میرا نام ساشا ہے اور مجھے مشین لرننگ کے ساتھ ساتھ لوگوں کو پڑھانا بھی پسند ہے۔ اب میں کمپیوٹر سائنس سینٹر میں تعلیمی پروگراموں کی نگرانی کرتا ہوں اور سینٹ پیٹرزبرگ اسٹیٹ یونیورسٹی میں ڈیٹا کے تجزیہ میں بیچلر پروگرام کی ہدایت کرتا ہوں۔ اس سے پہلے، انہوں نے Yandex میں ایک تجزیہ کار کے طور پر کام کیا، اور اس سے پہلے بھی ایک سائنسدان کے طور پر: وہ SB RAS کے کمپیوٹر سائنس کے انسٹی ٹیوٹ میں ریاضیاتی ماڈلنگ میں مصروف تھا.
اس پوسٹ میں میں آپ کو بتانا چاہتا ہوں کہ طلباء، نووسیبرسک اسٹیٹ یونیورسٹی کے فارغ التحصیل افراد اور باقی سب کے لیے مشین لرننگ ٹریننگ شروع کرنے کا خیال کیا آیا۔
میں طویل عرصے سے کاگل اور دیگر پلیٹ فارمز پر ڈیٹا تجزیہ مقابلوں کی تیاری کے لیے ایک خصوصی کورس کا اہتمام کرنا چاہتا ہوں۔ یہ ایک عظیم خیال کی طرح لگ رہا تھا:
- طلباء اور کوئی بھی دلچسپی رکھنے والے نظریاتی علم کو عملی طور پر لاگو کریں گے اور عوامی مقابلوں میں مسائل کو حل کرنے کا تجربہ حاصل کریں گے۔
- ایسے مقابلوں میں سرفہرست رہنے والے طلباء درخواست دہندگان، طلباء اور گریجویٹوں کے لیے NSU کی کشش پر اچھا اثر ڈالتے ہیں۔ کھیلوں کی پروگرامنگ کی تربیت کے ساتھ بھی ایسا ہی ہوتا ہے۔
- یہ خصوصی کورس بنیادی معلومات کی مکمل تکمیل اور توسیع کرتا ہے: شرکاء آزادانہ طور پر مشین لرننگ ماڈلز کو نافذ کرتے ہیں اور اکثر ایسی ٹیمیں تشکیل دیتے ہیں جو عالمی سطح پر مقابلہ کرتی ہیں۔
- دیگر یونیورسٹیوں نے پہلے ہی اس طرح کی تربیت کا انعقاد کیا تھا، لہذا میں نے NSU میں خصوصی کورس کی کامیابی کی امید کی۔
لانچ کریں۔
نووسیبرسک کے اکیڈمگوروڈوک میں ایسی کوششوں کے لیے بہت زرخیز زمین ہے: کمپیوٹر سائنس سینٹر کے طلباء، گریجویٹس اور اساتذہ اور مضبوط تکنیکی فیکلٹیز، مثال کے طور پر، FIT، MMF، FF، NSU انتظامیہ کی مضبوط حمایت، ایک فعال ODS کمیونٹی، تجربہ کار انجینئرز۔ اور مختلف آئی ٹی کمپنیوں کے تجزیہ کار۔ اسی وقت، ہم نے گرانٹ پروگرام کے بارے میں سیکھا۔ - فنڈ ان ٹیموں کی حمایت کرتا ہے جو ML کھیلوں کے مقابلوں میں اچھے نتائج دکھاتی ہیں۔
ہمیں ہفتہ وار میٹنگز کے لیے NSU میں ایک سامعین ملا، ٹیلی گرام پر ایک چیٹ بنائی، اور CS سینٹر کے طلباء اور گریجویٹوں کے ساتھ مل کر یکم اکتوبر کو لانچ کیا۔ پہلے سبق میں 1 لوگ آئے۔ ان میں سے چھ تربیت میں باقاعدہ شریک ہوئے۔ مجموعی طور پر، تعلیمی سال کے دوران کم از کم ایک بار میٹنگ میں 19 لوگ آئے۔
پہلے نتائج
لڑکوں اور میں نے ملاقات کی، تجربات کا تبادلہ کیا، مقابلوں پر تبادلہ خیال کیا اور مستقبل کے لیے کسی نہ کسی منصوبے پر بات کی۔ بہت جلد ہم نے محسوس کر لیا کہ ڈیٹا کے تجزیہ کے مقابلوں میں جگہوں کے لیے لڑنا باقاعدہ، سخت کام ہے، جو بلا معاوضہ کل وقتی کام کی طرح ہے، لیکن بہت دلچسپ اور پرجوش 🙂 شرکاء میں سے ایک، Kaggle-master Maxim، نے ہمیں انفرادی طور پر مقابلوں میں آگے بڑھنے کا مشورہ دیا۔ ، اور صرف چند ہفتوں بعد عوامی سکور کو مدنظر رکھتے ہوئے ٹیموں میں متحد ہو جاتے ہیں۔ ہم نے یہی کیا! آمنے سامنے تربیت کے دوران، ہم نے ماڈلز، سائنسی مضامین، اور Python لائبریریوں کی پیچیدگیوں پر تبادلہ خیال کیا، اور مل کر مسائل کو حل کیا۔
موسم خزاں کے سمسٹر کے نتائج Kaggle پر دو مقابلوں میں چاندی کے تین تمغے تھے: и . اور پہلی رقم کے ساتھ ٹائپ کی غلطیوں کو درست کرنے کے لیے CFT مقابلے میں ایک تیسرا مقام حاصل کیا (پیسہ میں، جیسا کہ تجربہ کار کیگلرز کہتے ہیں)۔
خصوصی کورس کا ایک اور بہت اہم بالواسطہ نتیجہ NSU VKI کلسٹر کی لانچنگ اور کنفیگریشن تھا۔ اس کی کمپیوٹنگ طاقت نے ہماری مسابقتی زندگی کو نمایاں طور پر بہتر کیا ہے: 40 CPUs، 755Gb RAM، 8 NVIDIA Tesla V100 GPUs۔
اس سے پہلے، ہم اپنی پوری طرح سے بچ گئے: ہم نے ذاتی لیپ ٹاپس اور ڈیسک ٹاپس پر، گوگل کولاب اور Kaggle-kernels میں حساب لگایا۔ یہاں تک کہ ایک ٹیم کے پاس خود سے لکھا ہوا اسکرپٹ تھا جس نے ماڈل کو خود بخود محفوظ کیا اور حساب کتاب کو دوبارہ شروع کیا جو ایک وقت کی حد کی وجہ سے رک گیا تھا۔
موسم بہار کے سمسٹر میں، ہم جمع ہوتے رہے، کامیاب نتائج کا تبادلہ کرتے رہے اور مقابلے کے لیے اپنے حل کے بارے میں بات کرتے رہے۔ نئے دلچسپی کے شرکاء ہمارے پاس آنے لگے۔ موسم بہار کے سمسٹر کے دوران، ہم Kaggle پر آٹھ مقابلوں میں ایک طلائی، تین چاندی اور نو کانسی لینے میں کامیاب ہوئے: , , , , , اور دیگر، کانسی میں ، چینجیلینج>> کپ میں تیسرا مقام اور مشین لرننگ مقابلے میں پہلا مقام (دوبارہ رقم میں) Yandex سے.
تربیت کے شرکاء کیا کہتے ہیں۔
"مجھے بہت خوشی ہے کہ اس طرح کی سرگرمیاں یہاں سائبیریا میں کی جاتی ہیں، کیونکہ میرا ماننا ہے کہ مقابلوں میں شرکت ایم ایل میں مہارت حاصل کرنے کا تیز ترین طریقہ ہے۔ اس طرح کے مقابلوں کے لیے ہارڈویئر خود خریدنا کافی مہنگا ہے، لیکن یہاں آپ آئیڈیاز مفت میں آزما سکتے ہیں۔
"ایم ایل ٹریننگ کی آمد سے پہلے، میں نے خاص طور پر ٹریننگ اور ہندو مقابلوں کو چھوڑ کر مقابلوں میں حصہ نہیں لیا: مجھے اس میں کوئی خاص بات نظر نہیں آئی، کیونکہ میں نے ایم ایل کے شعبے میں کام کیا تھا، اور میں اس سے واقف تھا۔ پہلے سمسٹر میں میں نے بطور طالب علم شرکت کی۔ اور دوسرے سمسٹر سے شروع ہوتے ہی، جیسے ہی کمپیوٹنگ کے وسائل دستیاب ہوئے، میں نے سوچا، کیوں نہ حصہ لیا جائے۔ اور اس نے مجھے جھکا دیا۔ کام، ڈیٹا اور میٹرکس آپ کے لیے ایجاد اور تیار کیے گئے تھے، آگے بڑھیں اور MO کی پوری طاقت استعمال کریں، جدید ترین ماڈلز اور تکنیکوں کو چیک کریں۔ اگر یہ تربیت نہ ہوتی اور، بالکل اہم، کمپیوٹنگ کے وسائل، تو میں جلد ہی اس میں حصہ لینا شروع نہ کرتا۔"
"ذاتی طور پر ایم ایل کی تربیت نے مجھے ہم خیال لوگوں کو تلاش کرنے میں مدد کی، جن کے ساتھ میں مشین لرننگ اور ڈیٹا کے تجزیہ کے میدان میں اپنے علم کو گہرا کرنے میں کامیاب رہا۔ یہ ان لوگوں کے لیے بھی ایک بہترین آپشن ہے جن کے پاس آزادانہ طور پر تجزیہ کرنے اور مقابلوں کے موضوع میں خود کو غرق کرنے کے لیے زیادہ وقت نہیں ہے، لیکن پھر بھی وہ موضوع میں رہنا چاہتے ہیں۔
ہمارے ساتھ شامل ہوں
Kaggle اور دیگر پلیٹ فارمز پر ہونے والے مقابلے عملی مہارتوں کو نکھارتے ہیں اور ڈیٹا سائنس کے میدان میں تیزی سے دلچسپ کام میں تبدیل ہو جاتے ہیں۔ وہ لوگ جنہوں نے ایک ساتھ مشکل مقابلے میں حصہ لیا ہے وہ اکثر ساتھی بن جاتے ہیں اور کام سے متعلقہ مسائل کو کامیابی سے حل کرتے رہتے ہیں۔ یہ ہمارے ساتھ بھی ہوا: میخائل کارچیوسکی، ٹیم کے ایک دوست کے ساتھ، ایک سفارشی نظام پر اسی کمپنی میں کام کرنے گئے۔
وقت گزرنے کے ساتھ، ہم سائنسی اشاعتوں اور مشین لرننگ کانفرنسوں میں شرکت کے ساتھ اس سرگرمی کو بڑھانے کا ارادہ رکھتے ہیں۔ Novosibirsk میں شرکاء یا ماہرین کے طور پر ہمارے ساتھ شامل ہوں - لکھیں۔ یا . اپنے شہروں اور یونیورسٹیوں میں اسی طرح کی تربیت کا اہتمام کریں۔
اپنے پہلے قدم اٹھانے میں آپ کی مدد کرنے کے لیے یہاں ایک چھوٹی سی چیٹ شیٹ ہے:
- باقاعدہ کلاسز کے لیے ایک مناسب جگہ اور وقت پر غور کریں۔ زیادہ سے زیادہ - ہفتے میں 1-2 بار۔
- پہلی ملاقات کے بارے میں ممکنہ طور پر دلچسپی رکھنے والے شرکاء کو لکھیں۔ سب سے پہلے، یہ تکنیکی یونیورسٹیوں کے طلباء، ODS کے شرکاء ہیں۔
- حالات حاضرہ پر گفتگو کرنے کے لیے چیٹ شروع کریں: ٹیلی گرام، وی کے، واٹس ایپ یا کوئی دوسرا میسنجر جو زیادہ تر کے لیے آسان ہو۔
- عوامی طور پر قابل رسائی درسی منصوبہ، مقابلوں اور شرکاء کی فہرست کو برقرار رکھیں، اور نتائج کی نگرانی کریں۔
- قریبی یونیورسٹیوں، تحقیقی اداروں یا کمپنیوں میں مفت کمپیوٹنگ پاور یا گرانٹس تلاش کریں۔
- منافع!
ماخذ: www.habr.com