂਕਣ ਕਿਵੇਂ ਕਰਨਾ ਹੈ।

ਪ੍ਰੋਗਰਾਮ ਦੀ ਮਿਆਦ ਇੱਕ ਸਾਲ ਹੈ, ਜਿਸ ਦੌਰਾਨ ਭਾਗੀਦਾਰ ਯਾਂਡੇਕਸ ਦੇ ਮਸ਼ੀਨ ਇੰਟੈਲੀਜੈਂਸ ਅਤੇ ਖੋਜ ਵਿਭਾਗ ਵਿੱਚ ਕੰਮ ਕਰਨਗੇ, ਨਾਲ ਹੀ ਲੈਕਚਰ ਅਤੇ ਸੈਮੀਨਾਰਾਂ ਵਿੱਚ ਸ਼ਾਮਲ ਹੋਣਗੇ। ਭਾਗੀਦਾਰੀ ਦਾ ਭੁਗਤਾਨ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਅਤੇ ਇਸ ਵਿੱਚ ਫੁੱਲ-ਟਾਈਮ ਕੰਮ ਸ਼ਾਮਲ ਹੁੰਦਾ ਹੈ: 40 ਘੰਟੇ ਪ੍ਰਤੀ ਹਫ਼ਤੇ, ਇਸ ਸਾਲ 1 ਜੁਲਾਈ ਤੋਂ ਸ਼ੁਰੂ ਹੁੰਦਾ ਹੈ। ਅਰਜ਼ੀਆਂ ਹੁਣ ਖੁੱਲ੍ਹੀਆਂ ਹਨ ਅਤੇ 1 ਮਈ ਤੱਕ ਚੱਲੇਗਾ। 

ਅਤੇ ਹੁਣ ਹੋਰ ਵਿਸਤਾਰ ਵਿੱਚ - ਇਸ ਬਾਰੇ ਕਿ ਅਸੀਂ ਕਿਸ ਕਿਸਮ ਦੇ ਦਰਸ਼ਕਾਂ ਦੀ ਉਡੀਕ ਕਰ ਰਹੇ ਹਾਂ, ਕੰਮ ਦੀ ਪ੍ਰਕਿਰਿਆ ਕੀ ਹੋਵੇਗੀ ਅਤੇ, ਆਮ ਤੌਰ 'ਤੇ, ਇੱਕ ਬੈਕ-ਐਂਡ ਸਪੈਸ਼ਲਿਸਟ ਐਮਐਲ ਵਿੱਚ ਕੈਰੀਅਰ ਨੂੰ ਕਿਵੇਂ ਬਦਲ ਸਕਦਾ ਹੈ।

ਫੋਕਸ

ਬਹੁਤ ਸਾਰੀਆਂ ਕੰਪਨੀਆਂ ਕੋਲ ਰੈਜ਼ੀਡੈਂਸੀ ਪ੍ਰੋਗਰਾਮ ਹਨ, ਉਦਾਹਰਨ ਲਈ, ਗੂਗਲ ਅਤੇ ਫੇਸਬੁੱਕ ਸਮੇਤ। ਉਹ ਮੁੱਖ ਤੌਰ 'ਤੇ ਜੂਨੀਅਰ ਅਤੇ ਮੱਧ-ਪੱਧਰ ਦੇ ਮਾਹਿਰਾਂ ਨੂੰ ਨਿਸ਼ਾਨਾ ਬਣਾਉਂਦੇ ਹਨ ਜੋ ਐਮਐਲ ਖੋਜ ਵੱਲ ਇੱਕ ਕਦਮ ਚੁੱਕਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਰਹੇ ਹਨ. ਸਾਡਾ ਪ੍ਰੋਗਰਾਮ ਵੱਖਰੇ ਦਰਸ਼ਕਾਂ ਲਈ ਹੈ। ਅਸੀਂ ਉਹਨਾਂ ਬੈਕਐਂਡ ਡਿਵੈਲਪਰਾਂ ਨੂੰ ਸੱਦਾ ਦਿੰਦੇ ਹਾਂ ਜਿਨ੍ਹਾਂ ਨੇ ਪਹਿਲਾਂ ਹੀ ਕਾਫ਼ੀ ਤਜਰਬਾ ਹਾਸਲ ਕਰ ਲਿਆ ਹੈ ਅਤੇ ਯਕੀਨੀ ਤੌਰ 'ਤੇ ਜਾਣਦੇ ਹਾਂ ਕਿ ਉਹਨਾਂ ਦੀ ਯੋਗਤਾਵਾਂ ਵਿੱਚ ਉਹਨਾਂ ਨੂੰ ML ਵੱਲ ਬਦਲਣ ਦੀ ਲੋੜ ਹੈ, ਵਿਹਾਰਕ ਹੁਨਰ ਹਾਸਲ ਕਰਨ ਲਈ - ਨਾ ਕਿ ਇੱਕ ਵਿਗਿਆਨੀ ਦੇ ਹੁਨਰ - ਉਦਯੋਗਿਕ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਵਿੱਚ। ਇਸ ਦਾ ਇਹ ਮਤਲਬ ਨਹੀਂ ਹੈ ਕਿ ਅਸੀਂ ਨੌਜਵਾਨ ਖੋਜਕਰਤਾਵਾਂ ਦਾ ਸਮਰਥਨ ਨਹੀਂ ਕਰਦੇ। ਅਸੀਂ ਉਨ੍ਹਾਂ ਲਈ ਇੱਕ ਵੱਖਰਾ ਪ੍ਰੋਗਰਾਮ ਆਯੋਜਿਤ ਕੀਤਾ ਹੈ - ਪ੍ਰੀਮੀਅਮ ਇਲਿਆ ਸੇਗਾਲੋਵਿਚ ਦੇ ਨਾਮ ਤੇ ਰੱਖਿਆ ਗਿਆ ਹੈ, ਜੋ ਤੁਹਾਨੂੰ ਯਾਂਡੇਕਸ ਵਿੱਚ ਕੰਮ ਕਰਨ ਦੀ ਵੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ.

ਨਿਵਾਸੀ ਕਿੱਥੇ ਕੰਮ ਕਰੇਗਾ?

ਮਸ਼ੀਨ ਇੰਟੈਲੀਜੈਂਸ ਅਤੇ ਖੋਜ ਵਿਭਾਗ ਵਿੱਚ, ਅਸੀਂ ਖੁਦ ਪ੍ਰੋਜੈਕਟ ਵਿਚਾਰ ਵਿਕਸਿਤ ਕਰਦੇ ਹਾਂ। ਪ੍ਰੇਰਨਾ ਦਾ ਮੁੱਖ ਸਰੋਤ ਵਿਗਿਆਨਕ ਸਾਹਿਤ, ਲੇਖ ਅਤੇ ਖੋਜ ਭਾਈਚਾਰੇ ਵਿੱਚ ਰੁਝਾਨ ਹਨ। ਮੇਰੇ ਸਹਿਯੋਗੀ ਅਤੇ ਮੈਂ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਦੇ ਹਾਂ ਕਿ ਅਸੀਂ ਜੋ ਪੜ੍ਹਦੇ ਹਾਂ, ਇਹ ਦੇਖਦੇ ਹੋਏ ਕਿ ਅਸੀਂ ਵਿਗਿਆਨੀਆਂ ਦੁਆਰਾ ਪ੍ਰਸਤਾਵਿਤ ਤਰੀਕਿਆਂ ਨੂੰ ਕਿਵੇਂ ਸੁਧਾਰ ਜਾਂ ਵਿਸਤਾਰ ਕਰ ਸਕਦੇ ਹਾਂ। ਉਸੇ ਸਮੇਂ, ਸਾਡੇ ਵਿੱਚੋਂ ਹਰ ਇੱਕ ਆਪਣੇ ਗਿਆਨ ਅਤੇ ਰੁਚੀਆਂ ਦੇ ਖੇਤਰ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦਾ ਹੈ, ਉਹਨਾਂ ਖੇਤਰਾਂ ਦੇ ਅਧਾਰ ਤੇ ਕੰਮ ਨੂੰ ਤਿਆਰ ਕਰਦਾ ਹੈ ਜਿਹਨਾਂ ਨੂੰ ਉਹ ਮਹੱਤਵਪੂਰਨ ਸਮਝਦਾ ਹੈ. ਕਿਸੇ ਪ੍ਰੋਜੈਕਟ ਲਈ ਵਿਚਾਰ ਆਮ ਤੌਰ 'ਤੇ ਬਾਹਰੀ ਖੋਜ ਦੇ ਨਤੀਜਿਆਂ ਅਤੇ ਕਿਸੇ ਦੀ ਆਪਣੀ ਯੋਗਤਾ ਦੇ ਲਾਂਘੇ 'ਤੇ ਪੈਦਾ ਹੁੰਦਾ ਹੈ।

ਇਹ ਸਿਸਟਮ ਵਧੀਆ ਹੈ ਕਿਉਂਕਿ ਇਹ ਯਾਂਡੇਕਸ ਸੇਵਾਵਾਂ ਦੀਆਂ ਤਕਨੀਕੀ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਪੈਦਾ ਹੋਣ ਤੋਂ ਪਹਿਲਾਂ ਹੀ ਹੱਲ ਕਰਦਾ ਹੈ। ਜਦੋਂ ਕਿਸੇ ਸੇਵਾ ਨੂੰ ਸਮੱਸਿਆ ਦਾ ਸਾਹਮਣਾ ਕਰਨਾ ਪੈਂਦਾ ਹੈ, ਤਾਂ ਇਸਦੇ ਪ੍ਰਤੀਨਿਧੀ ਸਾਡੇ ਕੋਲ ਆਉਂਦੇ ਹਨ, ਸਭ ਤੋਂ ਵੱਧ ਸੰਭਾਵਨਾ ਹੈ ਕਿ ਅਸੀਂ ਪਹਿਲਾਂ ਹੀ ਤਿਆਰ ਕੀਤੀਆਂ ਤਕਨਾਲੋਜੀਆਂ ਨੂੰ ਲੈ ਸਕਦੇ ਹਾਂ, ਜੋ ਬਾਕੀ ਬਚਦਾ ਹੈ ਉਤਪਾਦ ਵਿੱਚ ਸਹੀ ਢੰਗ ਨਾਲ ਲਾਗੂ ਕਰਨਾ ਹੈ। ਜੇ ਕੋਈ ਚੀਜ਼ ਤਿਆਰ ਨਹੀਂ ਹੈ, ਤਾਂ ਅਸੀਂ ਘੱਟੋ ਘੱਟ ਜਲਦੀ ਯਾਦ ਰੱਖਾਂਗੇ ਕਿ ਅਸੀਂ ਕਿੱਥੇ "ਖੋਦਣਾ ਸ਼ੁਰੂ" ਕਰ ਸਕਦੇ ਹਾਂ ਅਤੇ ਕਿਹੜੇ ਲੇਖਾਂ ਵਿੱਚ ਹੱਲ ਲੱਭਣਾ ਹੈ। ਜਿਵੇਂ ਕਿ ਅਸੀਂ ਜਾਣਦੇ ਹਾਂ, ਵਿਗਿਆਨਕ ਪਹੁੰਚ ਦੈਂਤਾਂ ਦੇ ਮੋਢਿਆਂ 'ਤੇ ਖੜ੍ਹਨਾ ਹੈ.

ਮੈਂ ਕੀ ਕਰਾਂ

Yandex 'ਤੇ - ਅਤੇ ਇੱਥੋਂ ਤੱਕ ਕਿ ਖਾਸ ਤੌਰ 'ਤੇ ਸਾਡੇ ਪ੍ਰਬੰਧਨ ਵਿੱਚ - ML ਦੇ ਸਾਰੇ ਸੰਬੰਧਿਤ ਖੇਤਰਾਂ ਨੂੰ ਵਿਕਸਿਤ ਕੀਤਾ ਜਾ ਰਿਹਾ ਹੈ। ਸਾਡਾ ਉਦੇਸ਼ ਵਿਭਿੰਨ ਕਿਸਮਾਂ ਦੇ ਉਤਪਾਦਾਂ ਦੀ ਗੁਣਵੱਤਾ ਵਿੱਚ ਸੁਧਾਰ ਕਰਨਾ ਹੈ, ਅਤੇ ਇਹ ਹਰ ਨਵੀਂ ਚੀਜ਼ ਦੀ ਜਾਂਚ ਕਰਨ ਲਈ ਇੱਕ ਪ੍ਰੇਰਣਾ ਵਜੋਂ ਕੰਮ ਕਰਦਾ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਨਵੀਆਂ ਸੇਵਾਵਾਂ ਨਿਯਮਿਤ ਤੌਰ 'ਤੇ ਦਿਖਾਈ ਦਿੰਦੀਆਂ ਹਨ. ਇਸ ਲਈ ਲੈਕਚਰ ਪ੍ਰੋਗਰਾਮ ਵਿੱਚ ਉਦਯੋਗਿਕ ਵਿਕਾਸ ਵਿੱਚ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਦੇ ਸਾਰੇ ਮੁੱਖ (ਚੰਗੀ ਤਰ੍ਹਾਂ ਨਾਲ ਸਾਬਤ ਹੋਏ) ਖੇਤਰ ਸ਼ਾਮਲ ਹਨ। ਕੋਰਸ ਦੇ ਆਪਣੇ ਹਿੱਸੇ ਨੂੰ ਕੰਪਾਇਲ ਕਰਦੇ ਸਮੇਂ, ਮੈਂ ਸਕੂਲ ਆਫ਼ ਡਾਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਆਪਣੇ ਅਧਿਆਪਨ ਦੇ ਤਜ਼ਰਬੇ ਦੇ ਨਾਲ-ਨਾਲ ਹੋਰ SHAD ਅਧਿਆਪਕਾਂ ਦੀ ਸਮੱਗਰੀ ਅਤੇ ਕੰਮ ਦੀ ਵਰਤੋਂ ਕੀਤੀ। ਮੈਨੂੰ ਪਤਾ ਹੈ ਕਿ ਮੇਰੇ ਸਾਥੀਆਂ ਨੇ ਵੀ ਅਜਿਹਾ ਹੀ ਕੀਤਾ ਸੀ।

ਪਹਿਲੇ ਮਹੀਨਿਆਂ ਵਿੱਚ, ਕੋਰਸ ਪ੍ਰੋਗਰਾਮ ਦੇ ਅਨੁਸਾਰ ਸਿਖਲਾਈ ਤੁਹਾਡੇ ਕੰਮ ਦੇ ਸਮੇਂ ਦਾ ਲਗਭਗ 30%, ਫਿਰ ਲਗਭਗ 10% ਹੋਵੇਗੀ। ਹਾਲਾਂਕਿ, ਇਹ ਸਮਝਣਾ ਮਹੱਤਵਪੂਰਨ ਹੈ ਕਿ ML ਮਾਡਲਾਂ ਨਾਲ ਕੰਮ ਕਰਨਾ ਆਪਣੇ ਆਪ ਨੂੰ ਸਾਰੀਆਂ ਸੰਬੰਧਿਤ ਪ੍ਰਕਿਰਿਆਵਾਂ ਨਾਲੋਂ ਲਗਭਗ ਚਾਰ ਗੁਣਾ ਘੱਟ ਲੈਣਾ ਜਾਰੀ ਰੱਖੇਗਾ। ਇਹਨਾਂ ਵਿੱਚ ਬੈਕਐਂਡ ਤਿਆਰ ਕਰਨਾ, ਡੇਟਾ ਪ੍ਰਾਪਤ ਕਰਨਾ, ਇਸਨੂੰ ਪ੍ਰੀਪ੍ਰੋਸੈਸ ਕਰਨ ਲਈ ਇੱਕ ਪਾਈਪਲਾਈਨ ਲਿਖਣਾ, ਕੋਡ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਣਾ, ਖਾਸ ਹਾਰਡਵੇਅਰ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਣਾ, ਆਦਿ ਸ਼ਾਮਲ ਹਨ। ਇੱਕ ML ਇੰਜੀਨੀਅਰ, ਜੇ ਤੁਸੀਂ ਚਾਹੋ, ਇੱਕ ਫੁੱਲ-ਸਟੈਕ ਡਿਵੈਲਪਰ ਹੁੰਦਾ ਹੈ (ਸਿਰਫ ਮਸ਼ੀਨ ਸਿਖਲਾਈ 'ਤੇ ਵਧੇਰੇ ਜ਼ੋਰ ਦੇ ਨਾਲ) , ਸ਼ੁਰੂ ਤੋਂ ਲੈ ਕੇ ਅੰਤ ਤੱਕ ਇੱਕ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰਨ ਦੇ ਸਮਰੱਥ। ਇੱਥੋਂ ਤੱਕ ਕਿ ਇੱਕ ਤਿਆਰ ਮਾਡਲ ਦੇ ਨਾਲ, ਤੁਹਾਨੂੰ ਸੰਭਾਵਤ ਤੌਰ 'ਤੇ ਕਈ ਹੋਰ ਕਿਰਿਆਵਾਂ ਕਰਨ ਦੀ ਜ਼ਰੂਰਤ ਹੋਏਗੀ: ਕਈ ਮਸ਼ੀਨਾਂ ਵਿੱਚ ਇਸਦੇ ਐਗਜ਼ੀਕਿਊਸ਼ਨ ਨੂੰ ਸਮਾਨਾਂਤਰ ਬਣਾਓ, ਇੱਕ ਹੈਂਡਲ, ਇੱਕ ਲਾਇਬ੍ਰੇਰੀ, ਜਾਂ ਸੇਵਾ ਦੇ ਆਪਣੇ ਹਿੱਸੇ ਦੇ ਰੂਪ ਵਿੱਚ ਇੱਕ ਲਾਗੂਕਰਨ ਤਿਆਰ ਕਰੋ।

ਵਿਦਿਆਰਥੀ ਦੀ ਚੋਣ
ਜੇ ਤੁਸੀਂ ਇਸ ਪ੍ਰਭਾਵ ਹੇਠ ਸੀ ਕਿ ਪਹਿਲਾਂ ਬੈਕਐਂਡ ਡਿਵੈਲਪਰ ਵਜੋਂ ਕੰਮ ਕਰਕੇ ਐਮਐਲ ਇੰਜੀਨੀਅਰ ਬਣਨਾ ਬਿਹਤਰ ਹੈ, ਤਾਂ ਇਹ ਸੱਚ ਨਹੀਂ ਹੈ। ਸੇਵਾਵਾਂ ਨੂੰ ਵਿਕਸਤ ਕਰਨ, ਸਿੱਖਣ ਅਤੇ ਮਾਰਕੀਟ ਵਿੱਚ ਬਹੁਤ ਜ਼ਿਆਦਾ ਮੰਗ ਬਣਨ ਵਿੱਚ ਅਸਲ ਤਜ਼ਰਬੇ ਤੋਂ ਬਿਨਾਂ ਇੱਕੋ ਸ਼ੈਡ ਵਿੱਚ ਦਾਖਲਾ ਇੱਕ ਵਧੀਆ ਵਿਕਲਪ ਹੈ। ਬਹੁਤ ਸਾਰੇ ਯਾਂਡੇਕਸ ਮਾਹਰ ਇਸ ਤਰੀਕੇ ਨਾਲ ਆਪਣੀਆਂ ਮੌਜੂਦਾ ਸਥਿਤੀਆਂ ਵਿੱਚ ਖਤਮ ਹੋਏ. ਜੇ ਕੋਈ ਕੰਪਨੀ ਤੁਹਾਨੂੰ ਗ੍ਰੈਜੂਏਸ਼ਨ ਤੋਂ ਤੁਰੰਤ ਬਾਅਦ ਐਮਐਲ ਦੇ ਖੇਤਰ ਵਿੱਚ ਨੌਕਰੀ ਦੀ ਪੇਸ਼ਕਸ਼ ਕਰਨ ਲਈ ਤਿਆਰ ਹੈ, ਤਾਂ ਤੁਹਾਨੂੰ ਸ਼ਾਇਦ ਪੇਸ਼ਕਸ਼ ਨੂੰ ਵੀ ਸਵੀਕਾਰ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ। ਇੱਕ ਤਜਰਬੇਕਾਰ ਸਲਾਹਕਾਰ ਦੇ ਨਾਲ ਇੱਕ ਚੰਗੀ ਟੀਮ ਵਿੱਚ ਸ਼ਾਮਲ ਹੋਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ ਅਤੇ ਬਹੁਤ ਕੁਝ ਸਿੱਖਣ ਲਈ ਤਿਆਰ ਰਹੋ।

ਆਮ ਤੌਰ 'ਤੇ ਤੁਹਾਨੂੰ ML ਕਰਨ ਤੋਂ ਕਿਹੜੀ ਚੀਜ਼ ਰੋਕਦੀ ਹੈ?

ਜੇਕਰ ਕੋਈ ਬੈਕਐਂਡਰ ML ਇੰਜੀਨੀਅਰ ਬਣਨ ਦੀ ਇੱਛਾ ਰੱਖਦਾ ਹੈ, ਤਾਂ ਉਹ ਵਿਕਾਸ ਦੇ ਦੋ ਖੇਤਰਾਂ ਵਿੱਚੋਂ ਚੋਣ ਕਰ ਸਕਦਾ ਹੈ - ਰਿਹਾਇਸ਼ੀ ਪ੍ਰੋਗਰਾਮ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖੇ ਬਿਨਾਂ।

ਪਹਿਲਾਂ, ਕਿਸੇ ਵਿਦਿਅਕ ਕੋਰਸ ਦੇ ਹਿੱਸੇ ਵਜੋਂ ਅਧਿਐਨ ਕਰੋ। ਸਬਕ ਕੋਰਸੇਰਾ ਤੁਹਾਨੂੰ ਬੁਨਿਆਦੀ ਤਕਨੀਕਾਂ ਨੂੰ ਸਮਝਣ ਦੇ ਨੇੜੇ ਲਿਆਏਗਾ, ਪਰ ਆਪਣੇ ਆਪ ਨੂੰ ਪੇਸ਼ੇ ਵਿੱਚ ਕਾਫ਼ੀ ਹੱਦ ਤੱਕ ਲੀਨ ਕਰਨ ਲਈ, ਤੁਹਾਨੂੰ ਇਸ ਵਿੱਚ ਬਹੁਤ ਜ਼ਿਆਦਾ ਸਮਾਂ ਲਗਾਉਣ ਦੀ ਜ਼ਰੂਰਤ ਹੈ. ਉਦਾਹਰਨ ਲਈ, SAD ਤੋਂ ਗ੍ਰੈਜੂਏਟ। ਸਾਲਾਂ ਦੌਰਾਨ, ਸ਼ੈਡ ਨੇ ਮਸ਼ੀਨ ਸਿਖਲਾਈ 'ਤੇ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਵੱਖ-ਵੱਖ ਕੋਰਸ ਕੀਤੇ - ਔਸਤਨ, ਲਗਭਗ ਅੱਠ। ਗ੍ਰੈਜੂਏਟਾਂ ਦੀ ਰਾਏ ਸਮੇਤ, ਉਹਨਾਂ ਵਿੱਚੋਂ ਹਰ ਇੱਕ ਅਸਲ ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਅਤੇ ਉਪਯੋਗੀ ਹੈ. 

ਦੂਜਾ, ਤੁਸੀਂ ਲੜਾਈ ਦੇ ਪ੍ਰੋਜੈਕਟਾਂ ਵਿੱਚ ਹਿੱਸਾ ਲੈ ਸਕਦੇ ਹੋ ਜਿੱਥੇ ਤੁਹਾਨੂੰ ਇੱਕ ਜਾਂ ਕਿਸੇ ਹੋਰ ਐਮਐਲ ਐਲਗੋਰਿਦਮ ਨੂੰ ਲਾਗੂ ਕਰਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ. ਹਾਲਾਂਕਿ, IT ਡਿਵੈਲਪਮੈਂਟ ਮਾਰਕੀਟ 'ਤੇ ਬਹੁਤ ਘੱਟ ਅਜਿਹੇ ਪ੍ਰੋਜੈਕਟ ਹਨ: ਜ਼ਿਆਦਾਤਰ ਕੰਮਾਂ ਵਿੱਚ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਦੀ ਵਰਤੋਂ ਨਹੀਂ ਕੀਤੀ ਜਾਂਦੀ। ਇੱਥੋਂ ਤੱਕ ਕਿ ਬੈਂਕਾਂ ਵਿੱਚ ਜੋ ਸਰਗਰਮੀ ਨਾਲ ML-ਸੰਬੰਧੀ ਮੌਕਿਆਂ ਦੀ ਖੋਜ ਕਰ ਰਹੇ ਹਨ, ਸਿਰਫ ਕੁਝ ਕੁ ਹੀ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਰੁੱਝੇ ਹੋਏ ਹਨ। ਜੇ ਤੁਸੀਂ ਇਹਨਾਂ ਵਿੱਚੋਂ ਕਿਸੇ ਇੱਕ ਟੀਮ ਵਿੱਚ ਸ਼ਾਮਲ ਹੋਣ ਵਿੱਚ ਅਸਮਰੱਥ ਹੋ, ਤਾਂ ਤੁਹਾਡਾ ਇੱਕੋ ਇੱਕ ਵਿਕਲਪ ਹੈ ਜਾਂ ਤਾਂ ਆਪਣਾ ਖੁਦ ਦਾ ਪ੍ਰੋਜੈਕਟ ਸ਼ੁਰੂ ਕਰਨਾ (ਜਿੱਥੇ, ਜ਼ਿਆਦਾਤਰ ਸੰਭਾਵਨਾ ਹੈ, ਤੁਸੀਂ ਆਪਣੀ ਖੁਦ ਦੀ ਸਮਾਂ-ਸੀਮਾ ਨਿਰਧਾਰਤ ਕਰੋਗੇ, ਅਤੇ ਇਸਦਾ ਲੜਾਈ ਉਤਪਾਦਨ ਦੇ ਕੰਮਾਂ ਨਾਲ ਕੋਈ ਲੈਣਾ-ਦੇਣਾ ਨਹੀਂ ਹੈ), ਜਾਂ ਮੁਕਾਬਲਾ ਕਰਨਾ ਸ਼ੁਰੂ ਕਰੋ। ਕਾਗਲੇ.

ਦਰਅਸਲ, ਹੋਰ ਕਮਿਊਨਿਟੀ ਮੈਂਬਰਾਂ ਨਾਲ ਟੀਮ ਬਣਾਓ ਅਤੇ ਆਪਣੇ ਆਪ ਨੂੰ ਮੁਕਾਬਲਿਆਂ ਵਿੱਚ ਅਜ਼ਮਾਓ ਮੁਕਾਬਲਤਨ ਆਸਾਨ - ਖਾਸ ਕਰਕੇ ਜੇ ਤੁਸੀਂ ਕੋਰਸੇਰਾ 'ਤੇ ਸਿਖਲਾਈ ਅਤੇ ਜ਼ਿਕਰ ਕੀਤੇ ਕੋਰਸਾਂ ਨਾਲ ਆਪਣੇ ਹੁਨਰ ਦਾ ਬੈਕਅੱਪ ਲੈਂਦੇ ਹੋ। ਹਰੇਕ ਮੁਕਾਬਲੇ ਦੀ ਇੱਕ ਸਮਾਂ ਸੀਮਾ ਹੁੰਦੀ ਹੈ - ਇਹ ਤੁਹਾਡੇ ਲਈ ਇੱਕ ਪ੍ਰੇਰਣਾ ਵਜੋਂ ਕੰਮ ਕਰੇਗੀ ਅਤੇ ਤੁਹਾਨੂੰ IT ਕੰਪਨੀਆਂ ਵਿੱਚ ਇੱਕ ਸਮਾਨ ਪ੍ਰਣਾਲੀ ਲਈ ਤਿਆਰ ਕਰੇਗੀ। ਇਹ ਇੱਕ ਚੰਗਾ ਤਰੀਕਾ ਹੈ - ਜੋ ਕਿ, ਹਾਲਾਂਕਿ, ਅਸਲ ਪ੍ਰਕਿਰਿਆਵਾਂ ਤੋਂ ਥੋੜਾ ਜਿਹਾ ਤਲਾਕਸ਼ੁਦਾ ਵੀ ਹੈ. Kaggle 'ਤੇ ਤੁਹਾਨੂੰ ਪ੍ਰੀ-ਪ੍ਰੋਸੈਸਡ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ, ਹਾਲਾਂਕਿ ਹਮੇਸ਼ਾ ਸੰਪੂਰਣ ਨਹੀਂ ਹੁੰਦਾ, ਡੇਟਾ; ਉਤਪਾਦ ਵਿੱਚ ਯੋਗਦਾਨ ਬਾਰੇ ਸੋਚਣ ਦੀ ਪੇਸ਼ਕਸ਼ ਨਾ ਕਰੋ; ਅਤੇ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ, ਉਹਨਾਂ ਨੂੰ ਉਤਪਾਦਨ ਲਈ ਢੁਕਵੇਂ ਹੱਲਾਂ ਦੀ ਲੋੜ ਨਹੀਂ ਹੈ। ਤੁਹਾਡੇ ਐਲਗੋਰਿਦਮ ਸੰਭਵ ਤੌਰ 'ਤੇ ਕੰਮ ਕਰਨਗੇ ਅਤੇ ਬਹੁਤ ਸਟੀਕ ਹੋਣਗੇ, ਪਰ ਤੁਹਾਡੇ ਮਾਡਲ ਅਤੇ ਕੋਡ ਵੱਖ-ਵੱਖ ਹਿੱਸਿਆਂ ਤੋਂ ਇਕੱਠੇ ਫ੍ਰੈਂਕਨਸਟਾਈਨ ਵਰਗੇ ਹੋਣਗੇ - ਇੱਕ ਉਤਪਾਦਨ ਪ੍ਰੋਜੈਕਟ ਵਿੱਚ, ਪੂਰਾ ਢਾਂਚਾ ਬਹੁਤ ਹੌਲੀ ਕੰਮ ਕਰੇਗਾ, ਇਸਨੂੰ ਅੱਪਡੇਟ ਕਰਨਾ ਅਤੇ ਵਿਸਤਾਰ ਕਰਨਾ ਮੁਸ਼ਕਲ ਹੋਵੇਗਾ (ਉਦਾਹਰਨ ਲਈ, ਭਾਸ਼ਾ ਅਤੇ ਵੌਇਸ ਐਲਗੋਰਿਦਮ ਹਮੇਸ਼ਾ ਅੰਸ਼ਕ ਤੌਰ 'ਤੇ ਦੁਬਾਰਾ ਲਿਖੇ ਜਾਣਗੇ ਜਿਵੇਂ ਕਿ ਭਾਸ਼ਾ ਵਿਕਸਿਤ ਹੁੰਦੀ ਹੈ)। ਕੰਪਨੀਆਂ ਇਸ ਤੱਥ ਵਿੱਚ ਦਿਲਚਸਪੀ ਰੱਖਦੀਆਂ ਹਨ ਕਿ ਸੂਚੀਬੱਧ ਕੰਮ ਨਾ ਸਿਰਫ਼ ਤੁਹਾਡੇ ਦੁਆਰਾ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ (ਇਹ ਸਪੱਸ਼ਟ ਹੈ ਕਿ ਤੁਸੀਂ, ਹੱਲ ਦੇ ਲੇਖਕ ਵਜੋਂ, ਇਹ ਕਰ ਸਕਦੇ ਹੋ), ਪਰ ਤੁਹਾਡੇ ਕਿਸੇ ਵੀ ਸਹਿਯੋਗੀ ਦੁਆਰਾ ਵੀ. ਖੇਡਾਂ ਅਤੇ ਉਦਯੋਗਿਕ ਪ੍ਰੋਗਰਾਮਿੰਗ ਵਿੱਚ ਅੰਤਰ ਬਾਰੇ ਚਰਚਾ ਕੀਤੀ ਗਈ ਹੈ ਬਹੁਤ ਸਾਰਾ, ਅਤੇ ਕਾਗਲ ਸਹੀ ਢੰਗ ਨਾਲ "ਐਥਲੀਟਾਂ" ਨੂੰ ਸਿਖਿਅਤ ਕਰਦਾ ਹੈ - ਭਾਵੇਂ ਇਹ ਇਹ ਬਹੁਤ ਵਧੀਆ ਢੰਗ ਨਾਲ ਕਰਦਾ ਹੈ, ਉਹਨਾਂ ਨੂੰ ਕੁਝ ਤਜਰਬਾ ਹਾਸਲ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ।

ਮੈਂ ਵਿਕਾਸ ਦੀਆਂ ਦੋ ਸੰਭਾਵਿਤ ਲਾਈਨਾਂ ਦਾ ਵਰਣਨ ਕੀਤਾ - ਵਿਦਿਅਕ ਪ੍ਰੋਗਰਾਮਾਂ ਦੁਆਰਾ ਸਿਖਲਾਈ ਅਤੇ "ਲੜਾਈ ਵਿੱਚ" ਸਿਖਲਾਈ, ਉਦਾਹਰਨ ਲਈ ਕਾਗਲ 'ਤੇ। ਰੈਜ਼ੀਡੈਂਸੀ ਪ੍ਰੋਗਰਾਮ ਇਹਨਾਂ ਦੋ ਤਰੀਕਿਆਂ ਦਾ ਸੁਮੇਲ ਹੈ। SAD ਪੱਧਰ 'ਤੇ ਲੈਕਚਰ ਅਤੇ ਸੈਮੀਨਾਰ, ਅਤੇ ਨਾਲ ਹੀ ਸੱਚਮੁੱਚ ਲੜਾਕੂ ਪ੍ਰੋਜੈਕਟ, ਤੁਹਾਡੀ ਉਡੀਕ ਕਰ ਰਹੇ ਹਨ।

ਸਰੋਤ: www.habr.com