Yandex muka program karésidénan dina mesin learning pikeun pamekar backend ngalaman. Upami anjeun parantos nyerat seueur dina C ++ / Python sareng hoyong nerapkeun pangaweruh ieu ka ML, maka kami bakal ngajarkeun anjeun kumaha ngalakukeun panalungtikan praktis sareng nyayogikeun mentor anu berpengalaman. Anjeun bakal ngerjakeun jasa Yandex konci sareng kéngingkeun kaahlian dina daérah sapertos modél linier sareng ningkatkeun gradién, sistem rekomendasi, jaringan saraf pikeun nganalisis gambar, téks sareng sora. Anjeun ogé bakal diajar kumaha leres ngaevaluasi modél anjeun nganggo métrik offline sareng online.
Durasi program nyaéta sataun, nalika pamilon bakal dianggo dina intelijen mesin sareng departemén panalungtikan Yandex, ogé hadir ceramah sareng seminar. Partisipasi dibayar sareng ngalibatkeun pagawéan full-time: 40 jam per minggu, dimimitian 1 Juli taun ieu. sarta bakal lumangsung nepi ka 1 Méi.
Sareng ayeuna langkung rinci - ngeunaan jinis pamiarsa anu urang tungguan, kumaha prosés kerjana sareng, sacara umum, kumaha spesialis tukang tonggong tiasa ngalih ka karir di ML.
Orientasi
Seueur perusahaan gaduh Program Karésidénan, kalebet, contona, Google sareng Facebook. Aranjeunna utamina ditujukeun ka spesialis tingkat SMP sareng pertengahan anu nyobian nyandak léngkah pikeun panalungtikan ML. Program kami kanggo panongton anu béda. Kami ngajak pamekar backend anu parantos ngagaduhan pangalaman anu cekap sareng terang yén dina kompeténsina aranjeunna kedah ngalih ka ML, pikeun kéngingkeun kaahlian praktis - sanés kaahlian élmuwan - dina ngarengsekeun masalah pembelajaran mesin industri. Ieu lain hartosna urang teu ngarojong peneliti ngora. Kami parantos ngatur program anu misah pikeun aranjeunna - dingaranan Ilya Segalovich, nu ogé ngidinan Anjeun pikeun digawé di Yandex.
Dimana warga bakal dianggo?
Dina Departemen AKAL Mesin sareng Panaliti, urang sorangan ngembangkeun ideu proyék. Sumber utama inspirasi nyaéta literatur ilmiah, artikel, sareng tren di komunitas riset. Abdi sareng kolega kuring nganalisis naon anu urang baca, ningali kumaha urang tiasa ningkatkeun atanapi ngalegaan metode anu diajukeun ku para ilmuwan. Dina waktos anu sami, masing-masing urang tumut kana daérah pangaweruh sareng kapentinganna, ngarumuskeun tugas dumasar kana daérah anu anjeunna anggap penting. Gagasan pikeun proyék biasana dilahirkeun di simpang tina hasil panalungtikan éksternal sareng kompeténsi sorangan.
Sistem ieu saé sabab sakitu legana ngarengsekeun masalah téknologi jasa Yandex bahkan sateuacan timbul. Nalika jasa nyanghareupan masalah, wawakilna sumping ka kami, paling dipikaresep nyandak téknologi anu kami parantos disiapkeun, anu sadayana tetep kedah diterapkeun sacara leres dina produk. Lamun hal teu siap, urang sahenteuna bakal gancang apal dimana urang bisa "ngamimitian digging" na nu artikel néangan solusi. Sakumaha urang terang, pendekatan ilmiah nyaéta nangtung dina taktak raksasa.
Naon anu kedah dilakukeun
Di Yandex - komo sacara khusus dina manajemén urang - sadaya daérah ML anu relevan nuju dikembangkeun. Tujuan kami nyaéta pikeun ningkatkeun kualitas rupa-rupa produk, sareng ieu janten insentif pikeun nguji sadayana anu énggal. Salaku tambahan, jasa anyar muncul sacara teratur. Jadi program kuliah ngandung sakabéh konci (well-kabuktian) wewengkon learning mesin dina ngembangkeun industri. Nalika nyusun bagian kuring tina kursus, kuring ngagunakeun pangalaman ngajar di Sakola Analisis Data, ogé bahan sareng karya guru SHAD anu sanés. Kuring terang yén kolega kuring ngalakukeun hal anu sami.
Dina bulan kahiji, latihan numutkeun program kursus bakal nyababkeun sakitar 30% tina waktos damel anjeun, teras sakitar 10%. Nanging, penting pikeun ngartos yén damel sareng modél ML sorangan bakal teras-terasan nyandak kirang langkung opat kali langkung handap tina sadaya prosés anu aya hubunganana. Ieu kalebet nyiapkeun backend, nampi data, nyerat pipa pikeun ngolah éta, ngaoptimalkeun kode, adaptasi kana hardware khusus, jsb. Insinyur ML nyaéta, upami anjeun resep, pamekar full-stack (ngan langkung tekenan kana pembelajaran mesin). , sanggup ngajawab masalah ti mimiti nepi ka ahir. Malah ku model siap-dijieun, Anjeun meureun bakal kudu ngalakukeun sababaraha lampah deui: parallelize palaksanaan na sakuliah sababaraha mesin, nyiapkeun hiji palaksanaan dina bentuk cecekelan, perpustakaan, atawa komponén tina jasa sorangan.
Pilihan murid
Upami anjeun aya dina kesan yén langkung saé janten insinyur ML ku mimiti damel salaku pamekar backend, ieu sanés leres. Ngadaptar dina ShAD anu sami tanpa pangalaman nyata dina ngembangkeun jasa, diajar sareng janten paménta pisan di pasar mangrupikeun pilihan anu saé. Seueur spesialis Yandex réngsé dina posisi ayeuna ku cara ieu. Upami aya perusahaan anu siap nawiskeun anjeun padamelan dina widang ML langsung saatos kalulusan, anjeun panginten kedah nampi tawaran ogé. Coba lebet kana tim anu saé sareng mentor anu berpengalaman sareng siap-siap diajar seueur.
Naon anu biasana nyegah anjeun ngalakukeun ML?
Upami backender hoyong janten insinyur ML, anjeunna tiasa milih tina dua daérah pangwangunan - tanpa nganggap program karésidénan.
Anu mimiti, diajar salaku bagian tina sababaraha kursus pendidikan. Coursera bakal ngadeukeutkeun anjeun pikeun ngartos téknik dasar, tapi pikeun neuleumkeun diri dina profési dugi ka cukup, anjeun kedah nyéépkeun waktos langkung seueur. Contona, lulusan ShAD. Salila sababaraha taun, ShAD ngagaduhan sajumlah kursus anu béda langsung dina pembelajaran mesin - rata-rata, sakitar dalapan. Tiap di antarana bener penting jeung mangpaat, kaasup dina pamadegan lulusan.
Kadua, anjeun tiasa ilubiung dina proyék tempur dimana anjeun kedah nerapkeun hiji atanapi algoritma ML anu sanés. Sanajan kitu, aya saeutik pisan proyék misalna dina pasar ngembangkeun IT: learning mesin teu dipaké dina paling tugas. Malah di bank anu aktip Ngajalajah kasempetan nu patali ML, ngan sababaraha kalibet dina analisis data. Upami anjeun henteu tiasa ngiringan salah sahiji tim ieu, hiji-hijina pilihan anjeun nyaéta ngamimitian proyék anjeun nyalira (dimana, paling dipikaresep, anjeun bakal nyetél wates waktu anjeun nyalira, sareng ieu teu aya hubunganana sareng tugas produksi tempur), atanapi ngamimitian bersaing. Kaggle.
Mémang, tim sareng anggota komunitas sanés sareng cobian diri anjeun dina kompetisi - khususna upami anjeun nyadangkeun kaahlian anjeun sareng pelatihan sareng kursus anu disebatkeun dina Coursera. Unggal kompetisi ngagaduhan wates waktu - éta bakal janten insentif pikeun anjeun sareng nyiapkeun anjeun pikeun sistem anu sami di perusahaan IT. Ieu cara alus - nu, kumaha oge, oge saeutik cerai ti prosés nyata. Dina Kaggle anjeun dibéré pre-processed, sanajan teu salawasna sampurna, data; ulah nawiskeun mikir ngeunaan kontribusi ka produk; sareng anu paling penting, aranjeunna henteu meryogikeun solusi anu cocog pikeun produksi. Algoritma anjeun sigana bakal tiasa dianggo sareng akurat pisan, tapi modél sareng kode anjeun bakal sapertos Frankenstein dihijikeun tina bagian anu béda - dina proyék produksi, sadayana struktur bakal jalan teuing laun, éta bakal sesah pikeun ngapdet sareng dilegakeun (contona, Algoritma basa jeung sora bakal salawasna ditulis ulang sabagean basa tumuwuh). Pausahaan museurkeun kanyataan yén karya didaptarkeun bisa dipigawé teu ukur ku anjeun sorangan (jelas yén anjeun, salaku panulis solusi, tiasa ngalakukeun ieu), tapi ogé ku salah sahiji kolega Anjeun. Beda antara olahraga jeung programming industri dibahas , sarta Kaggle ngadidik persis "atlit" - sanajan ngalakukeun eta kacida alusna, sahingga aranjeunna mangtaun sababaraha pangalaman.
Kuring ngajelaskeun dua jalur pangwangunan anu mungkin - latihan ngaliwatan program pendidikan sareng pelatihan "dina tempur", contona dina Kaggle. Program karésidénan mangrupikeun kombinasi dua metode ieu. Kuliah sareng seminar di tingkat ShAD, ogé proyék-proyék anu leres-leres combative, ngantosan anjeun.
sumber: www.habr.com