VICDS

pip install --upgrade bamboolib --user

Платформы для решения конкурсов по машинному обучению. #learning ✔️ Kaggle — самая известная площадка для проведения конкурсов по машинному обучению. Там проходят как большие соревнования от известных компаний с большими призовыми, так и обучающие соревнования для тренировки навыков машинного обучения. В kaggle есть встроенный jupyter notebook (а-ля google colab), где можно запускать код (даже если вы не участвуете в соревнованиях). В соревнованиях есть обсуждения участников и публично доступные примеры решения задач — код, который выкладывают другие участники. Отлично, чтобы изучить, как другие люди решают задачи и прокачать навыки. Также на kaggle есть раздел датасеты, в котором представлены много открытых датасетов для разных задач. Удобно, когда нужно найти датасет для создания своего пет-проекта или просто потренироваться в ML. Однако конкурсы на kaggle, в которых есть призовой фонд — довольно сложные. 99% из них не подходят для новичков, шанс победить в них довольно мал. Если вы новичок и хотите бороться за призы в конкурсах, присмотритесь к следующим платформам: ✔️ boosters.pro — российская платформа для проведения соревнований по машинному обучению в странах восточной Европы. Сейчас тут нет активных компетишенов, но они иногда появляются. Они проще, чем на kaggle, и в них реально бороться за призы, не затрачивая на это все свободное время. ✔️ competitions.codalab.org — международная платформа для проведения соревнований. Тут часто проводят соревнования не очень крупные компании (те, которые не идут на kaggle). ✔️ All Cups — платформа для соревнований от Mail.ru. Здесь соревнования не только по мл — еще и по программированию, системному администрированию и созданию игровых ботов. Конкурсы бывают не только от Mail.ru, но и от партнеров. Уровень задач позволяет участвовать в них, не имея огромного опыта решения задач. Для совсем новичков есть песочница — тренировочные задачи. У All Cups есть целое сообщество, привязанное к конкурсам, где люди общаются и обмениваются опытом. Вот сообщество VK, плюс у каждого трека (ML, программирование и т.д.) есть свои чаты в телеграме. Это отличная возможность влиться в тусовку и получить опыт решения задач. ✔️ Data Science Works — новая платформа для решения конкурсов по ML от Сбера. Пока функционал платформы небольшой: создание и проведение чемпионатов. Думаю, скоро появятся сообщество и другие функции а-ля встроенного колаба. На платформе уже есть анонс первого конкурса: моделирования предпочтений покупателей продуктов. Конкурс стартует 30 ноября. Кажется, конкурсы на этой платформе тоже будут доступны новичкам и не-профессионалам. Добавлю так же, что иногда конкурсы по ML проводятся в отрыве от платформ, а привязаны к конференциям. Такие конкурсы нужно отслеживать отдельно. Хорошим началом будет вступление в какое-нибудь ML-сообщество, где лбди интересуются конкурсами и мониторят их. Ну что, ничего не забыла? Если хотите что-то добавить, пишите в комментарии ⬇️

Кстати, ребят, конференция же: https://online.ai-journey.ru/ru-RU/broadcastProgram/default/index?dayId=2&streamId=9

Буду участвовать активностях от Российского общества «Знание» - будет проходить всероссийский Марафон «Дома со «Знанием». Каждый день марафона будет посвящен определенной теме: 7 ноября - Наука /IT

Канал команды ML с семинарами и курсом ML-mipt https://www.youtube.com/channel/UCPh1Mt7vcYSU5CIxNMVgqAw/videos

https://www.youtube.com/c/ЛекторийФПМИ Лекторий физтех-школы ПМИ

ЗАЧЕМ MLOps DATA SCIENTIST? Дело в том, что DSы не самые лучшие программисты.🙃 Большинство специализируются на построении и оценке моделей, а не на разработке окружения и их внедрении. ❗️Но ситуация на рынке сильно изменилась! И сейчас компании хотят специалистов, которые смогут и разработать модель и развернуть ее в среде, и следить как она себя ведёт в эксплуатации. 🦾 Таких специалистов сейчас называют ML engineer, считается, что эти люди должны быть более сильны в разработке, чем классические Data Scientist. И на них то, сейчас самый большой спрос. Поэтому учится выкатывать модели в продакшн, а в этом вам помогут книги: ⁃ Mark Treveil - Introducing MLOps; ⁃ Noah Gift - Practical MLOps; ⁃ Elton Stoneman - Learn Docker in a Month of Lunches; ❗️Смотрим карусель и сохраняем ✉️❤️ ⁉️А вы занимаетесь внедрением ваших моделей? ⁉️

MLOps (Machine Learning Operations - Операции машинного обучения По своей сути MLOps - это стандартизация и оптимизация управления жизненным циклом моделей машинного обучения. 🔁Самый простой цикл: ➡️бизнес гипотеза ➡️ сбор/предобработка данных ➡️анализ ➡️построение модели ➡️тестирование/ валидация результатов ➡️внедрение ➡️эксплуатация➡️ Когда в процессе эксплуатации возникает необходимость изменить/доработать или дообучить модель на новых данных, цикл запускается заново — 🔁модель дорабатывается, тестируется, и внедряется новая версия, т.е это бесконечно повторяемый процесс. Также, до недавнего времени, количество моделей могло быть управляемым в небольшом масштабе. С автоматизацией решений, количество моделей становится более критичным, и, параллельно, управление рисками моделей становится более важным на высшем уровне. Операции машинного обучения (MLOps) - это процесс, который помогает организациям и руководителям бизнеса создавать долгосрочную ценность и снижать риски, связанные с машинным обучением.