Yandex د تجربه لرونکي پس منظر پراختیا کونکو لپاره د ماشین زده کړې کې د استوګنې برنامه پرانیزي. که تاسو په C++/Python کې ډیر څه لیکلي او غواړئ دا پوهه په ML کې پلي کړئ، نو موږ به تاسو ته درس درکړو چې څنګه عملي څیړنه وکړو او تجربه لرونکي ښوونکي چمتو کړو. تاسو به په کلیدي Yandex خدماتو کار وکړئ او په ساحو کې مهارتونه ترلاسه کړئ لکه خطي ماډلونه او تدریجي وده، د سپارښتنې سیسټمونه، د عکسونو تحلیل لپاره عصبي شبکې، متن او غږ. تاسو به دا هم زده کړئ چې څنګه د میټریک آفلاین او آنلاین په کارولو سره خپل ماډلونه په سمه توګه ارزونه وکړئ.
د پروګرام موده یو کال ده، چې په ترڅ کې به ګډون کوونکي د Yandex د ماشین استخباراتو او څیړنې په څانګه کې کار وکړي، او همدارنګه په لیکچرونو او سیمینارونو کې ګډون وکړي. ګډون تادیه کیږي او د بشپړ وخت کار پکې شامل دی: په اونۍ کې 40 ساعته، د دې کال د جولای له 1 پیل کیږي. او د می تر 1 پورې به دوام وکړي.
او اوس په ډیر تفصیل سره - پدې اړه چې موږ د کوم ډول لیدونکو په تمه یو ، د کار پروسه به څه وي او په عموم کې ، څنګه د شاته پای متخصص کولی شي په ML کې مسلک ته لاړ شي.
اوریدنه
ډیری شرکتونه د استوګنې پروګرامونه لري، په شمول، د بیلګې په توګه، ګوګل او فیسبوک. دوی په عمده توګه د جونیر او منځنۍ کچې متخصصینو په هدف دي چې هڅه کوي د ML څیړنې په لور ګام پورته کړي. زموږ پروګرام د مختلفو لیدونکو لپاره دی. موږ د بیک انډ پراختیا کونکو ته بلنه ورکوو چې دمخه یې کافي تجربه ترلاسه کړې او په ډاډه توګه پوهیږو چې د دوی وړتیاو کې دوی اړتیا لري د ML په لور حرکت وکړي ، ترڅو عملي مهارتونه ترلاسه کړي - نه د ساینس پوه مهارتونه - د صنعتي ماشین زده کړې ستونزې حل کولو کې. دا پدې معنی نه ده چې موږ د ځوانو څیړونکو ملاتړ نه کوو. موږ د دوی لپاره یو جلا پروګرام جوړ کړی دی - د الیا سیګالوویچ په نوم نومول شوی، کوم چې تاسو ته اجازه درکوي په Yandex کې کار وکړي.
اوسیدونکي به چیرته کار کوي؟
د ماشین استخباراتو او څیړنې په څانګه کې، موږ پخپله د پروژې نظریاتو ته وده ورکوو. د الهام اصلي سرچینه علمي ادبيات، مقالې او په څیړنیزه ټولنه کې رجحانات دي. زما همکاران او زه هغه څه تحلیل کوو چې موږ یې لوستل، په دې لټه کې یو چې څنګه موږ کولی شو د ساینس پوهانو لخوا وړاندیز شوي میتودونه ښه یا پراخ کړو. په ورته وخت کې، موږ هر یو د خپلې پوهې او ګټو ساحه په پام کې نیسو، د هغه ساحو پر بنسټ چې هغه مهم ګڼي، دنده ترتیبوي. د پروژې مفکوره معمولا د بهرنیو څیړنو پایلو او د یو چا د خپلو وړتیاو په تقاطع کې زیږیدلی.
دا سیسټم ښه دی ځکه چې دا په لویه کچه د Yandex خدماتو تخنیکي ستونزې حل کوي حتی مخکې له دې چې دوی راپورته شي. کله چې یو خدمت د ستونزې سره مخ وي، د هغې استازي موږ ته راځي، ډیری احتمال لري هغه ټیکنالوژي واخلي چې موږ یې مخکې چمتو کړي، کوم چې پاتې دي په سمه توګه په محصول کې پلي کیږي. که یو څه چمتو نه وي، موږ به لږترلږه په چټکۍ سره په یاد ولرو چې چیرته موږ "کیندل پیل کړو" او په کومو مقالو کې د حل په لټه کې یو. لکه څنګه چې موږ پوهیږو، ساینسي طریقه دا ده چې د جنات په اوږو ودریږي.
چې څه کول پکار دي
په Yandex کې - او حتی په ځانګړي توګه زموږ په مدیریت کې - د ML ټولې اړوندې ساحې رامینځته کیږي. زموږ هدف د مختلفو محصولاتو کیفیت ښه کول دي، او دا د هر څه نوي ازموینې لپاره د هڅونې په توګه کار کوي. سربیره پردې، نوي خدمتونه په منظمه توګه څرګندیږي. نو د لیکچر برنامه په صنعتي پراختیا کې د ماشین زده کړې ټولې کلیدي (ښه ثابت) ساحې لري. کله چې زما د کورس برخه جوړه کړه، ما د ډیټا تحلیل په ښوونځي کې زما د تدریس تجربه، او همدارنګه د SHAD د نورو ښوونکو د موادو او کار څخه کار واخیست. زه پوهیږم چې زما همکارانو هم همداسې وکړل.
په لومړیو میاشتو کې، د کورس پروګرام سره سم روزنه به ستاسو د کاري وخت نږدې 30٪ حساب کړي، بیا شاوخوا 10٪. په هرصورت، دا مهمه ده چې پوه شي چې پخپله د ML ماډلونو سره کار کول به د ټولو اړوندو پروسو په پرتله نږدې څلور ځله لږ وخت ونیسي. پدې کې د بیک انډ چمتو کول ، د معلوماتو ترلاسه کول ، د دې دمخه پروسس کولو لپاره د پایپ لاین لیکل ، د کوډ اصلاح کول ، ځانګړي هارډویر سره تطابق کول او داسې نور شامل دي. یو ML انجینر دی ، که تاسو وغواړئ ، یو بشپړ سټیک جوړونکی (یوازې د ماشین زده کړې باندې ډیر ټینګار سره) ، د پیل څخه تر پای پورې د ستونزې حل کولو وړ. حتی د چمتو شوي ماډل سره ، تاسو شاید یو شمیر نورو کړنو ته اړتیا ولرئ: د دې اجرا کول په څو ماشینونو کې موازي کړئ ، د هینډل ، کتابتون یا پخپله د خدماتو اجزاو په بڼه پلي کول چمتو کړئ.
د زده کونکي انتخاب
که تاسو د دې انګیرنې لاندې یاست چې دا غوره ده چې لومړی د بیک انډ پراختیا کونکي په توګه کار کولو سره د ML انجینر شئ ، دا ریښتیا ندي. په ورته SAD کې نوم لیکنه پرته له دې چې د خدماتو رامینځته کولو کې ریښتیني تجربې ، زده کړه او په بازار کې خورا تقاضا رامینځته کول یو غوره انتخاب دی. ډیری Yandex متخصصین پدې توګه په خپلو اوسنیو پوستونو کې پای ته ورسیدل. که کوم شرکت چمتو وي چې تاسو ته د فراغت وروسته سمدلاسه د ML په ساحه کې د دندې وړاندیز وکړي ، تاسو شاید دا وړاندیز هم ومنئ. هڅه وکړئ د تجربه لرونکي ښوونکي سره یو ښه ټیم ته ورشئ او د ډیر څه زده کولو لپاره چمتو اوسئ.
څه شی معمولا تاسو د ML کولو څخه منع کوي؟
که یو ملاتړی د ML انجینر کیدو لیوالتیا ولري ، هغه کولی شي د پراختیا دوه برخو څخه غوره کړي - پرته لدې چې د استوګنې برنامې په پام کې ونیسي.
لومړی، د ځینې تعلیمي کورس د یوې برخې په توګه مطالعه وکړئ. کورسیرا به تاسو د لومړني تخنیکونو پوهیدو ته نږدې کړي ، مګر په کافي اندازه په مسلک کې د ډوبیدو لپاره ، تاسو اړتیا لرئ دې ته ډیر وخت وقف کړئ. د مثال په توګه، د SAD څخه فارغ شوی. د کلونو په اوږدو کې، SAD په مستقیم ډول د ماشین زده کړې په اړه مختلف کورسونه درلودل - په اوسط ډول، شاوخوا اته. د دوی هر یو واقعیا مهم او ګټور دی، په شمول د فارغانو په نظر کې.
دوهم، تاسو کولی شئ په جنګي پروژو کې برخه واخلئ چیرې چې تاسو د یو یا بل ML الګوریتم پلي کولو ته اړتیا لرئ. په هرصورت، د معلوماتي ټکنالوجۍ په بازار کې ډیر لږ داسې پروژې شتون لري: د ماشین زده کړه په ډیری دندو کې نه کارول کیږي. حتی په بانکونو کې چې په فعاله توګه د ML پورې اړوند فرصتونه لټوي، یوازې یو څو د معلوماتو تحلیل کې بوخت دي. که تاسو نشئ کولی د دې ټیمونو څخه یو سره یوځای شئ، ستاسو یوازینۍ اختیار دا دی چې یا خپله خپله پروژه پیل کړئ (چیرې چې، ډیری احتمال، تاسو به خپل وخت وټاکئ، او دا د جنګي تولید کارونو سره لږ تړاو نلري)، یا سیالي پیل کړئ. کاګل.
په حقیقت کې، د ټولنې د نورو غړو سره ټیم جوړ کړئ او په سیالیو کې ځان هڅه وکړئ - په ځانګړي توګه که تاسو خپل مهارتونه د روزنې او په کورسیرا کې ذکر شوي کورسونو سره بیک اپ کړئ. هره سیالي یوه وروستۍ نیټه لري - دا به ستاسو لپاره د هڅونې په توګه کار وکړي او تاسو به د آی ټي شرکتونو کې ورته سیسټم لپاره چمتو کړي. دا یوه ښه لاره ده - په هرصورت، د حقیقي پروسو څخه یو څه طلاق هم دی. په کاګل کې تاسو ته دمخه پروسس شوي درکول کیږي ، که څه هم تل بشپړ نه وي ، ډاټا؛ په محصول کې د ونډې په اړه فکر کولو وړاندیز مه کوئ؛ او تر ټولو مهم، دوی د تولید لپاره مناسب حل ته اړتیا نلري. ستاسو الګوریتمونه به شاید کار وکړي او خورا دقیق وي، مګر ستاسو ماډلونه او کوډ به د فرانکنسټین په څیر وي چې د بیلابیلو برخو څخه یوځای شوي - د تولید په پروژه کې، ټول جوړښت به ډیر ورو کار وکړي، دا به ستونزمن وي چې تازه او پراخ شي (د مثال په توګه، ژبه او غږ الګوریتمونه به تل په جزوي توګه بیا لیکل کیږي لکه څنګه چې ژبه وده کوي). شرکتونه د دې حقیقت سره علاقه لري چې لیست شوي کار نه یوازې ستاسو لخوا ترسره کیدی شي (دا روښانه ده چې تاسو د حل لیکوال په توګه دا کولی شئ) ، بلکه ستاسو د کوم همکار لخوا هم. د سپورت او صنعتي برنامو ترمنځ توپیر بحث کیږي ، او کیګل په دقیق ډول " ورزشکارانو" ته روزنه ورکوي - حتی که دا خورا ښه ترسره کړي ، دوی ته اجازه ورکوي چې یو څه تجربه ترلاسه کړي.
ما د پرمختګ دوه ممکنه کرښې بیان کړې - د تعلیمي پروګرامونو له لارې روزنه او "په جګړه کې" روزنه، د مثال په توګه په کاګل کې. د استوګنې برنامه د دې دوه میتودونو ترکیب دی. د SAD په کچه لیکچرونه او سیمینارونه، په بیله بیا واقعیا جنګي پروژې، ستاسو په تمه دي.
سرچینه: www.habr.com