🔑 👩🏿‍🤝‍👨🏼 🌊 यदि आप डेटा साइंटिस्ट हैं तो आकांक्षी विशेषज्ञों की श्रेणी में कैसे शामिल नहीं हों 🏮 🔔 📂

हाबरा समुदाय ने हमारी शैक्षिक परियोजना में एक और साक्षात्कार आयोजित किया: आईटी के उन लोगों के साथ लाइव प्रसारण जो आपके सवालों का जवाब लाइव संचार प्रारूप में देते हैं।

हमारी परियोजना एक सफल डेवलपर के जीवन के लिए गाइड और सिफारिशों का एक पूरा सेट बनाने का प्रयास है: एक कैरियर कैसे बनाया जाए, एक सपना प्रस्ताव प्राप्त करें, स्टार्टअप में निवेश आकर्षित करें, उबाऊ परियोजनाओं पर बाहर न जाएं, अपने व्यवसाय में बढ़ें और अपने रास्ते से घर खरीद लें।

सप्ताह की शुरुआत में, एलिस के दिमाग के निर्माण में भाग लेने वाले यैंडेक्स एमएल इंजीनियर बोरिस यांगेल और अब मानव रहित वाहन बनाता है, हमारे सवालों के जवाब दिए।

बोरिया ने एक शांत डेटा-साइंटिस्ट बनने के बारे में बात की, कैसे पैराशूटिंग उनके काम में मदद करता है, क्यों एमएल सम्मेलन बेकार हैं, और हाल ही में पोस्ट का जवाब दिया। ऐलिस ने एक बच्चे को हत्या की कहानियों के वीडियो की सिफारिश कैसे की, इस बारे में नाराज पिता।

मेरा नाम बोरिस यांगेल है, मैं यैंडेक्स में काम करता हूं। मैं पेशे से एक एमएल इंजीनियर हूं, और हाल ही में मैं एमएल परियोजनाओं का प्रबंधन कर रहा हूं। फिलहाल मैं यैंडेक्स मानवरहित वाहन परियोजना पर काम कर रहा हूं, जिससे एमएल स्टैक का एक हिस्सा विकसित हो रहा है। इससे पहले, वह ऐलिस में लगा हुआ था, मॉड्यूल के विकास के लिए जिम्मेदार था, जिसे सशर्त रूप से उसे "दिमाग" कहा जा सकता है - यह मॉड्यूल, भाषण मान्यता प्राप्त होने के बाद, निर्धारित करता है कि उपयोगकर्ता क्या कहना चाहता था और जवाब पर निर्णय लेता है। इससे पहले, मैंने यैंडेक्स न्यूरल नेटवर्क टेक्नोलॉजी ग्रुप में काम किया था, और इससे पहले, Microsoft रिसर्च में, क्रिस बिशप ग्रुप में, इनफेर.नेट प्रोजेक्ट पर, यह बायेसियन आउटपुट लाइब्रेरी है। पहले भी, मैं चित्रों में खोज की रैंकिंग के लिए यैंडेक्स में था।

, ? , machine learning ?

सवाल थोड़ा अजीब है। मैं फिर से बताऊंगा: न्यूनतम तकनीकी कौशल की आवश्यकता क्या है (आप क्या करना चाहते हैं इसके आधार पर), क्या कोई उदार शिक्षा वाला व्यक्ति उन्हें प्राप्त कर सकता है?

यदि "लॉग इन" है, तो बताएं, एक तंत्रिका नेटवर्क को प्रशिक्षित करना, न केवल बिल्लियों से कुत्तों को अलग करना, बल्कि ऐसा करना जो आपको व्यक्तिगत रूप से चाहिए, फिर एक ऐसा तरीका है जो कई लोगों के लिए सुलभ है। आम समस्याओं को हल करने के लिए इंटरनेट पर बहुत सारे कोड हैं, और अब आप आसानी से और जल्दी से इस तरह के कोड ले सकते हैं, अपने डेटा को इसमें पर्ची कर सकते हैं और परिणाम प्राप्त कर सकते हैं। यह सबसे सरल बात है जो किया जा सकता है, इसके लिए कौशल को न्यूनतम आवश्यकता होती है, जिसमें प्रोग्रामिंग भी शामिल है।

आपको केवल तैयार कोड को समझने और उसे संपादित करने की क्षमता की आवश्यकता है। यदि कोड अच्छी तरह से संरचित है, तो यह आसान है।

यदि आप "लॉग इन" करते हैं - इसका मतलब है कि थोड़ा कम तुच्छ कार्य को हल करने के लिए खुद को एक तंत्रिका नेटवर्क बनाना है, कार्य अधिक जटिल हो जाता है, अधिक कौशल की आवश्यकता होती है।

अपने आप को तंत्रिका नेटवर्क को इकट्ठा करने के लिए, आपको कम से कम गणित की थोड़ी समझ होनी चाहिए, रैखिक बीजगणित की मूल बातें जानिए, यह समझें कि मेट्रिसेस, वैक्टर, टेंसर्स क्या हैं, आप उनके साथ क्या कर सकते हैं, क्या व्युत्पन्न और ढाल मूल है। मैं यह नहीं कह सकता कि केवल एक विशेषज्ञ यह पता लगाएगा, लेकिन आपको यह जानने की आवश्यकता है कि तंत्रिका नेटवर्क किन हिस्सों से बना है और परिणाम प्राप्त करने के लिए उन्हें डॉक करने के लिए यह कैसे प्रथागत है।

अब तंत्रिका नेटवर्क के तत्वों को जोड़ने के लिए काफी आसान-से-उपयोग के फ्रेमवर्क हैं - उदाहरण के लिए, केरस एड-इन के साथ टेंसोरफ्लो (यह बहुत सरल है, आपको न्यूनतम पायथन ज्ञान की आवश्यकता है)। लेकिन केरस गैर-तुच्छ कार्यों के लिए पर्याप्त नहीं हो सकता है, और फिर आपको "नग्न" TensorFlow के साथ काम करना होगा - इसके लिए अधिक कौशल की आवश्यकता होती है, विशेष रूप से TensorFlow के अंदर अपने खुद के संचालन बनाने के लिए। आप जितना आगे जाना चाहते हैं, उतने ही अधिक कौशल की आवश्यकता होगी। इसके अलावा, समस्याएँ तब शुरू होती हैं जब कुछ गलत हो जाता है: यह पता लगाने के लिए कि सिस्टम आपकी ज़रूरत के अनुसार काम नहीं करता है, आपको अपेक्षाकृत उच्च स्तर के कौशल की आवश्यकता है - आपको इसके बारे में पूरी तरह से पता होना चाहिए कि क्या हो रहा है "के तहत हुड। "

पायथन में डेटा साइंस और मशीन लर्निंग पर किस तरह की पुस्तकों की शुरुआत की जरूरत है? इस ज्ञान का अभ्यास कैसे करें?

मुझे यकीन नहीं है कि मैं इस प्रश्न का सही उत्तर दे सकता हूं। जब मैं एक शुरुआती था, तब अब तक बहुत कम अच्छी किताबें थीं, और एक सुविधाजनक रूप में सही जानकारी प्राप्त करना अधिक कठिन था।

अब गहरी सीखने पर कई किताबें हैं, उदाहरण के लिए, गुडफेलो पुस्तक - अधिकांश मूल बातें हैं जो आपको तंत्रिका नेटवर्क और आवश्यक गणित पर जानने की आवश्यकता है। एक व्यावहारिक दृष्टिकोण वाली किताबें हैं - वे न केवल गणितीय तरीकों से परिचित कराते हैं, बल्कि तुरंत आपको यह भी बताते हैं कि पायथन में कुछ विशिष्ट कैसे करें।

केरस के साथ गहन सीखने पर, केरस लेखक, फ्रेंकोइस शोल की एक पुस्तक है। कई किताबें हैं, हालांकि मैं यह नहीं कह सकता कि कौन सी बेहतर हैं। यह मुझे लगता है कि आप सुरक्षित रूप से प्रसिद्ध लेखकों पर किताबें ले सकते हैं।

यदि कार्य ज्ञान की रीढ़ बनाना है, तो अधिक मौलिक पुस्तकों की आवश्यकता होगी, उदाहरण के लिए, क्रिस बिशप की पैटर्न मान्यता और मशीन लर्निंग , मैं इसे पढ़ने और इससे अभ्यास करने की सलाह देता हूं। यह पूर्ण रूप से पढ़ने के लिए आवश्यक नहीं है, लेकिन मुख्य अध्याय - उदाहरण के लिए, संभाव्यता के सिद्धांत पर - यह समझने में मदद करेगा कि पूरी मशीन सीखने के लिए एक एकल रूपरेखा कैसे बनती है।

इसके अलावा, यह सीखना महत्वपूर्ण है कि मॉडल में कैसे सोचना है । हम परिणाम प्राप्त करने के लिए केवल कुछ विधियों का उपयोग नहीं करते हैं, लेकिन हम डेटा को मॉडल करते हैं। हमें इस तरह की सोच अपनाने की जरूरत है - उदाहरण के लिए, क्रिस बिशप की ऑनलाइन पुस्तक मॉडल-बेस्ड मशीन लर्निंग इसमें मदद करेगी ।आंशिक रूप से मुक्त। इस पुस्तक का प्रत्येक अध्याय एक कार्य का एक उदाहरण है जिसके लिए आपको एक मॉडल बनाने की आवश्यकता है, और अध्याय के दौरान, आप लगातार ऐसा करने की कोशिश करते हैं, धीरे-धीरे मॉडल को जटिल करते हैं, जब तक आपको परिणाम नहीं मिलता। यह डेटा विज्ञान के लिए सोच के तरीके को अपनाने में मदद करता है।

अभ्यास के लिए - मैंने पहले ही बात की है कि यह जानना महत्वपूर्ण है कि "हुड के तहत" क्या हो रहा है। ऐसा करने के लिए, अपने आप को कुछ इकट्ठा करने की कोशिश करना सबसे अच्छा है। एक तैयार किए गए ढांचे का उपयोग करने के बजाय अपने आप को एक ढाल वंश लिखो, या एक परत लिखें और इसे ढांचे में जोड़ें। एक दिलचस्प संरचना के साथ अपेक्षाकृत गैर-तुच्छ कार्य के साथ आने की कोशिश करें; यह निर्धारित करने के लिए कि आपके पास क्या ज्ञान और जानकारी का अभाव है। गुणवत्ता में सुधार के लिए समाधान को लगातार जटिल करें। इसे ऐसा कार्य होने दें, जिसके समाधान का परिणाम व्यक्तिगत रूप से आपके लिए हितकारी होगा।

अब TensorFlow JS का तेजी से विकास हो रहा है। मैं मशीन लर्निंग सीख रहा हूं और इस लाइब्रेरी का उपयोग करना चाहता हूं। सीमांत के लिए क्या संभावनाएं हैं?

TendorFlow JS फॉर द फ्रंट में मशीन लर्निंग के एक एंट्री पॉइंट के रूप में इस्तेमाल किया जा सकता है, हालाँकि मुझे यह समझ में नहीं आया कि क्यों। यदि ऐसा इसलिए है क्योंकि आप केवल जावास्क्रिप्ट को जानते हैं, तो यह गलत प्रेरणा है; अजगर सीखना बहुत आसान है।

TensorFlow JS के पास अनुप्रयोग का अपना क्षेत्र है: यह मशीन लर्निंग है, जिसमें सीधे ब्राउज़र में इन्वेंशन काम करता है, जो आपको इंटरेक्टिव डीप लर्निंग टूल बनाने की अनुमति देता है। यह आपको एक व्यक्ति को एक इंटरैक्टिव उपकरण देने की अनुमति देता है जिसमें आप एल्गोरिदम और मॉडल के साथ काम कर सकते हैं, विज़ुअलाइज़ेशन कर सकते हैं और इस तरह विषय की अपनी समझ में सुधार कर सकते हैं। गहन शिक्षण के संभवतः अन्य आशाजनक क्षेत्र हैं जहां आपको इंटरैक्टिव की आवश्यकता होती है - उदाहरण के लिए, रचनात्मकता के लिए उपकरण, जहां आप वास्तविक समय में छवियों के साथ काम कर सकते हैं या संगीत को संश्लेषित कर सकते हैं।

कृत्रिम बुद्धिमत्ता के किसी भी क्षेत्र में एक ठंडा विशेषज्ञ कैसे बनें (उदाहरण के लिए, एनएलपी), जितनी जल्दी हो सके?

दूसरे भाग के लिए, गति हमेशा मौजूदा ज्ञान आधार पर निर्भर करती है।

पहले भाग के रूप में - यह मुझे लगता है कि प्रश्न गलत तरीके से यहां प्रस्तुत किया गया है। एनएलपी में बहुत सारी अलग-अलग तकनीकें होती थीं, समस्याओं को हल करने के लिए आपको बहुत कुछ जानने की जरूरत होती है, लेकिन तब गहन शिक्षण विशेषज्ञ वहां आए। वे वृद्धिशील सुधार के साथ बीईआरटी के साथ आए थे, और अब एनएलपी कार्यों को हल करने के लिए आपको बीईआरटी को छोड़कर कुछ भी जानने की आवश्यकता नहीं है। उसी समय, बीईआरटी को समझने के लिए, आपको एनएलपी को समझने की आवश्यकता नहीं है - आपको यह जानना होगा कि मॉडल को टोकन के लिए कैसे लागू किया जाता है। आपको मशीन लर्निंग में एक विशेषज्ञ बनने की आवश्यकता है, और फिर आप उपलब्ध होंगे - थोड़े प्रयास से - इसके विभिन्न अनुप्रयोग क्षेत्र।

कूल मशीन लर्निंग विशेषज्ञ कैसे बनें?

सबसे पहले, आपको अपने सिर में मशीन लर्निंग में क्या हो रहा है की एक अच्छी वैचारिक रूपरेखा तैयार करने की आवश्यकता है। जब तक आप इसे असमान तथ्यों, एल्गोरिदम और अनुमानों के एक सेट के रूप में समझते हैं, तब तक आप दूर नहीं जाएंगे।

मोटे तौर पर, किसी को निम्नलिखित समझना चाहिए: हम जो कुछ भी करते हैं वह एक अर्थ में सर्वश्रेष्ठ के कुछ सेट से कार्यों की खोज करता है। आपको यह समझने की आवश्यकता है कि कौन से अर्थ हैं जिनमें फ़ंक्शन सबसे अच्छा है, किन सेटों में आप खोज सकते हैं कि कौन से फ़ंक्शंस हैं, हम एक या दूसरे सेट को क्यों पसंद करते हैं, क्यों यह दूसरों की तुलना में कुछ में खोज करने के लिए अधिक प्रभावी है, अलग-अलग सेटों में खोज के लिए क्या चालें मौजूद हैं। आपको यह समझने की आवश्यकता है कि ये फ़ंक्शन डेटा मॉडल हैं (कम से कम जो हमें रुचि रखते हैं)।

डेटा मॉडल एक छोटे से सेट से मानक तकनीकों का उपयोग करके बनाया गया है, जो गहरी सीखने और संभाव्य प्रोग्रामिंग के लिए लगभग समान है; आपको यह समझने की आवश्यकता है कि ये तकनीकें कैसे और किन मामलों में संयुक्त हैं। तब आप पाएंगे कि आप समझते हैं कि विभिन्न विषय क्षेत्रों में कार्यों को कैसे हल किया जाता है।

मान लीजिए कि कलमन फिल्टर हैं - समय में सिस्टम की गतिशीलता को मॉडलिंग करते हैं, और उनके बारे में किताबें हैं जिन्हें पढ़ा जा सकता है। यदि कलमन फ़िल्टर आपको सूट नहीं करता है, तो आप अपने कार्य के लिए ऐसा ही कुछ करने के लिए इसमें कोई संशोधन नहीं कर पाएंगे, लेकिन "काफी कलमन फ़िल्टर नहीं है।"

लेकिन अगर आप समझते हैं कि यह सिर्फ एक संभाव्य मॉडल है जिसे कुछ निश्चित, काफी सरल सिद्धांतों पर निर्मित किया गया है (जहां कुछ अज्ञात है, एक सामान्य वितरण जोड़ें, और जो कुछ भी सीधे मॉडल बनाया गया है, वह रैखिक गतिशीलता है), तो आप कुछ का निर्माण कर सकते हैं क्या आप भी Kalman फिल्टर के बारे में जानने के बिना की जरूरत है।

यदि आप इस तरह की सोच प्राप्त करते हैं, तो आप पाएंगे कि अधिकांश लेख - यहां तक कि शीर्ष सम्मेलनों से - निर्बाध हैं। आमतौर पर, वृद्धिशील सुधार का वर्णन मानक तकनीकों का उपयोग करके किया जाता है जिसे आप स्वयं लागू कर सकते हैं - और यह आपके लिए स्पष्ट होगा - और उपयोग किए गए डेटासेट की सीमाओं से परे स्केलिंग की संभावना के बिना। किसी भी मामले में, आप अच्छे लेखों को याद नहीं करेंगे जिसमें वास्तव में नई तकनीकों को प्रस्तुत किया जाता है - हर कोई उनके बारे में बात करेगा, और आप जल्दी से उनके बारे में जानेंगे। यह पता चला है कि वास्तव में बहुत कम लेख हैं।

हमें उस स्टैक के बारे में बताएं जिसके साथ आप काम कर रहे हैं। क्या पुस्तकालयों और चौखटे एक नौसिखिया मशीन सीखने के विशेषज्ञ अध्ययन करना चाहिए?

मैं मुख्य रूप से TensorFlow और Keras के साथ काम करता हूं। PyTorch अभी भी लोकप्रियता प्राप्त कर रहा है - सहकर्मी उसकी प्रशंसा करते हैं।

जब केरस ऊपर आता है - अर्थात, उन उच्च-स्तरीय अमूर्त जो इसमें हैं, उनका उपयोग किया जा सकता है, और गहराई तक जाने की आवश्यकता नहीं है - केरस का उपयोग करना बेहतर है, यह समय बचाता है। बेशक, आपको यह समझने की आवश्यकता है कि केरेस कैसे काम करता है और यदि आवश्यक हो तो कैसे परे जाना है।

यदि केरेस में ही कुछ गायब है, तो आप हमेशा टेंसोरफ्लो में एक टुकड़ा जोड़ सकते हैं - वास्तुकला यह अनुमति देता है।

Yandex ऑटोपायलट चरणों में कैसे बनाया जाता है? इसके लिए किस तरह के विशेषज्ञ रखे जाते हैं, डेटा साइंस / मशीन लर्निंग वर्कफ़्लो कैसे बनाया जाता है?

सबसे पहले, मैं संक्षेप में वर्णन करता हूं कि "मानवरहित" स्टैक कैसे काम करता है - अधिक जानकारी के लिए, एंटोन सलेसेव की वीडियो रिपोर्ट देखें , इसे खोजना आसान है। स्टैक में कई घटक होते हैं। धारणा इस समय मशीन के आसपास क्या हो रहा है की एक दृष्टि है।

स्थानीयकरण एक समझ है कि कार कहाँ स्थित है, सेंसर और पूर्व-निर्मित नक्शों की जानकारी का उपयोग करते हुए।

भविष्यवाणी एक भविष्यवाणी है कि अगले सेकंड में क्या होगा (यानी, आंदोलन में अन्य प्रतिभागियों का व्यवहार कैसा होगा) ज्ञान की मदद से कि दुनिया अभी कैसे बनी है और अतीत में इसका निर्माण कैसे हुआ था; मैं अभी इस हिस्से में काम कर रहा हूं

योजना- धारणा और भविष्यवाणी के बाद क्या आता है: आपको कार्रवाई का एक सुरक्षित अनुक्रम चुनने की आवश्यकता है जो समस्या के समाधान के लिए नेतृत्व करेगा।

नियंत्रण - इस क्रम को कार के लिए निर्देशों में परिवर्तित करना (स्टीयरिंग व्हील, गैस-ब्रेक)।

इस स्टैक एमएल के कई तत्वों की अब आवश्यकता है, या अत्याधुनिक समाधानों में उपयोग नहीं किया जाता है। बहुत सारे एमएल-इंजीनियरिंग काम हैं - यह काम करना आवश्यक है, और जल्दी से काम करना है, क्योंकि इस तरह के सिस्टम में विलंबता बहुत महत्वपूर्ण है। हमें यह जानने की ज़रूरत है कि मॉडल को कैसे प्रशिक्षित किया जाए, यह समझने के लिए कि कौन से मैट्रिक्स हमें यह समझने की अनुमति देते हैं कि क्या बेहतर हुआ, कौन सा हमें अनुमति नहीं देता है, यह समझने के लिए कि डेटा को अधिक कुशलता से कैसे इकट्ठा किया जाए। इसके अलावा, बुनियादी ढांचे के काम का एक बड़ा घटक है, जिसे अक्सर कम करके आंका जाता है। इन सभी घटकों को एक साथ विकसित करने के लिए एक बहुत शक्तिशाली बुनियादी ढांचे की आवश्यकता है।

यूएवी उनके पास होने वाली हर चीज के बारे में बड़ी मात्रा में डेटा एकत्र करता है - आपको इस डेटा के साथ जल्दी से काम करने में सक्षम होने की आवश्यकता है, "कोड में वाई में बदलाव होने पर स्थिति एक्स में क्या होगा" जैसे सवालों का जवाब दें। इसके लिए गैर-तुच्छ इंजीनियरिंग समाधान और अच्छे इंजीनियरों की आवश्यकता होती है।

डेटा साइंस / मशीन लर्निंग वर्कफ़्लो, मेरे विचार से, कहीं और है। किसी भी टीम के पास एक मीट्रिक होना चाहिए जिसे इस समय अनुकूलित किया जाना चाहिए।

अधिकांश लोगों के लिए, इस मीट्रिक को बेहतर बनाने के लिए एक विशिष्ट दिन की तलाश में जाता है। और इस मीट्रिक को आपके लक्ष्य के साथ जोड़ दिया जाना चाहिए - निश्चित रूप से, इसके साथ आने में मुश्किल है, मीट्रिक धीरे-धीरे विकसित होगी।

मान लीजिए कि आप एक पैदल यात्री वर्ग बनाते हैं। चारों ओर पैदल यात्री मिले, औसत परिशुद्धता का उपयोग करते हुए, आइए बताते हैं। आप मीट्रिक को अनुकूलित करते हैं और पाते हैं कि यह आपके परिवर्तनों से विकसित होता है, लेकिन वास्तव में यह बदतर हो जाता है। आप समझते हैं कि मीट्रिक खराब है। इस निष्कर्ष पर पहुंचें कि सभी पैदल चलने वालों के लिए खोज करना आवश्यक नहीं है - वे जो 50 मीटर आगे या पीछे हैं, हमें किसी भी तरह से प्रभावित नहीं करते हैं। हमें मीट्रिक को स्पष्ट करने की आवश्यकता है। आप केवल उन पैदल यात्रियों के पास जाते हैं जो पास में हैं। तब आप समझते हैं कि यह भी बुरा है: आप केवल उन लोगों में रुचि रखते हैं जो आगे हैं।

तो मीट्रिक का विकास होता है। प्रत्येक क्षण में, एक निश्चित मीट्रिक तय की जाती है, और आप इसे सुधारते हैं। यह आपको संज्ञानात्मक भार से छुटकारा दिलाता है: आप सिर्फ यह सोचते हैं कि एक नंबर को कैसे बेहतर बनाया जाए - और टीम का हिस्सा लगातार उस नंबर के इष्टतम विकल्प पर काम कर रहा है जिसे सुधारने की आवश्यकता है।

मैं "मजबूत एआई" के विषय में डूबा हुआ हूं। मेरे दो सवाल हैं: हम अपने बच्चों को पढ़ाने के तरीके को एआई क्यों नहीं सीख सकते हैं, और सबसे पहले अगर कोई क्षेत्र किस तरह का उपयोग करेगा तो वह एक मजबूत एआई बनाएगा?

मैं पहले प्रश्न को इस प्रकार समझता हूं: यह ऐसा है जैसे कि बच्चों को सरल से जटिल सिखाया जाता है। प्रारंभ में, वे दुनिया के एक सरलीकृत मॉडल में रहते हैं, जहां सांता क्लॉज़ है, लेकिन धीरे-धीरे उनकी दुनिया अधिक जटिल हो जाती है, और बच्चे अधिक जटिल समस्याओं को हल करना सीखते हैं। यह तर्कसंगत लगता है कि एआई को एक समान सिद्धांत के अनुसार पढ़ाया जाना चाहिए - थॉमस मिकलोव (वह अब फेसबुक एआई रिसर्च पर है) से ऐसा एक प्रस्ताव है जो मजबूत एआई के लिए एक प्रशिक्षण योजना का निर्माण करेगा।

इसके अलावा, मशीन लर्निंग में, पाठ्यक्रम सीखने का एक क्षेत्र है - अर्थात, "सरल से जटिल" सिद्धांत पर मॉडल प्रशिक्षण। समस्या यह है कि अब सब कुछ एक ही कार्य के भीतर काम करता है। कुत्तों को खोजने का एक ही कार्य - पहले नेटवर्क पर उन चित्रों में बिल्लियों से कुत्तों को अलग करना सिखाया जाता है जहां वे बिल्कुल भी नहीं दिखते हैं, और फिर वे अधिक से अधिक समान लेते हैं। यह एक पुनरावृत्तीय-अनुवादक विधि है: यह माना जाता है कि नेटवर्क सरल अवधारणाओं का निर्माण करेगा, और फिर, उनके आधार पर, अधिक जटिल वाले। जब यह विभिन्न अवधारणाओं की बात आती है तो यह काम नहीं करता है।

यदि आप सिस्टम को कुछ सिखाना शुरू करते हैं, तो पहले इसे दूसरे को पढ़ाया जाता है, यह उन अवधारणाओं को भूल जाता है जिन्हें पहले याद किया गया था। यह भयावह भूलने की समस्या है, किसी ने भी इसे हल नहीं किया है। धीरे-धीरे वंश एक ही बार में सभी भार बदल देता है, और यह पुरानी अवधारणाओं को नष्ट कर देता है। हमें यह पता लगाने की जरूरत है कि पुराने को नष्ट किए बिना नई अवधारणाओं का निर्माण कैसे किया जाए।

अनुसंधान एक-शॉट सीखने और कुछ-शॉट सीखने के क्षेत्र इसके साथ जुड़े हुए हैं: एक कार्य के लिए अवधारणाओं को सीखना और छोटी संख्या के उदाहरणों के साथ किसी अन्य समस्या को हल करने के लिए उनका उपयोग करना। इस क्षेत्र में कोई मौलिक सफलता नहीं मिली है, लेकिन एक मजबूत एआई के कुछ विचार रखने के लिए उन्हें बनाने की आवश्यकता है।

मुझे भविष्य में एक मजबूत एआई के प्रकट नहीं होने का कोई कारण नहीं दिखता है। हमारे आधुनिक विचार में, मानव मस्तिष्क एक मशीन है जो अन्य सिद्धांतों के अनुसार गणना करता है।

एक मजबूत एआई बनाने के लिए कोई बुनियादी बाधाएं नहीं हैं, लेकिन मैं यह अनुमान नहीं लगा सकता कि इस समय तक कितना समय बचा है - यह ज्ञात नहीं है कि इसके लिए अन्य चरणों की क्या आवश्यकता होगी। यदि हम अतीत के "सफेद धब्बों" पर काबू पाने में प्रगति की गति का उपयोग करते हुए अतिरिक्त करते हैं, तो हम "10 से 50 वर्ष की आयु" जैसे एक आंकड़े को कॉल कर सकते हैं - लेकिन यह अभी भी "उंगली से आकाश" है। आप मूर के कानून के लिए अपील कर सकते हैं और गणना कर सकते हैं कि प्रोसेसर के पास मस्तिष्क की कम्प्यूटेशनल क्षमता को प्राप्त करने के लिए पर्याप्त ट्रांजिस्टर घनत्व होगा - कई दशकों तक, और यह भी "उंगली से आकाश" होगा।

मुझे नहीं लगता कि एक मजबूत एआई - अगर यह आविष्कार किया गया है - व्यापार से आएगा। इसके बजाय, यह किसी ऐसे व्यक्ति द्वारा बनाया जाएगा, जो महत्वपूर्ण संसाधनों के साथ, सुदृढीकरण सीखने में बुनियादी अनुसंधान में लगा हुआ है: मशीन सीखने के सभी क्षेत्रों से, यह एक निकटतम है जो हम एक मजबूत एआई से चाहते हैं। अगर दीपमिन्द या ओपेनएआई कई और दशकों तक मौजूद रहेगा - शायद वे करेंगे। या कोई है जो उनकी जगह पर आएगा।

समय श्रृंखला को वर्गीकृत करने (भविष्यवाणी नहीं, बल्कि वर्गीकृत) करने के लिए किस वास्तुकला का सबसे अच्छा उपयोग किया जाता है? LSTM या कुछ और?

हाल के वर्षों में, यह प्रवृत्ति देखी गई है: लगभग हर जगह जहां एलएसटीएम उपयोगी था, ध्यान बेहतर काम करता है। एनएलपी क्रांति बस हुआ: हमने ध्यान के साथ आवर्तक नेटवर्क को बदल दिया, और यह बेहतर हो गया। समय श्रृंखला के लिए, मैं भी ध्यान देने की कोशिश करूंगा। यह सब कार्य पर निर्भर करता है, लेकिन, सामान्य तौर पर, यह उन पर अनुक्रम और समग्र डेटा का विश्लेषण करने का सबसे प्रभावी तरीका है।

मशीन सीखने में संलग्न, न केवल काम के लिए, बल्कि एक महंगे शौक के रूप में भी। मैं एक नेटवर्क बना रहा हूं, यह 3 जीबी कार्ड में मिला, थोड़ा और जटिल - यह चला गया। क्या सीपीयू के अलावा कोई विकल्प हैं?

लोहे के लिए धन की कमी, जिस पर आप आधुनिक गहन शिक्षण अनुसंधान में परिणाम दिखा सकते हैं, उत्साही लोगों के लिए एक समस्या है, और विश्वविद्यालयों के लिए भी।

Google के पास Google Collab पहल है: यह Google की सुविधाओं पर ऐसा IPython है, जहाँ आप 12 या 24 घंटे के लिए टॉप-एंड वीडियो कार्ड की शक्ति प्राप्त कर सकते हैं, और उनके TPU पर कुछ चला भी सकते हैं। वीडियो कार्ड उपभोक्ताओं द्वारा उपयोग नहीं किए जाते हैं, उनके पास अधिक मेमोरी है - 130 जीबी हैं, जैसा कि मुझे लगता है। हाथों को खोलती है। लेकिन, सामान्य तौर पर, एक व्यक्तिगत उपयोगकर्ता बड़े पैमाने पर बड़े पैमाने पर चीजें बर्दाश्त नहीं कर सकता है।

कुछ कंपनियां गहरी सीखने के लिए विशेष रूप से अनुकूलित चिप्स बनाने की कोशिश कर रही हैं, जो कि तंत्रिका नेटवर्क के लिए जीपीयू की तुलना में बहुत तेज और सस्ता होगा - शायद ऐसे चिप्स के साथ उपभोक्ता समाधान आने वाले वर्षों में दिखाई देंगे।

ड्रोन विकसित करते समय आप आंदोलन में अन्य प्रतिभागियों के व्यवहार की भविष्यवाणी क्यों करते हैं?

सड़क पर यह आवश्यक है। निर्णय लेते समय, मशीन की जड़ता को ध्यान में रखना आवश्यक है, मशीन की जड़ता: यह तुरंत दिशा बदलने के लिए असंभव है (भले ही यह संभव हो, यात्री को खराब होना चाहिए)। हमें कार्रवाई की योजना बनाने की आवश्यकता है ताकि जिस स्थान पर हम कुछ सेकंड में रहना चाहें, कोई और नहीं है - इसके लिए हमें अन्य प्रतिभागियों की स्थिति और इरादों की भविष्यवाणी करने की आवश्यकता है। मशीन के प्रक्षेपवक्र को अन्य प्रतिभागियों से जितना संभव हो उतना चलना चाहिए - यह एक सुरक्षित सवारी के लिए आवश्यक है।

ड्रोन का स्टीयरिंग व्हील कैसे घूमता है?

मैं खुद पर कंट्रोल नहीं करता। मैं कह सकता हूं कि अलग-अलग कारें हैं - कुछ बस स्टीयरिंग व्हील को चालू करने के लिए कमांड दे सकते हैं। मेरी राय में, Prius कर सकते हैं।

आप क्या उपयोग करते हैं - स्क्रम, कानबन, अराजकता?

हाथापाई का आयोजन

मुझे वर्कफ़्लो की कठोरता से संरचना करने की आवश्यकता नहीं है, विशेष रूप से अनुसंधान एक: यह कहना मुश्किल है कि किसी विशेष कार्य में कितना समय लगेगा। हमारे पास बहुत अधिक अनिश्चितता है, और मेरे लिए यह स्पष्ट नहीं है कि एक अतिरिक्त संरचना क्यों पेश की जाए।

हम बहुत से संवाद करने की कोशिश करते हैं, हम प्रयोगों के सभी परिणामों को लॉग करने की कोशिश करते हैं; हमारे पास विशेष प्रणालियाँ हैं जो अपने पैमाने की परवाह किए बिना प्रयोग डेटा संग्रहीत करती हैं - किस प्रकार के कोड का उपयोग किया गया था, किस शाखा से इसे इकट्ठा किया गया था, किस डेटा के साथ इसे लॉन्च किया गया था - पूर्ण प्रतिलिपि प्रस्तुतिकरण के उद्देश्य से। हम सभी निष्कर्षों को लॉग करते हैं और उनके बीच आपस में चर्चा करते हैं, जानकारी साझा करते हैं, हर चीज को यथासंभव खुला और पारदर्शी बनाने की कोशिश करते हैं।

क्या उद्योग में धातु का उपयोग करने का कोई अनुभव है - धातु विज्ञान, खनन, संवर्धन?

मुझे पता है कि इन क्षेत्रों में एमएल का सक्रिय रूप से उपयोग किया जाता है, लेकिन कोई व्यक्तिगत अनुभव नहीं है।

ऐलिस के बारे में हाल ही में एक दिल दहला देने वाला लेख सामने आया जिसमें उसने एक बच्चे को हत्या की कहानी के बारे में एक वीडियो की सिफारिश की। ऐसा क्यों हो रहा है, क्या सामग्री को फ़िल्टर करना मुश्किल है?

सामग्री को छानने का कार्य सिद्धांत रूप में, हल करने योग्य और उच्च सटीकता के साथ है। उस स्थिति में वास्तव में क्या हुआ, मुझे यकीन नहीं है, लेकिन मैं प्रतिबिंबित कर सकता हूं।

मान लीजिए कि सिस्टम में संबद्ध सामग्री है, और एक एपीआई है जिसमें भागीदारों को टैग के साथ या अन्य तरीकों से इस सामग्री को टैग करना होगा। प्रणाली शुरू में भागीदारों में विश्वास पर काम करती है - यह संभव है कि केवल समय-समय पर सामग्री की जांच होगी। समय के साथ, यह पर्याप्त नहीं होगा, आप शीर्षकों और टैग में शब्दों को रोकने के लिए खोज के साथ एक सरल सामग्री प्रणाली को लटकाएंगे, मध्यस्थों द्वारा सामग्री का कम से कम हिस्सा देखना।

प्रत्येक प्रणाली में अनिवार्य रूप से विफलता का बिंदु होगा: कभी-कभी लोग गलती करते हैं, कभी-कभी साथी अपने दायित्वों को पूरा नहीं करते हैं। जो कुछ किया जा सकता है वह आगे की पुनरावृत्तियों को पूरा करने और सिस्टम में सुधार करने के लिए है, और सुधार आमतौर पर प्रतिक्रियाशील होते हैं: यदि कोई चीज काफी अच्छी तरह से काम करती है, तो आमतौर पर तब तक सुधार नहीं होगा जब तक वे आवश्यक नहीं हो जाते।

हो सकता है जब एक मजबूत एआई प्रकट होता है, तो आप उसे 100% सटीकता के साथ सभी सामग्री को फ़िल्टर करने के लिए कह सकते हैं।

क्या आप तंत्रिका सूचना प्रसंस्करण प्रणाली और मशीन सीखने पर अंतर्राष्ट्रीय सम्मेलनों में भाग लेते हैं? इस क्षेत्र में रूसी सम्मेलनों के आपके प्रभाव क्या हैं?

मैं रूसियों के बारे में नहीं कह सकता। मैं कभी-कभी अंतर्राष्ट्रीय जाता हूं, लेकिन मुझे कम और कम क्यों समझ में आता है।

"वैज्ञानिक पर्यटन", निश्चित रूप से, महत्वपूर्ण और दिलचस्प है, लेकिन खुद को सम्मेलनों, यह मुझे लगता है, अपने कार्य को पूरा करने के लिए बंद हो गया है। उन पर बड़ी संख्या में लेख स्वीकार किए जाते हैं, लेकिन इस वजह से, प्रत्येक लेखक के लिए एक सामान्य प्रस्तुति को व्यवस्थित करना असंभव है। उदाहरण के लिए, आईसीएमएल में केवल सबसे अच्छे पेपर में लंबी रिपोर्ट होती थी, और बाकी सभी में स्पॉटलाइट रिपोर्ट होती थी, पाँच मिनट से भी कम।

इसके अलावा, भारी संख्या में काम - वृद्धिशील, संदिग्ध प्रजनन के साथ, श्रोताओं के लिए उनका लाभ - नहीं। यदि सम्मेलन में वास्तव में अच्छा काम है, तो आप पहले से ही इसके बारे में परिचित होंगे, सबसे अधिक संभावना है - पहले से ही छाप रखी जा रही है।

मुझे लगता है कि सम्मेलन के प्रारूप पर लगाम लगनी चाहिए - या कम से कम बहुत बार इस बात को उठाया कि क्या लेना है।

रूस लौटने के लिए आपकी प्रेरणा क्या थी?

मैंने रूस छोड़ दिया क्योंकि मेरे लिए नई जगहों पर रहना और नए लोगों से सीखना दिलचस्प था। यह मुझे प्रतीत हुआ कि व्यक्तिगत विकास के लिए आपको वहां जाने की जरूरत है जहां लोग मुझसे ज्यादा जानते हैं। वास्तव में, यह वही हुआ है: Microsoft अनुसंधान में, मैंने बहुत कुछ समझा कि आपको किस प्रकार की आवश्यकता है, कितनी गहरी और अच्छी तरह से आपको यह समझने की आवश्यकता है कि आप क्या कर रहे हैं, आपको यह जानने की आवश्यकता है कि क्या हो रहा है। खैर, कुछ बिंदु पर मैं ऊब गया, हालांकि दिलचस्प कार्य थे।

मैं तब कैम्ब्रिज में रहता था - यह एक छोटा शहर है जिसमें बहुत कम हो रहा है, इसमें सामाजिक सर्कल की मॉस्को के साथ तुलना नहीं की जा सकती है। मैंने सोचा: अब आप मास्को में रह सकते हैं, अर्जित ज्ञान लागू कर सकते हैं, फिर, शायद, कहीं और जा सकते हैं। मैं यैंडेक्स में काम करने गया था - मैंने जो सीखा है उसे लागू करने में यह बहुत अच्छा लगता है।

मुझे ऐसा लगता है कि अब दीपमिन्द और ओपेन में वे दिलचस्प काम कर रहे हैं, मैं वहां बहुत कुछ सीख सकता था।

मैंने सुना है कि ड्रोन टीम ने इंजेक्शन मॉडल को प्रशिक्षित करने के लिए PyTorch के बजाय TensorFlow का उपयोग करना पसंद किया है। इसका कारण क्या है?

शायद ऐतिहासिक कारणों से। मैं यह नहीं कह सकता कि क्यों TensorFlow PyTorch से बेहतर या बदतर है।

डेटासेट का आकार क्या होना चाहिए? क्या 50-60 हजार प्रशिक्षण उदाहरण पर्याप्त हैं, या लाखों की आवश्यकता है?

उपयोग किए गए मॉडल और कार्य पर निर्भर करता है। डेटासेट ऐसा होना चाहिए कि मॉडल के मापदंडों को कॉन्फ़िगर किया जा सके और फिर से जांचने से रोका जा सके। यदि आपके पास एक तुच्छ रैखिक मॉडल है, तो डेटासेट छोटा हो सकता है। यदि यह एक जटिल तंत्रिका नेटवर्क है, तो 60 हजार पर्याप्त नहीं है।

खरोंच से गैर-तुच्छ चीजों से जटिल तंत्रिका नेटवर्क सीखना लगभग हमेशा दसियों या सैकड़ों लाखों की आवश्यकता होती है। "अधिक डेटा - अधिक गुणवत्ता" का सिद्धांत दूर नहीं हुआ है।

वैसे, इस सवाल के बारे में कि एनएलपी में विशेषज्ञ कैसे बनें। अब अत्याधुनिक डीप लर्निंग हमेशा बड़े डेटा के साथ काम कर रहा है। उन्हें पूर्व-संसाधित करने की आवश्यकता है, फिर - प्रभावी रूप से कम्प्यूटेशनल नोड्स में प्रवाहित किया जाता है जो प्रशिक्षण प्रदान करते हैं।

हम कह सकते हैं कि गहरी शिक्षा एक छोटा बंदर काम है: सफल होने के लिए, आपको बहुत सी चीजों की कोशिश करनी होगी, प्रत्येक के साथ काम करने के परिणाम के बारे में सुनिश्चित नहीं होना चाहिए।

शायद आप विकल्पों के लिए एक अंतर्ज्ञान विकसित कर सकते हैं जो अधिक संभावना काम करेगा, हालांकि मैं सटीक अंतर्ज्ञान वाले व्यक्ति से नहीं मिला हूं। सामान्य स्थिति में, सभी टीमों में से सबसे अधिक सफल वह होगी जो समय के प्रति यूनिट सबसे अधिक प्रयोग कर सकती है।

मेरा ज्यादातर काम सैद्धांतिक रूप से संभव गति को "फैलाने" के प्रयास में सीखने की प्रक्रिया में "बाधाओं" को खत्म करना है। इसके लिए इंजीनियरिंग कौशल, प्रदर्शन को कोड और हार्डवेयर से बाहर निकालने की क्षमता की आवश्यकता होती है।

एक विशेषज्ञ को एक साधारण डेटा वैज्ञानिक से अलग करना यह है कि विशेषज्ञ आमतौर पर एक अच्छा इंजीनियर भी होता है, जल्दी से काम कर सकता है, कोड लिख सकता है, वितरित डेटा स्टोरेज और प्रोसेसिंग सिस्टम से निपट सकता है, और कंप्यूटर और नेटवर्क की वास्तुकला को समझ सकता है - ताकि "गैग्स" की गणना की जा सके। इन कौशलों को खुद में विकसित करना बहुत जरूरी है।

बड़े डेटा के प्रभुत्व के साथ, जो लोग जानते हैं कि डेटा के इन संस्करणों पर जल्दी से काम करने के लिए प्रशिक्षण कैसे प्राप्त किया जाता है, उद्योग में सबसे सफल हैं। यदि छोटे खंडों में गहन शिक्षण काम करता है, तो मैं कहूंगा कि इस पर केवल ज्ञान की आवश्यकता है, लेकिन अब ऐसा नहीं है।

अच्छी तरह से प्रोग्राम करना सीखें, मानक कंप्यूटर विज्ञान एल्गोरिदम सीखें, अपने क्षितिज को बढ़ाएं। वैसे, क्रिप्टोग्राफी उपयोगी है।

क्या आप आर्किटेक्चर और मापदंडों, या अधिक मैनुअल प्रयोगों और अंतर्ज्ञान के लिए ऑटोएमएल एनालॉग्स का उपयोग करते हैं?

अब - दूसरे से अधिक। स्वचालित ट्यूनिंग ग्रिड या बायेसियन अनुकूलन द्वारा स्वीप के स्तर पर मौजूद है, ऑटोएमएल में कुछ अधिक जटिल अभी तक नहीं किया गया है। इसके लिए बहुत सारे कंप्यूटिंग संसाधनों की आवश्यकता होती है - यदि वे सीमित हैं, तो अंतर्ज्ञान पर भरोसा करना बेहतर है। लेकिन, अगर आप समझते हैं कि आप कुछ यादृच्छिक भाग्य-बताने आए हैं, तो इसे प्रक्रिया को सौंपना बेहतर है।

ऐलिस क्या करता है, Google सहायक क्या नहीं करता है? Google और Yandex के लिए इस दिशा में टीम का आकार क्या है?

मैं यांडेक्स के बारे में बात नहीं कर सकता। Google को लगता है कि सैकड़ों या एक हजार लोग हैं। ऐलिस के फायदों के लिए, मुझे यकीन नहीं है कि मैंने हाल ही में ऐलिस के उत्पाद विकास या सहायक सुविधाओं का पालन नहीं किया है।

गुणवत्ता का प्रश्न गलत है, यह मुझे लगता है। भले ही ऐलिस बदतर था, लेकिन क्या इसका मतलब यह होगा कि उसे अस्तित्व का कोई अधिकार नहीं है? उत्पाद बनाए जाते हैं और एक-दूसरे के साथ प्रतिस्पर्धा करते हैं, इस वजह से वे सभी जीतते हैं, विकसित होते हैं, खिंचाव करते हैं।

मैं मानसिकता को नहीं समझता "एक नया उत्पाद Google जैसा ही है।" व्यापार में, उत्पादों को इस तरह से बनाया जाता है: आप किसी और के विचार को आधार के रूप में लेते हैं, इसे लागू करते हैं - कभी-कभी सामान्य रूप से - लेकिन यह पथ का अंतिम बिंदु नहीं है, बल्कि शुरुआत है। फिर आप उत्तरोत्तर इस विचार को बदल देते हैं ताकि यह प्रतियोगी की तुलना में बेहतर हो जाए। यह प्रगति की पूरी कहानी है!

अन्य क्षेत्रों में खेल को और अधिक प्राप्त करने में कैसे मदद मिलती है?

खेल में, विशेष रूप से प्रतिस्पर्धी, मुझे अस्पष्टता पसंद है। हार गए तो हार गए। आप इसे परिस्थितियों पर दोष नहीं दे सकते: आप बहुत अच्छे नहीं थे, आपने कुछ गलत किया।

प्रतिस्पर्धी खेलों में, प्रत्यक्षता, ईमानदारी और किसी की गलतियों को स्वीकार करने की क्षमता विकसित होती है। यह अन्य क्षेत्रों में मदद करता है - यह स्वीकार करना हमेशा बेहतर होता है कि आपको एक्स, वाई और जेड में बेहतर बनने की जरूरत है। पाठ्यक्रम के स्वास्थ्य लाभ के अलावा।

पैराशूटिंग आपको अपने कम्फर्ट जोन से बाहर निकलने में कैसे मदद करता है?

कल्पना कीजिए कि आप लोगों के एक समूह द्वारा एक विमान से बाहर कूदना चाहते हैं और कुछ को एक साथ रखा है। विमान लड़ाकू विमान में प्रवेश करता है, दरवाजा खुलता है, आप सभी अंदर लाइन करते हैं और सिग्नल के एक साथ कूदने का इंतजार करते हैं।

इस समय, इसमें कोई संदेह नहीं होना चाहिए कि क्या हो रहा है। एक विभाजन दूसरे की देरी भी सभी को देरी करती है। आपको अपने आप को एक ऐसी अवस्था में लाना होगा जिसमें आप बिना किसी हिचकिचाहट के कूदते हैं। दुनिया मिट जाती है, केवल एक छलांग रह जाती है। यदि एक पैराशूट के साथ कुछ होता है, तो आपके पास कार्रवाई करने के लिए बहुत कम समय होगा - फिर इसमें कोई संदेह और डर भी नहीं होना चाहिए, आपको ठीक वही करने की ज़रूरत है जो आपको सिखाया गया था, जितनी जल्दी हो सके।

पैराशूटिंग एक व्यक्ति में कुछ करने का निर्णय लेने की क्षमता का पोषण करता है - और आगे संदेह करने के लिए नहीं। इस और जटिल परियोजनाओं के बीच एक समानांतर खींचा जा सकता है। कभी-कभी यह स्पष्ट नहीं होता है कि परियोजना में क्या करना है; जब आप कार्य शुरू करते हैं, तो आप यह नहीं जानते कि क्या करना है, कैसे करना है, क्या यह बिल्कुल किया जा सकता है। इस समय, संदेह करना और सोचना शुरू करना आसान है, "अगर मैं नहीं कर सकता तो क्या होगा?" - समय और मानसिक प्रयास दोनों इस पर खर्च किए जाते हैं। यदि आपको किसी समस्या को हल करने के लिए कहा गया था, तो वे आप पर विश्वास करते थे। आपको इस समस्या के लिए हर संभव प्रयास करना चाहिए। आपको अपने आप को एक ही मानसिक स्थिति में लाने की जरूरत है जैसे कि सब कुछ अनावश्यक और ध्यान केंद्रित करने के लिए। पैराशूटिंग में व्यस्त होने के बाद मुझे इसे हासिल करना बहुत आसान हो गया।

आप पैराशूटिंग पर कितना खर्च करते हैं?

बहुत सारा। मेरे बजट में यह एक महत्वपूर्ण लेख है। मैं इसे आगे के कैरियर के विकास के लिए एक प्रोत्साहन के रूप में देखता हूं।

आप किस क्लब में हैं?

मुख्य रूप से पुशिनो में, कुछ विषयों को अच्छी तरह से विकसित किया गया है - उदाहरण के लिए, फ़्रीफ़्लू।

इंजीनियर एमएल के रूप में अध्ययन करने के लिए कहां जाएं?

मेरा डेटा पहले से ही पुराना है, मैंने लंबे समय तक अध्ययन किया - मास्को राज्य विश्वविद्यालय में, वीएमके में। मैं यह नहीं कह सकता कि यह एक सुपर एमएल शिक्षा थी, लेकिन शिक्षकों ने हमें अच्छी तरह से पढ़ाया और हमें एमएल की दुनिया से परिचित कराया। मुझे लगता है कि बहुत से लोग दिमित्री पेत्रोविच विट्रॉन को जानते हैं - मैं उसे बहुत कुछ देना चाहता हूं, अगर उसके व्याख्यान और विशेष पाठ्यक्रम के लिए नहीं जो मुझे लाया, तो मैंने शायद एमएल का अध्ययन नहीं किया होगा। मुझे नहीं पता कि वह अभी कहां पढ़ा रहा है, लेकिन यह निश्चित रूप से वहां जाने लायक है। इसके अलावा, कोई फर्क नहीं पड़ता कि आप किस संकाय में पढ़ते हैं, मैं यदि संभव हो तो SHAD में जाने की सलाह देता हूं। इसलिए नहीं कि यह यैंडेक्स है, बल्कि इसलिए कि यह वास्तव में एक शांत जगह है - वहां वे उद्योग में अच्छे व्यावहारिक काम के लिए आवश्यक सभी ज्ञान देंगे, जो एक विश्वविद्यालय में नहीं हो सकता है। ShAD से, कई प्रशिक्षित, प्रतिभाशाली लोग हमारे पास आते हैं जो जानते हैं कि क्या करना है।

एक बार फिर इस सवाल के बारे में कि क्या एमएल में शामिल होना संभव है "तकनीकी विशेषज्ञ नहीं"। तकनीकी कौशल की जरूरत है, लेकिन एक उदार कला प्रमुख अवरोधक नहीं है। प्रोग्रामिंग और गणित की मूल बातें समझने के लिए, आपको केवल अपने कंधों पर एक सिर और तार्किक और संरचनात्मक सोच की क्षमता की आवश्यकता है। ऐसे कई लोग हैं, हालांकि उन्होंने किसी कारण से एक मानवीय विशेषता को चुना है, उनके पास ऐसे कौशल हैं। कुछ भी असंभव नहीं है, मुख्य बात कोशिश करना है। "मैं कर सकता हूं" विषय के बारे में सोचना आवश्यक नहीं है, लेकिन इसे करना शुरू करना है; इससे सफलता की संभावना बढ़ जाती है।

क्या एक विश्वविद्यालय के रूप में एक ही समय में सीखने के स्कूल में अध्ययन करना संभव है?

मैंने ऐसा किया, हालांकि यह काफी मुश्किल था। शाद म बड़ा भार है। आप विश्वविद्यालय के नवीनतम पाठ्यक्रमों के साथ SHAD को जोड़ सकते हैं, जहां भार अपेक्षाकृत छोटा है - यह कड़ी मेहनत होगी, लेकिन यह भुगतान करेगा।

ड्रोन के साथ मोटर रेसिंग का अनुभव?

हमारे पास कर्मचारियों पर सक्रिय मोटर स्पोर्ट्समैन हैं, क्योंकि हमें ड्राइवरों और क्यूए इंजीनियरों को प्रशिक्षित करने की आवश्यकता है जो सीधे कार में हैं। वे परीक्षणों के दौरान एक आपातकालीन स्थिति को पहचानने में सक्षम होना चाहिए और जवाब देना चाहिए, वे सभी मोटर खिलाड़ियों से गर्भनिरोधक-आपातकालीन प्रशिक्षण से गुजरते हैं। यदि हम इस बारे में बात कर रहे हैं कि क्या हम कुछ प्रकार के टायर भौतिकी मॉडल का उपयोग करते हैं जो पेशेवर एथलीट मोटरस्पोर्ट सिमुलेशन में रणनीति विकसित करने के लिए उपयोग करते हैं - मेरी राय में, नहीं, हम अभी तक सर्कल पर एक सेकंड के सौवें हिस्से में कटौती नहीं करेंगे। टेलीमेट्री, एथलीटों के लिए उपयोगी है, जो हमें ज़रूरत है उससे अलग है, और हमारे पास अधिक डेटा मापा गया है।

आगे क्या होगा?

अगला लाइव प्रसारण अगले सोमवार को होगा।
आप नताल्या तल्पुखीना से एक सवाल पूछ सकते हैं - Vue.js कोर टीम के सदस्य, GoogleDevExpret और GitLab में सीनियर फ्रंटेंड इंजीनियर।

आप उनसे इस पोस्ट की टिप्पणियों में एक प्रश्न पूछ सकते हैं ।

फेसबुक पर वरिष्ठ सॉफ्टवेयर इंजीनियर इलोना के साथ एक साक्षात्कार की व्याख्या, यहां पढ़ी जा सकती है। एक फेसबुक कर्मचारी से अंदरूनी सूत्र: इंटर्नशिप कैसे प्राप्त करें, एक प्रस्ताव प्राप्त करें और एक कंपनी में काम करने के लिए सब कुछ।

यदि आप डेटा साइंटिस्ट हैं तो आकांक्षी विशेषज्ञों की श्रेणी में कैसे शामिल नहीं हों