iPavlov, детектор дорожного светофора и анализ тональности текстов — итоги первого выпуска программы профессиональной переподготовки
В начале декабря состоялась первая защита дипломов программы профессиональной переподготовки "Современный анализ данных, глубокое обучение и приложения". За год слушатели прошли путь от изучения математики и программирования до работы с нейронными сетями, компьютерным зрением и анализом текстов. Мы спросили выпускников программы о том, почему они решили изучать данную область, что узнали за время обучения, какие итоговые проекты выбрали и чем собираются заниматься в будущем.
Евгений Головенков. В 2010 году окончил магистратуру Юго-Западного государственного университета по направлению “Информатика и вычислительная техника”. Тема выпускной работы: “Нейросетевой метод объединения эмбеддингов слов и предложений в задаче контекстно-зависимого ранжирования ответов чат-бота”.
О возможности получить дополнительное образование по анализу данных в Высшей школе экономики я узнал от своего коллеги Вячеслава Дуброва. Он преподавал здесь краткосрочную программу повышения квалификации (ранее - Машинное обучение и продвинутые методы машинного обучения). Подумав, я решил поступить на годовой курс, начать обучение с базовых понятий и продвинуться к более сложным. Обучение дало мне понимание большого спектра технологий машинного обучения. Материал и знания, полученные на курсе, позволили влиться в комьюнити, начать участвовать в соревнованиях, семинарах и конференциях. Так, за пару месяцев до окончания программы, я принял участие в двух летних школах: в Летней школе машинного обучения и Conversational Intelligence Summer School. В августе после прохождения стажировки я устроился на позицию младшего исследователя в проект iPavlov, где занялся разработкой ранжирующих моделей ответов чат-ботов. С этой тематикой и была связана моя выпускная работа.
Виталий Белов. В 2010 году окончил Московский технический университет имени Н.Э. Баумана по специальности “Приборы системы ориентации, стабилизации и навигации”. Тема выпускной работы: “Детектор и трекер состояния дорожного светофора”.
Проработав несколько лет в IT, решил, что необходимо получить дополнительное образование в этой области. Темой машинного обучения я заинтересовался около 3-х лет назад. В течение этого времени прошел курс «Machine learning» на Coursera от Andrew Ng и несколько курсов по Python. Но все равно было желание получить системное образование в данной области, и я решил поступить на программу профессиональной переподготовки «Современный анализ данных, глубокое обучение и приложения». Значительная часть курса была посвящена области глубокого обучения и компьютерного зрения. Данное направление находит применение в таких интересных задачах, как автомобильные автопилоты, детектирование объектов на видео, распознавание жестов и так далее.
Мне интересна данная область, поэтому решил выбрать тему для защиты, связанную с ней. Я обучил модель локализовывать светофор на видео и классифицировать его состояние в реальном времени. В процессе учебы была практика участия в различных Kaggle соревнованиях под руководством преподавателей. Теперь я планирую продолжать участвовать в различных соревнованиях по машинному обучению, посещать профильные мероприятия и применять полученные знания в работе.
Татьяна Санникова. В 2012 году окончила магистратуру Высшей школы экономики по направлению “Экономика”. Тема выпускной работы: “Глубинное обучение для анализа тональности текстов”.
Раньше я уже занималась анализом данных, но инструменты были сравнительно примитивными. Например, нужно было для прогнозирования построить регрессию на данных (я работала с динамическими панелями). Признаки практически подбирались вручную, так сказать, из здравого смысла, по данным, которые были доступны. Можно было экспериментировать с различными вариациями признаков, использовать нелинейность как для признаков (их комбинации в виде произведения, квадратов и логарифмов), так и для самой целевой функции. Необходимо было при каждой комбинации проверять коэффициенты признаков на значимость, и, конечно, проблема, с которой постоянно сталкивается любой исследователь анализа данных, это “переобучение” модели. За время обучения я узнала о современных инструментах анализа, как изящно и просто можно бороться с этими трудностями, сейчас руки исследователя свободнее и сильнее. Этот курс помог мне усовершенствовать инструмент, позволяющий проще, быстрее и, главное, точнее решать поставленные задачи. В качестве заключительного проекта предпочтение было отдано обработке текстовых данных с помощью машинного обучения и нейронных сетей. Хотя оба крупных модуля, обработка текстов и компьютерное зрение, показались мне интересными, но в итоге выбор был сделан на более (для меня) сложное направление, для более глубокого изучения этой области. Задача, которая стояла передо мной (анализ тональности отзывов), может быть использована в маркетинговых и социальных исследованиях, результаты похожих задач могут пригодиться в экономической и политической сферах. Для меня цель курса была узнать и освоить новые возможности обработки данных, а итоговая дипломная работа — это применение полученных за год знаний и навыков. И эти возможности и, конечно, современная доступность данных открывают огромный диапазон для новых интересных задач.
22 января начнет занятия уже четвертая группа программы профессиональной переподготовки. Узнать подробности и подать заявку на обучения можно на сайте Центра непрерывного образования.