- మెషిన్ లెర్నింగ్ ఎలా పని చేస్తుందో మాకు చెప్పడానికి మీరు పూర్తిగా ప్రాచీనమైన ఉదాహరణను ఉపయోగించగలరా?
చెయ్యవచ్చు. డెసిషన్ ట్రీ అనే మెషీన్ లెర్నింగ్ టెక్నిక్కి ఉదాహరణ ఉంది, ఇది పురాతనమైన వాటిలో ఒకటి. ఇప్పుడే చేద్దాం. ఒక వియుక్త వ్యక్తి మిమ్మల్ని తేదీకి వెళ్లమని అడిగాడనుకుందాం. మీకు ఏది ముఖ్యమైనది?
- అన్నింటిలో మొదటిది, అతను నాకు తెలిసినా తెలియకపోయినా ...
(విక్టర్ దీన్ని బోర్డు మీద వ్రాస్తాడు.)
...నాకు తెలియకపోతే, అతను ఆకర్షణీయంగా ఉన్నాడా లేదా అనే ప్రశ్నకు నేను సమాధానం చెప్పాలి.
మరియు మీకు తెలిస్తే, అది పట్టింపు లేదు? నేను అర్థం చేసుకున్నాను, ఇది ఫ్రెండ్ జోన్ థ్రెడ్! సాధారణంగా, నేను వ్రాస్తున్నాను, మీకు తెలియకపోతే మరియు అది ఆకర్షణీయం కానిది అయితే, అప్పుడు సమాధానం "లేదు, బహుశా." మీకు తెలిస్తే, సమాధానం "అవును".
- నాకు తెలిస్తే, అది కూడా ముఖ్యం!
లేదు, ఇది ఫ్రెండ్ జోన్ బ్రాంచ్ అవుతుంది.
సరే, అది ఆసక్తికరంగా ఉందో లేదో ఇక్కడ సూచిస్తాం. అయినప్పటికీ, మీకు ఒక వ్యక్తి తెలియనప్పుడు, మొదటి ప్రతిచర్య కనిపించడం; పరిచయస్తుడితో, అతను ఏమి ఆలోచిస్తాడు మరియు ఎలా అని మేము ఇప్పటికే పరిశీలిస్తాము.
వేరేలా చేద్దాం. అతను ప్రతిష్టాత్మకంగా ఉన్నాడో లేదో. అతను ప్రతిష్టాత్మకంగా ఉంటే, అతనిని ఫ్రెండ్జోన్ చేయడం కష్టం, ఎందుకంటే అతను మరింత కోరుకుంటాడు. కానీ ఆశయం లేనివారు సహిస్తారు.
(విక్టర్ నిర్ణయాత్మక చెట్టును గీయడం ముగించాడు.)
సిద్ధంగా ఉంది. మీరు ఏ వ్యక్తితో ఎక్కువగా డేటింగ్కు వెళ్లగలరో ఇప్పుడు మీరు అంచనా వేయవచ్చు. మార్గం ద్వారా, కొన్ని డేటింగ్ సేవలు అలాంటి వాటిని అంచనా వేస్తాయి. సారూప్యత ద్వారా, కస్టమర్లు ఎన్ని వస్తువులను కొనుగోలు చేస్తారో మరియు ఆ సమయంలో ప్రజలు ఎక్కడ ఉంటారో మీరు అంచనా వేయవచ్చు.
సమాధానాలు "అవును" మరియు "కాదు" మాత్రమే కాదు, సంఖ్యల రూపంలో కూడా ఉంటాయి. మీకు మరింత ఖచ్చితమైన సూచన కావాలంటే, మీరు అలాంటి అనేక చెట్లను తయారు చేయవచ్చు మరియు వాటిని సగటున చేయవచ్చు. మరియు అటువంటి సాధారణ విషయం సహాయంతో మీరు నిజంగా భవిష్యత్తును అంచనా వేయవచ్చు.
ఇప్పుడు ఊహించుకోండి, రెండు వందల సంవత్సరాల క్రితం ప్రజలు అలాంటి పథకాన్ని తీసుకురావడం కష్టమేనా? ఖచ్చితంగా కాదు! ఈ పథకం ఎటువంటి రాకెట్ సైన్స్ను కలిగి ఉండదు. ఒక దృగ్విషయంగా, మెషిన్ లెర్నింగ్ దాదాపు అర్ధ శతాబ్దం పాటు ఉనికిలో ఉంది. రోనాల్డ్ ఫిషర్ 20వ శతాబ్దం ప్రారంభంలో డేటా ఆధారంగా అంచనాలు వేయడం ప్రారంభించాడు. అతను కనుపాపలను తీసుకొని సీపల్స్ మరియు రేకుల పొడవు మరియు వెడల్పు ప్రకారం వాటిని పంపిణీ చేశాడు, ఈ పారామితులను ఉపయోగించి అతను మొక్క రకాన్ని నిర్ణయించాడు.
పరిశ్రమలో, ఇటీవలి దశాబ్దాలలో మెషిన్ లెర్నింగ్ చురుకుగా ఉపయోగించబడింది: పెద్ద మొత్తంలో డేటాను ప్రాసెస్ చేయడానికి అవసరమైన శక్తివంతమైన మరియు సాపేక్షంగా చవకైన యంత్రాలు, ఉదాహరణకు, అటువంటి నిర్ణయాత్మక చెట్ల కోసం, చాలా కాలం క్రితం కనిపించలేదు. కానీ ఇది ఇప్పటికీ ఉత్తేజకరమైనది: మేము ప్రతి పని కోసం ఈ విషయాలను గీస్తాము మరియు భవిష్యత్తును అంచనా వేయడానికి వాటిని ఉపయోగిస్తాము.
- సరే, ఖచ్చితంగా ఫుట్బాల్ మ్యాచ్ల ఆక్టోపస్ ప్రిడిక్టర్ కంటే మెరుగైనది కాదు...
లేదు, ఆక్టోపస్ల గురించి మనం ఏమి పట్టించుకోము? మనకు మరింత వైవిధ్యం ఉన్నప్పటికీ. ఇప్పుడు, మెషిన్ లెర్నింగ్ సహాయంతో, మీరు సమయాన్ని, డబ్బును ఆదా చేసుకోవచ్చు మరియు జీవిత సౌలభ్యాన్ని మెరుగుపరచుకోవచ్చు. ఇమేజ్ వర్గీకరణ విషయానికి వస్తే మెషిన్ లెర్నింగ్ కొన్ని సంవత్సరాల క్రితం మానవులను ఓడించింది. ఉదాహరణకు, ఒక కంప్యూటర్ 20 టెర్రియర్ జాతులను గుర్తించగలదు, కానీ ఒక సాధారణ వ్యక్తి గుర్తించలేడు.
- మరియు మీరు వినియోగదారులను విశ్లేషించినప్పుడు, ప్రతి వ్యక్తి మీ కోసం సంఖ్యల సమితిగా ఉంటారా?
స్థూలంగా చెప్పాలంటే, అవును. మేము డేటాతో పని చేస్తున్నప్పుడు, వినియోగదారు ప్రవర్తనతో సహా అన్ని వస్తువులు నిర్దిష్ట సంఖ్యల ద్వారా వివరించబడతాయి. మరియు ఈ సంఖ్యలు వ్యక్తుల ప్రవర్తన యొక్క లక్షణాలను ప్రతిబింబిస్తాయి: వారు ఎంత తరచుగా టాక్సీని తీసుకుంటారు, వారు ఏ తరగతి టాక్సీని ఉపయోగిస్తారు, వారు సాధారణంగా ఏ ప్రదేశాలకు వెళతారు.
సారూప్య ప్రవర్తన కలిగిన వ్యక్తుల సమూహాలను గుర్తించడానికి వాటిని ఉపయోగించడానికి మేము ఇప్పుడు లుక్-అలైక్ మోడల్లను చురుకుగా రూపొందిస్తున్నాము. మేము కొత్త సేవను పరిచయం చేసినప్పుడు లేదా పాతదాన్ని ప్రమోట్ చేయాలనుకున్నప్పుడు, ఆసక్తి ఉన్న వారికి మేము దానిని అందిస్తాము.
ఉదాహరణకు, ఇప్పుడు మాకు సేవ ఉంది - టాక్సీలో రెండు చైల్డ్ సీట్లు. మేము ఈ వార్తలతో ప్రతి ఒక్కరినీ స్పామ్ చేయవచ్చు లేదా నిర్దిష్ట సర్కిల్ వ్యక్తులకు మాత్రమే దీని గురించి ప్రత్యేకంగా తెలియజేయగలము. ఏడాది వ్యవధిలో, రెండు చైల్డ్ సీట్లు అవసరమని వ్యాఖ్యలలో వ్రాసిన అనేక మంది వినియోగదారులను మేము సేకరించాము. మేము వారిని మరియు వారితో సమానమైన వ్యక్తులను కనుగొన్నాము. సాంప్రదాయకంగా, వీరు 30 ఏళ్లు పైబడిన వ్యక్తులు, వారు క్రమం తప్పకుండా ప్రయాణించే మరియు మధ్యధరా వంటకాలను ఇష్టపడతారు. అయితే, ఇంకా చాలా సంకేతాలు ఉన్నప్పటికీ, ఇది ఒక ఉదాహరణ మాత్రమే.
- అటువంటి సూక్ష్మబేధాలు కూడా?
ఇది సాధారణ విషయం. శోధన ప్రశ్నలను ఉపయోగించి ప్రతిదీ లెక్కించబడుతుంది.
ఇది ఏదో ఒక అప్లికేషన్లో పని చేయగలదా? ఉదాహరణకు, నేను బిచ్చగాడినని మీకు తెలుసా మరియు “నెలకు 500 రూబిళ్లతో జీవించడం ఎలా” వంటి సమూహాలకు సభ్యత్వాన్ని పొందుతారని మీకు తెలుసా - వారు నాకు బీట్-అప్ చౌక కార్లను మాత్రమే అందిస్తారు, SpaceX వార్తలకు సభ్యత్వాన్ని పొందుతారు - మరియు ఎప్పటికప్పుడు వారు నన్ను విక్రయిస్తారు. ఒక టెస్లా?
ఇది ఈ విధంగా పని చేయవచ్చు, కానీ అలాంటి విషయాలు Yandex వద్ద ఆమోదించబడవు, ఎందుకంటే ఇది వివక్ష. మీరు సేవను వ్యక్తిగతీకరించినప్పుడు, అత్యంత ఆమోదయోగ్యమైనది కాకుండా, అందుబాటులో ఉన్న వాటిలో ఉత్తమమైనది మరియు వ్యక్తి ఇష్టపడే వాటిని అందించడం మంచిది. మరియు "దీనికి మంచి కారు కావాలి, మరియు దీనికి తక్కువ మంచి కారు కావాలి" అనే తర్కం ప్రకారం పంపిణీ చెడ్డది.
![](https://i1.wp.com/knife.media/wp-content/uploads/2018/04/YAndeks-taksi-3-1024x683.jpg)
ప్రతి ఒక్కరూ వికృతమైన కోరికలను కలిగి ఉంటారు, మరియు కొన్నిసార్లు మీరు మధ్యధరా వంటకం కోసం ఒక రెసిపీని కనుగొనవలసి ఉంటుంది, కానీ, ఉదాహరణకు, కోప్రోఫిలియా గురించి చిత్రాలు. ఈ సందర్భంలో వ్యక్తిగతీకరణ ఇప్పటికీ పని చేస్తుందా?
ఎల్లప్పుడూ ప్రైవేట్ మోడ్ ఉంటుంది.
నా ఆసక్తుల గురించి ఎవరికీ తెలియకూడదనుకుంటే లేదా, స్నేహితులు నా వద్దకు వచ్చి కొంత చెత్తను చూడాలనుకుంటే, అజ్ఞాత మోడ్ను ఉపయోగించడం మంచిది.
మీరు ఏ కంపెనీ సేవను ఉపయోగించాలో కూడా నిర్ణయించవచ్చు, ఉదాహరణకు, Yandex లేదా Google.
- తేడా ఉందా?
సంక్లిష్ట సమస్య. ఇతరుల గురించి నాకు తెలియదు, కానీ Yandex వ్యక్తిగత డేటా రక్షణతో కఠినంగా ఉంటుంది. ఉద్యోగులను ప్రత్యేకంగా పర్యవేక్షిస్తున్నారు.
- అంటే, నేను ఒక వ్యక్తితో విడిపోతే, అతను ఈ డాచాకు వెళ్లాడో లేదో నేను కనుగొనలేను?
మీరు Yandexలో పనిచేసినప్పటికీ. ఇది, వాస్తవానికి, విచారకరం, కానీ అవును, తెలుసుకోవడానికి మార్గం లేదు. చాలా మంది ఉద్యోగులకు ఈ డేటాకు యాక్సెస్ కూడా లేదు. అంతా ఎన్క్రిప్ట్ చేయబడింది. ఇది చాలా సులభం: మీరు వ్యక్తులపై గూఢచర్యం చేయలేరు, ఇది వ్యక్తిగత సమాచారం.
మార్గం ద్వారా, మేము అబ్బాయిలతో విడిపోయే అంశంపై ఆసక్తికరమైన కేసును కలిగి ఉన్నాము. టాక్సీలో గమ్యస్థానం పాయింట్ “B” కోసం మేము సూచన చేసినప్పుడు, మేము సూచనలను పరిచయం చేసాము. ఇదిగో చూడండి.
(విక్టర్ Yandex.Taxi అప్లికేషన్లోకి లాగిన్ అయ్యాడు.)
ఉదాహరణకు, నేను ఇంట్లో ఉన్నానని టాక్సీ అనుకుంటుంది. నేను పని చేయడానికి లేదా RUDN విశ్వవిద్యాలయానికి వెళ్లమని అతను సూచించాడు (మెషిన్ లెర్నింగ్ కోర్సు డేటా మైనింగ్ ఇన్ యాక్షన్లో భాగంగా నేను అక్కడ ఉపన్యాసాలు ఇస్తాను). మరియు ఏదో ఒక సమయంలో, ఈ చిట్కాలను అభివృద్ధి చేస్తున్నప్పుడు, మేము వినియోగదారుతో రాజీ పడకుండా ఉండాల్సిన అవసరం ఉందని మేము గ్రహించాము. ఎవరైనా పాయింట్ B చూడగలరు. ఈ కారణాల వల్ల, మేము సారూప్యత ఆధారంగా స్థలాలను సూచించడానికి నిరాకరించాము. లేకపోతే, మీరు మంచి వ్యక్తులతో మంచి ప్రదేశంలో కూర్చుని, టాక్సీని ఆర్డర్ చేయండి మరియు వారు మీకు ఇలా వ్రాస్తారు: "చూడండి, మీరు ఇంకా ఈ బార్కి వెళ్లలేదు!"
- మీ మ్యాప్లో ఆ నీలిరంగు చుక్కలు ఏవి మెరిసిపోతున్నాయి?
ఇవి పికప్ పాయింట్లు. ఈ పాయింట్లు టాక్సీని కాల్ చేయడం ఎక్కడ అత్యంత అనుకూలమైనదో చూపుతుంది. అన్నింటికంటే, మీరు వెళ్ళడానికి పూర్తిగా అసౌకర్యంగా ఉండే ప్రదేశానికి కాల్ చేయవచ్చు. కానీ సాధారణంగా, మీరు ఎక్కడైనా కాల్ చేయవచ్చు.
- అవును, ఎప్పుడైనా. దీంతో ఎలాగోలా రెండు బ్లాకులు ఎగిరిపోయాను.
ఇటీవల GPSతో వివిధ ఇబ్బందులు ఉన్నాయి, ఇది వివిధ ఫన్నీ పరిస్థితులకు దారితీసింది. ప్రజలు, ఉదాహరణకు, Tverskaya మీద, పసిఫిక్ మహాసముద్రం మీదుగా నావిగేషన్ ద్వారా రవాణా చేయబడ్డారు. మీరు చూడగలిగినట్లుగా, కొన్నిసార్లు మిస్లు మరియు రెండు కంటే ఎక్కువ బ్లాక్లు ఉన్నాయి.
- మరియు మీరు అప్లికేషన్ను పునఃప్రారంభించి, మళ్లీ క్లిక్ చేస్తే, ధర అనేక రూబిళ్లు మారుతుంది. ఎందుకు?
డిమాండ్ సరఫరాను మించి ఉంటే, అల్గోరిథం స్వయంచాలకంగా పెరుగుతున్న గుణకాన్ని ఉత్పత్తి చేస్తుంది - ఇది అధిక డిమాండ్ ఉన్న కాలంలో కూడా టాక్సీని ఉపయోగించడానికి వీలైనంత త్వరగా బయలుదేరాల్సిన వారికి సహాయపడుతుంది. మార్గం ద్వారా, మెషిన్ లెర్నింగ్ సహాయంతో మీరు ఎక్కడ ఎక్కువ డిమాండ్ ఉంటుందో అంచనా వేయవచ్చు, ఉదాహరణకు, ఒక గంట. డిమాండ్తో సప్లై చేసేలా ఎక్కువ ఆర్డర్లు ఎక్కడ ఉంటాయో డ్రైవర్లకు చెప్పడానికి ఇది మాకు సహాయపడుతుంది.
- Yandex.Taxi త్వరలో మొత్తం టాక్సీ మార్కెట్ను చంపేస్తుందని మీరు అనుకోలేదా?
కాదనుకుంటాను. మేము ఆరోగ్యకరమైన పోటీ కోసం ఉన్నాము మరియు దానికి భయపడము.
ఉదాహరణకు, నేను వివిధ టాక్సీ సేవలను ఉపయోగిస్తాను. వేచి ఉండే సమయం నాకు చాలా ముఖ్యం, కాబట్టి ఏ టాక్సీ వేగంగా వస్తుందో తెలుసుకోవడానికి నేను అనేక యాప్లను చూస్తున్నాను.
![](https://i2.wp.com/knife.media/wp-content/uploads/2018/04/YAndeks-taksi-6-1024x683.jpg)
- మీరు Uberతో జతకట్టారు. దేనికోసం?
వ్యాఖ్యానించడానికి ఇది నా స్థలం కాదు. ఐక్యత అనేది చాలా తెలివైన నిర్ణయం అని నేను భావిస్తున్నాను.
జర్మనీలో, ఒక వ్యక్తి డ్రోన్లలో బాత్టబ్ను ఇన్స్టాల్ చేసి, బర్గర్ కోసం వెళ్లాడు. గగనతలంపై పట్టు సాధించే సమయం వచ్చిందని మీరు అనుకున్నారా?
నాకు గగనతలం గురించి తెలియదు. "ఉబెర్ బోట్లపై టాక్సీలను ప్రారంభించింది" వంటి వార్తలను మేము అనుసరిస్తున్నాము, కానీ నేను గాలి గురించి ఏమీ చెప్పలేను.
- సెల్ఫ్ డ్రైవింగ్ టాక్సీల సంగతేంటి?
ఇక్కడ ఒక ఆసక్తికరమైన అంశం ఉంది. మేము వాటిని అభివృద్ధి చేస్తున్నాము, కానీ వాటిని సరిగ్గా ఎలా ఉపయోగించాలో మనం ఆలోచించాలి. వీధుల్లో అవి ఏ రూపంలో మరియు ఎప్పుడు కనిపిస్తాయో అంచనా వేయడం చాలా తొందరగా ఉంది, అయితే పూర్తిగా స్వయంప్రతిపత్తి కలిగిన కారు కోసం సాంకేతికతను అభివృద్ధి చేయడానికి మేము ప్రతిదీ చేస్తున్నాము, ఇక్కడ మానవ డ్రైవర్ అవసరం ఉండదు.
- కారును రిమోట్గా నియంత్రించే క్రమంలో డ్రోన్ సాఫ్ట్వేర్ హ్యాక్ చేయబడుతుందనే భయాలు ఉన్నాయా?
సాంకేతికతలు మరియు గాడ్జెట్లు ఉన్న ప్రతిచోటా ఎల్లప్పుడూ మరియు ప్రతిచోటా ప్రమాదాలు ఉంటాయి. కానీ సాంకేతికత అభివృద్ధితో పాటు, మరొక దిశ కూడా అభివృద్ధి చెందుతోంది - వారి రక్షణ మరియు భద్రత. టెక్నాలజీ డెవలప్మెంట్లో ఒక విధంగా లేదా మరొక విధంగా పాల్గొన్న ప్రతి ఒక్కరూ భద్రతా వ్యవస్థలపై పని చేస్తున్నారు.
- మీరు ఏ వినియోగదారు డేటాను సేకరిస్తారు మరియు దాన్ని ఎలా రక్షిస్తారు?
మేము ట్రిప్ ఎక్కడ, ఎప్పుడు మరియు ఎక్కడ జరిగింది వంటి అనామక వినియోగ డేటాను సేకరిస్తాము. ముఖ్యమైన ప్రతిదీ హాష్ చేయబడింది.
- డ్రోన్ల వల్ల ఉద్యోగాల సంఖ్య తగ్గుతుందని మీరు అనుకుంటున్నారా?
అది పెద్దదవుతుందని నేను భావిస్తున్నాను. ఇంకా, ఈ డ్రోన్లను కూడా ఏదో ఒకవిధంగా నిర్వహించాలి. ఇది, వాస్తవానికి, ఒత్తిడితో కూడిన పరిస్థితి, మీ ప్రత్యేకతను మార్చడం, కానీ మీరు ఏమి చేయగలరు?
- తన ప్రతి ఉపన్యాసంలో, ఒక వ్యక్తి తన వృత్తిని కనీసం మూడు సార్లు సమూలంగా మారుస్తాడని గ్రెఫ్ చెప్పాడు.
ఎప్పటికీ నిలిచి ఉండే ఏ ప్రత్యేకతకూ నేను పేరు పెట్టలేను. డెవలపర్ తన జీవితమంతా ఒకే భాషలో మరియు అదే సాంకేతికతలతో పని చేయడు. ప్రతిచోటా మనం పునర్నిర్మించాల్సిన అవసరం ఉంది. మెషీన్ లెర్నింగ్తో, నాకంటే ఆరేళ్లు చిన్నవాడైన అబ్బాయిలు నాకంటే చాలా వేగంగా ఎలా ఆలోచించగలరో నేను స్పష్టంగా అనుభూతి చెందగలను. అదే సమయంలో, 40 లేదా 45 సంవత్సరాల వయస్సు ఉన్న వ్యక్తులు దీనిని మరింత బలంగా భావిస్తారు.
- అనుభవం ఇకపై పాత్ర పోషించదు?
ఆడుతున్నారు. కానీ పద్ధతులు మారుతాయి, ఉదాహరణకు, లోతైన అభ్యాసం ఉపయోగించని ప్రాంతానికి మీరు రావచ్చు, మీరు కొంత సమయం వరకు అక్కడ పని చేస్తారు, ఆపై లోతైన అభ్యాస పద్ధతులు ప్రతిచోటా పరిచయం చేయబడతాయి మరియు దాని గురించి మీకు ఏమీ అర్థం కాలేదు. అంతే. మీ అనుభవం జట్టు యొక్క పనిని ప్లాన్ చేయడంలో మాత్రమే ఉపయోగపడుతుంది మరియు ఎల్లప్పుడూ కాదు.
- మరియు మీ వృత్తి డేటా సైంటిస్ట్, దీనికి డిమాండ్ ఉందా?
డేటా సైన్స్ స్పెషలిస్ట్ల డిమాండ్ చార్ట్ల నుండి దూరంగా ఉంది. సహజంగానే, ఇది క్రేజీ హైప్ యొక్క కాలం. దేవునికి ధన్యవాదాలు, ఈ హైప్ కొద్దిగా తగ్గడానికి బ్లాక్చెయిన్ సహాయపడింది. బ్లాక్చెయిన్ నిపుణులు మరింత వేగంగా ఎంపిక చేయబడతారు.
కానీ చాలా కంపెనీలు ఇప్పుడు మెషిన్ లెర్నింగ్లో డబ్బు పెట్టుబడి పెడితే, తమ తోటలు వెంటనే వికసిస్తాయని భావిస్తున్నాయి. ఇది తప్పు. మెషిన్ లెర్నింగ్ నిర్దిష్ట సమస్యలను పరిష్కరించాలి, ఉనికిలో ఉండడమే కాదు.
వినియోగదారుల కోసం సేవల కోసం బ్యాంక్ సిఫార్సు వ్యవస్థను రూపొందించాలనుకునే సందర్భాలు ఉన్నాయి. మేము ఇలా అడుగుతాము: "ఇది ఆర్థికంగా సమర్థించబడుతుందని మీరు అనుకుంటున్నారా?" వారు సమాధానం ఇస్తారు: “మేము పట్టించుకోము. చేయి. ప్రతి ఒక్కరికి సిఫార్సు వ్యవస్థలు ఉన్నాయి, మేము ట్రెండ్లో ఉంటాము.
బాధ ఏంటంటే.. వ్యాపారానికి నిజంగా ఉపయోగపడే పని ఒక్కరోజులో చేయలేం. వ్యవస్థ ఎలా నేర్చుకుంటుందో చూడాలి. కానీ ఇది ఎల్లప్పుడూ ప్రారంభంలో తప్పులు చేస్తుంది; శిక్షణ సమయంలో దీనికి కొంత డేటా లేకపోవచ్చు. మీరు తప్పులను సరిదిద్దండి, ఆపై వాటిని మళ్లీ సరిదిద్దండి మరియు ప్రతిదీ మళ్లీ చేయండి. దీని తరువాత, మీరు సిస్టమ్ను కాన్ఫిగర్ చేయాలి, తద్వారా ఇది ఉత్పత్తిలో పని చేస్తుంది, తద్వారా ఇది స్థిరంగా మరియు స్కేలబుల్గా ఉంటుంది, ఇది ఇప్పటికీ సమయం. ఫలితంగా, ఒక ప్రాజెక్ట్ ఆరు నెలలు, ఒక సంవత్సరం లేదా అంతకంటే ఎక్కువ సమయం పడుతుంది.
![](https://i2.wp.com/knife.media/wp-content/uploads/2018/04/YAndeks-taksi-2-1024x683.jpg)
మీరు మెషీన్ లెర్నింగ్ పద్ధతులను బ్లాక్ బాక్స్గా చూస్తే, కొన్ని క్రేజీ స్టఫ్లు జరగడం ప్రారంభించినప్పుడు మీరు సులభంగా మిస్ కావచ్చు. గడ్డం కథ ఉంది. చిత్రంలో ట్యాంక్ ఉందా లేదా అని విశ్లేషించడానికి ఉపయోగించే అల్గారిథమ్ను అభివృద్ధి చేయమని మిలటరీ కోరింది. పరిశోధకులు దీనిని తయారు చేశారు, పరీక్షించారు, నాణ్యత అద్భుతమైనది, ప్రతిదీ గొప్పది, వారు దానిని సైన్యానికి ఇచ్చారు. మిలిటరీ వచ్చి ఏమీ పని చేయడం లేదని చెప్పారు. శాస్త్రవేత్తలు భయంతో అర్థం చేసుకోవడం ప్రారంభించారు. మిలిటరీ తెచ్చిన ట్యాంక్తో ఉన్న అన్ని ఛాయాచిత్రాలలో, ఒక టిక్ పెన్తో మూలలో ఉంచబడిందని తేలింది. చెక్మార్క్ను కనుగొనడం అల్గోరిథం దోషపూరితంగా నేర్చుకుంది; దానికి ట్యాంక్ గురించి ఏమీ తెలియదు. సహజంగానే, కొత్త ఫోటోగ్రాఫ్లపై చెక్మార్క్లు లేవు.
నేను వారి స్వంత సంభాషణ వ్యవస్థలను అభివృద్ధి చేసే పిల్లలను కలుసుకున్నాను. మీరు పిల్లలతో సహకరించాలని ఎప్పుడైనా ఆలోచించారా?
నేను చాలా కాలంగా పాఠశాల విద్యార్థుల కోసం అన్ని రకాల ఈవెంట్లకు వెళుతున్నాను, మెషిన్ లెర్నింగ్ గురించి ఉపన్యాసాలు ఇస్తున్నాను. మరియు, మార్గం ద్వారా, ఒక పదవ తరగతి విద్యార్థి నాకు బోధించాడు. నా కథ మంచిగా మరియు ఆసక్తికరంగా ఉంటుందని నాకు ఖచ్చితంగా తెలుసు, నేను నా గురించి గర్వపడ్డాను, నేను ప్రసారం చేయడం ప్రారంభించాను మరియు అమ్మాయి ఇలా ఉంది: "ఓహ్, మేము ఈ విషయాన్ని తగ్గించాలనుకుంటున్నాము." నేను చూస్తున్నాను మరియు ఆలోచిస్తున్నాను, నిజంగా ఎందుకు, మరియు సత్యాన్ని తగ్గించవచ్చు మరియు ఇక్కడ నిరూపించడానికి ప్రత్యేకంగా ఏమీ లేదు. ఇప్పటికే చాలా సంవత్సరాలు గడిచాయి, ఇప్పుడు ఆమె ఫిజిక్స్ అండ్ టెక్నాలజీ ఇన్స్టిట్యూట్లో విద్యార్థిగా మా ఉపన్యాసాలు వింటోంది. Yandex, మార్గం ద్వారా, Yandex.Lyceumని కలిగి ఉంది, ఇక్కడ పాఠశాల పిల్లలు ప్రాథమిక ప్రోగ్రామింగ్ పరిజ్ఞానాన్ని ఉచితంగా పొందవచ్చు.
- ప్రస్తుతం మెషిన్ లెర్నింగ్ బోధిస్తున్న విశ్వవిద్యాలయాలు మరియు ఫ్యాకల్టీలను సిఫార్సు చేయండి.
MIPT, FIVT మరియు FUPM యొక్క ఫ్యాకల్టీలు ఉన్నాయి. HSEలో అద్భుతమైన కంప్యూటర్ సైన్స్ విభాగం కూడా ఉంది మరియు మాస్కో స్టేట్ యూనివర్శిటీలో కంప్యూటర్ సైన్స్ కాంప్లెక్స్లో మెషిన్ లెర్నింగ్ ఉంది. బాగా, ఇప్పుడు మీరు RUDN విశ్వవిద్యాలయంలో మా కోర్సును వినవచ్చు.
నేను ఇప్పటికే చెప్పినట్లుగా, ఈ వృత్తికి డిమాండ్ ఉంది. చాలా కాలంగా, సాంకేతిక విద్యను పొందిన వ్యక్తులు పూర్తిగా భిన్నమైన పనులు చేశారు. సాంకేతిక విద్య ఉన్న వ్యక్తులు బోధించిన అన్ని విషయాలు ఇప్పుడు నేరుగా అవసరమైనవి, ఉపయోగకరమైనవి మరియు మంచి వేతనం పొందుతున్నప్పుడు మెషిన్ లెర్నింగ్ ఒక అద్భుతమైన ఉదాహరణ.
- ఎంత బాగుంది?
మొత్తానికి పేరు పెట్టండి.
- నెలకు 500 వేలు.
మీరు సాధారణ డేటా సైంటిస్ట్ కాకుండా చేయవచ్చు. కానీ కొన్ని కంపెనీలలో, ఒక ఇంటర్న్ సాధారణ పని కోసం 50 వేలు సంపాదించవచ్చు. చాలా విస్తృత పరిధి ఉంది. సాధారణంగా, కూల్ డేటా సైంటిస్ట్ జీతం కొన్ని మధ్య తరహా కంపెనీ CEO జీతంతో పోల్చవచ్చు. చాలా కంపెనీలలో, జీతంతో పాటు, ఉద్యోగికి అనేక ఇతర ప్రయోజనాలు ఉన్నాయి మరియు వ్యక్తి తన రెజ్యూమ్కి మంచి బ్రాండ్ను జోడించడానికి రాలేదని, వాస్తవానికి పని చేయడానికి రాలేదని స్పష్టంగా తెలిస్తే, అతనికి ప్రతిదీ బాగానే ఉంటుంది.
MIPTతో "ABC ఆఫ్ AI" అనే ఉమ్మడి ప్రాజెక్ట్లో భాగంగా, డార్వినియన్ పరిణామం యొక్క సూత్రాలు మరియు చట్టాల ప్రకారం ప్రోగ్రామ్లను "పెరుగుదల" చేయడానికి మిమ్మల్ని అనుమతించే వాటి గురించి మేము ఇప్పటికే వ్రాసాము. అయితే, ప్రస్తుతానికి, కృత్రిమ మేధస్సుకు ఈ విధానం ఖచ్చితంగా "భవిష్యత్తు నుండి అతిథి". కానీ నేడు కృత్రిమ మేధస్సు వ్యవస్థలు ఎలా సృష్టించబడ్డాయి? వారు ఎలా శిక్షణ పొందుతారు? MIPTలోని డిపార్ట్మెంట్ ఆఫ్ అల్గారిథమ్స్ అండ్ ప్రోగ్రామింగ్ టెక్నాలజీస్లో సీనియర్ లెక్చరర్ విక్టర్ కాంటర్ మరియు Yandex డేటా ఫ్యాక్టరీలో యూజర్ బిహేవియర్ ఎనాలిసిస్ గ్రూప్ హెడ్, దీన్ని గుర్తించడంలో మాకు సహాయం చేసారు.
పరిశోధనా సంస్థ గార్ట్నర్ నుండి ఇటీవలి నివేదిక ప్రకారం, దాని "టెక్నాలజీ మెచ్యూరిటీ సైకిల్"ను క్రమం తప్పకుండా అప్డేట్ చేస్తుంది, ప్రస్తుతం మెషిన్ లెర్నింగ్ అన్ని ITలో అంచనాల గరిష్ట స్థాయికి చేరుకుంది. ఇది ఆశ్చర్యం కలిగించదు: గత కొన్ని సంవత్సరాలుగా, యంత్ర అభ్యాసం గణిత శాస్త్రజ్ఞులు మరియు అల్గారిథమ్ల సిద్ధాంతంలో నిపుణుల యొక్క ఇరుకైన వృత్తం యొక్క ఆసక్తుల గోళం నుండి బయటపడింది మరియు మొదట IT వ్యాపారవేత్తల పదజాలంలోకి చొచ్చుకుపోయింది, ఆపై ప్రపంచంలోకి ప్రవేశించింది. సాధారణ ప్రజల. ఇప్పుడు, Prisma యాప్ని ఉపయోగించిన, Shazamని ఉపయోగించి పాటల కోసం శోధించిన లేదా DeepDream ద్వారా పంపబడిన చిత్రాలను చూసిన ఎవరికైనా వారి ప్రత్యేక “మ్యాజిక్”తో న్యూరల్ నెట్వర్క్లు వంటివి ఉన్నాయని తెలుసు.
అయితే, సాంకేతికతను ఉపయోగించడం ఒక విషయం, మరియు అది ఎలా పనిచేస్తుందో అర్థం చేసుకోవడం మరొకటి. "మీరు సూచన ఇస్తే కంప్యూటర్ నేర్చుకోగలదు" లేదా "న్యూరల్ నెట్వర్క్ డిజిటల్ న్యూరాన్లను కలిగి ఉంటుంది మరియు మానవ మెదడు వంటి నిర్మాణాన్ని కలిగి ఉంటుంది" వంటి సాధారణ పదాలు ఎవరికైనా సహాయపడవచ్చు, కానీ చాలా తరచుగా అవి పరిస్థితిని గందరగోళానికి గురిచేస్తాయి. గణితాన్ని తీవ్రంగా అధ్యయనం చేయబోయే వారికి ప్రముఖ పాఠాలు అవసరం లేదు: వారికి పాఠ్యపుస్తకాలు మరియు అద్భుతమైన ఆన్లైన్ కోర్సులు ఉన్నాయి. మేము మధ్య మార్గాన్ని అనుసరించడానికి ప్రయత్నిస్తాము: చాలా సులభమైన పనిలో అభ్యాసం ఎలా జరుగుతుందో వివరించండి, ఆపై నిజమైన ఆసక్తికరమైన సమస్యలను పరిష్కరించడానికి అదే విధానాన్ని ఎలా ఉపయోగించవచ్చో చూపండి.
యంత్రాలు ఎలా నేర్చుకుంటాయి
ప్రారంభించడానికి, మెషిన్ లెర్నింగ్ ఎలా జరుగుతుందో సరిగ్గా అర్థం చేసుకోవడానికి, భావనలను నిర్వచిద్దాం. ఈ రంగంలో మార్గదర్శకులలో ఒకరైన ఆర్థర్ శామ్యూల్ నిర్వచించినట్లుగా, మెషిన్ లెర్నింగ్ అనేది "కంప్యూటర్లను నేరుగా ప్రోగ్రామింగ్ చేయకుండానే నేర్చుకునేందుకు అనుమతించే" పద్ధతులను సూచిస్తుంది. యంత్ర అభ్యాస పద్ధతులలో రెండు విస్తృత తరగతులు ఉన్నాయి: పర్యవేక్షించబడే అభ్యాసం మరియు పర్యవేక్షించబడని అభ్యాసం. ఉదాహరణకు, పిల్లుల చిత్రాలతో ఫోటోల కోసం శోధించడానికి కంప్యూటర్కు నేర్పించాల్సినప్పుడు మొదటిది ఉపయోగించబడుతుంది, రెండవది మనకు యంత్రం అవసరమైనప్పుడు, ఉదాహరణకు, సేవల్లో జరిగే విధంగా వార్తలను కథలుగా స్వతంత్రంగా సమూహపరచడం Yandex.News లేదా Google వార్తలు వంటివి. అంటే, మొదటి సందర్భంలో మనం సరైన సమాధానం ఉనికిని సూచించే పనితో వ్యవహరిస్తున్నాము (ఫోటోలోని పిల్లి అక్కడ ఉంది లేదా లేదు), రెండవ సందర్భంలో ఒకే సరైన సమాధానం లేదు, కానీ వివిధ మార్గాలు ఉన్నాయి సమస్యను పరిష్కరించడానికి. మేము అత్యంత ఆసక్తికరమైన సమస్యల యొక్క మొదటి తరగతిపై ప్రత్యేకంగా దృష్టి పెడతాము.
కాబట్టి మనం కంప్యూటర్కు కొన్ని అంచనాలు వేయడం నేర్పాలి. అంతేకాక, సాధ్యమైనంత ఖచ్చితమైనదిగా ఉండటం మంచిది. అంచనాలు రెండు రకాలుగా ఉండవచ్చు: గాని మీరు అనేక సమాధాన ఎంపికల మధ్య ఎంచుకోవాలి (చిత్రంలో పిల్లి ఉందా లేదా అనేది రెండింటిలో ఒక ఎంపిక ఎంపిక, చిత్రాలలో అక్షరాలను గుర్తించే సామర్థ్యం ఒక ఎంపిక యొక్క ఎంపిక. అనేక డజన్ల, మరియు మొదలైనవి), లేదా సంఖ్యా అంచనా వేయండి . ఉదాహరణకు, ఒక వ్యక్తి ఎత్తు, వయస్సు, షూ పరిమాణం మొదలైన వాటి ఆధారంగా అతని బరువును అంచనా వేయండి. ఈ రెండు రకాల సమస్యలు వేర్వేరుగా కనిపిస్తాయి, కానీ వాస్తవానికి అవి దాదాపు ఒకే విధంగా పరిష్కరించబడతాయి. సరిగ్గా ఎలా అర్థం చేసుకోవడానికి ప్రయత్నిద్దాం.
మేము అంచనా వ్యవస్థను తయారు చేయవలసిన మొదటి విషయం ఏమిటంటే, శిక్షణ నమూనా అని పిలవబడేది, అంటే జనాభాలోని వ్యక్తుల బరువుపై డేటాను సేకరించడం. రెండవది ఏమిటంటే, బరువు గురించి మనం తీర్మానాలు చేయగల సంకేతాల సమితిని నిర్ణయించడం. అటువంటి “బలమైన” సంకేతాలలో ఒకటి ఒక వ్యక్తి యొక్క ఎత్తు అని స్పష్టంగా తెలుస్తుంది, కాబట్టి మొదటి ఉజ్జాయింపుగా దీన్ని మాత్రమే తీసుకుంటే సరిపోతుంది. బరువు ఎత్తుపై సరళంగా ఆధారపడి ఉంటే, అప్పుడు మన అంచనా చాలా సరళంగా ఉంటుంది: ఒక వ్యక్తి యొక్క బరువు అతని ఎత్తుకు సమానంగా ఉంటుంది, ఇది కొంత గుణకంతో గుణించబడుతుంది మరియు కొంత స్థిరమైన విలువ, ఇది సరళమైన ఫార్ములా y=kx+b ద్వారా వ్రాయబడుతుంది. ఒక వ్యక్తి యొక్క బరువును అంచనా వేయడానికి యంత్రానికి శిక్షణ ఇవ్వడానికి మనం చేయాల్సిందల్లా k మరియు b లకు సరైన విలువలను కనుగొనడం.
మెషీన్ లెర్నింగ్ యొక్క అందం ఏమిటంటే, మనం చదువుతున్న సంబంధం చాలా క్లిష్టంగా ఉన్నప్పటికీ, తప్పనిసరిగా మన విధానంలో ఏమీ మారదు. మేము ఇప్పటికీ అదే తిరోగమనంతో వ్యవహరిస్తాము.
ఒక వ్యక్తి యొక్క బరువు అతని ఎత్తును సరళంగా కాకుండా మూడవ డిగ్రీకి ప్రభావితం చేస్తుందని చెప్పండి (ఇది సాధారణంగా అంచనా వేయబడుతుంది, ఎందుకంటే బరువు శరీర పరిమాణంపై ఆధారపడి ఉంటుంది). ఈ ఆధారపడటాన్ని పరిగణనలోకి తీసుకోవడానికి, మేము మా సమీకరణంలో మరొక పదాన్ని పరిచయం చేస్తాము, అవి దాని స్వంత గుణకంతో వృద్ధి యొక్క మూడవ శక్తి, తద్వారా y=k 1 x+k 2 x 3 +bని పొందడం. ఇప్పుడు, యంత్రానికి శిక్షణ ఇవ్వడానికి, మేము రెండు కాదు, మూడు పరిమాణాలను (k 1, k 2 మరియు b) కనుగొనవలసి ఉంటుంది. మన అంచనాలో ఒక వ్యక్తి బూట్ల పరిమాణం, అతని వయస్సు, అతను టీవీ చూసే సమయం మరియు అతని అపార్ట్మెంట్ నుండి సమీప ఫాస్ట్ ఫుడ్ అవుట్లెట్కు ఉన్న దూరాన్ని కూడా పరిగణనలోకి తీసుకోవాలని అనుకుందాం. సమస్య లేదు: మేము ఈ లక్షణాలను ఒకే సమీకరణంలో ప్రత్యేక పదాలుగా జోడిస్తాము.
అవసరమైన గుణకాలను (k 1, k 2, ... k n) కనుగొనడానికి సార్వత్రిక మార్గాన్ని సృష్టించడం చాలా ముఖ్యమైన విషయం. ఇది ఉనికిలో ఉన్నట్లయితే, అంచనా కోసం ఏ లక్షణాలను ఉపయోగించాలో అది దాదాపుగా ఉదాసీనంగా ఉంటుంది, ఎందుకంటే యంత్రం ముఖ్యమైన వాటికి పెద్ద బరువును మరియు చిన్న బరువును అప్రధానమైన లక్షణాలకు ఇవ్వడం నేర్చుకుంటుంది. అదృష్టవశాత్తూ, అటువంటి పద్ధతి ఇప్పటికే కనుగొనబడింది మరియు దాదాపు అన్ని యంత్ర అభ్యాసాలు దానిపై విజయవంతంగా పని చేస్తాయి: సరళమైన సరళ నమూనాల నుండి ముఖ గుర్తింపు వ్యవస్థలు మరియు స్పీచ్ ఎనలైజర్ల వరకు. ఈ పద్ధతిని గ్రేడియంట్ డిసెంట్ అంటారు. కానీ ఇది ఎలా పని చేస్తుందో వివరించే ముందు, మనం ఒక చిన్న డైగ్రెషన్ చేసి, న్యూరల్ నెట్వర్క్ల గురించి మాట్లాడాలి.
నరాల నెట్వర్క్
2016లో, న్యూరల్ నెట్వర్క్లు సమాచార ఎజెండాలోకి చాలా కఠినంగా ప్రవేశించాయి, అవి సాధారణంగా ఏదైనా మెషిన్ లెర్నింగ్ మరియు అధునాతన ITతో దాదాపుగా గుర్తించబడ్డాయి. అధికారికంగా చెప్పాలంటే, ఇది నిజం కాదు: గణిత అభ్యాసంలో న్యూరల్ నెట్వర్క్లు ఎల్లప్పుడూ ఉపయోగించబడవు; ఇతర సాంకేతికతలు ఉన్నాయి. కానీ సాధారణంగా, వాస్తవానికి, అటువంటి అనుబంధం అర్థమయ్యేలా ఉంది, ఎందుకంటే ఇది నాడీ నెట్వర్క్లపై ఆధారపడిన వ్యవస్థలు, ఇప్పుడు ఫోటోగ్రాఫ్లో ఒక వ్యక్తిని శోధించే సామర్థ్యం, బదిలీ చేసే అప్లికేషన్ల ఆవిర్భావం వంటి అత్యంత “మాయా” ఫలితాలను అందిస్తాయి. ఒక చిత్రం యొక్క శైలి మరొకదానికి, లేదా ఒక నిర్దిష్ట వ్యక్తి యొక్క ప్రసంగ పద్ధతిలో పాఠాలను రూపొందించడానికి వ్యవస్థలు.
న్యూరల్ నెట్వర్క్లు నిర్మాణాత్మకమైన విధానం, మేము ఇప్పటికే... ఇతర మెషీన్ లెర్నింగ్ సిస్టమ్లతో పోలిస్తే న్యూరల్ నెట్వర్క్ల బలం వాటి బహుళ-లేయర్డ్ స్వభావంలో ఉందని ఇక్కడ నేను నొక్కి చెప్పాలనుకుంటున్నాను, అయితే ఇది అవి పనిచేసే విధానంలో వాటిని ప్రాథమికంగా భిన్నంగా చేయదు. చిత్రంలో పిక్సెల్ల వంటి సంక్లిష్ట లక్షణాల సెట్లలో చాలా వియుక్త సాధారణ లక్షణాలు మరియు డిపెండెన్సీలను కనుగొనడానికి మల్టీ-లేయరింగ్ నిజంగా మిమ్మల్ని అనుమతిస్తుంది. కానీ అభ్యాస సూత్రాల దృక్కోణం నుండి, ఒక న్యూరల్ నెట్వర్క్ సాంప్రదాయిక లీనియర్ రిగ్రెషన్ ఫార్ములాల నుండి పూర్తిగా భిన్నంగా లేదని అర్థం చేసుకోవడం చాలా ముఖ్యం, కాబట్టి అదే గ్రేడియంట్ డీసెంట్ పద్ధతి ఇక్కడ కూడా గొప్పగా పనిచేస్తుంది.
న్యూరల్ నెట్వర్క్ యొక్క “శక్తి” న్యూరాన్ల మధ్యస్థ పొర సమక్షంలో ఉంటుంది, ఇది ఇన్పుట్ లేయర్ యొక్క విలువలను సారాంశంగా మిళితం చేస్తుంది. దీని కారణంగా, న్యూరల్ నెట్వర్క్లు డేటాలో చాలా నైరూప్య లక్షణాలను కనుగొనగలవు, వీటిని సరళ లేదా చతుర్భుజ సంబంధం వంటి సాధారణ సూత్రాలకు తగ్గించడం కష్టం.
ఒక ఉదాహరణతో వివరిస్తాము. y=k 1 x+k 2 x 3 +b ఫార్ములా ద్వారా వ్యక్తీకరించబడిన ఒక వ్యక్తి యొక్క బరువు అతని ఎత్తు మరియు ఘనపు ఎత్తుపై ఆధారపడి ఉండే అంచనాపై మేము స్థిరపడ్డాము. కొంత సాగదీయడంతో, కానీ వాస్తవానికి అలాంటి సూత్రాన్ని కూడా న్యూరల్ నెట్వర్క్ అని పిలుస్తారు. దీనిలో, ఒక సాధారణ న్యూరల్ నెట్వర్క్లో వలె, "న్యూరాన్ల" యొక్క మొదటి పొర ఉంది, ఇది లక్షణాల పొర కూడా: ఇవి x మరియు x 3 (అలాగే, మనం గుర్తుంచుకోవలసిన “యూనిట్ న్యూరాన్” మరియు దీని కోసం గుణకం b బాధ్యత వహిస్తుంది). ఎగువ, లేదా ఫలితంగా, పొర ఒక "న్యూరాన్" y ద్వారా సూచించబడుతుంది, అంటే వ్యక్తి యొక్క అంచనా బరువు. మరియు "న్యూరాన్లు" యొక్క మొదటి మరియు చివరి పొరల మధ్య కనెక్షన్లు ఉన్నాయి, దీని బలం లేదా బరువు k 1, k 2 మరియు b అనే గుణకాల ద్వారా నిర్ణయించబడుతుంది. ఈ "న్యూరల్ నెట్వర్క్"కి శిక్షణ ఇవ్వడం అంటే ఇదే కోఎఫీషియంట్లను కనుగొనడం.
ఇక్కడ "నిజమైన" న్యూరల్ నెట్వర్క్ల నుండి ఉన్న ఒకే ఒక్క తేడా ఏమిటంటే, మన దగ్గర ఒక ఇంటర్మీడియట్ (లేదా దాచిన) న్యూరాన్ల పొర లేదు, దీని పని ఇన్పుట్ లక్షణాలను కలపడం. అటువంటి పొరల పరిచయం "మీ తల నుండి" ఇప్పటికే ఉన్న లక్షణాల మధ్య సాధ్యమయ్యే డిపెండెన్సీలను కనిపెట్టకుండా ఉండటానికి మిమ్మల్ని అనుమతిస్తుంది, కానీ నాడీ నెట్వర్క్లో ఇప్పటికే ఉన్న వారి కలయికలపై ఆధారపడటానికి. ఉదాహరణకు, టీవీ ముందు వయస్సు మరియు సగటు సమయం ఒక వ్యక్తి యొక్క బరువుపై సినర్జిస్టిక్ ప్రభావాన్ని కలిగి ఉంటుంది, కానీ, నాడీ నెట్వర్క్ కలిగి ఉన్నందున, మేము దీనిని ముందుగానే తెలుసుకోవాల్సిన అవసరం లేదు మరియు వారి ఉత్పత్తిని ఫార్ములాలోకి నమోదు చేయండి. న్యూరల్ నెట్వర్క్లో ఏదైనా రెండు లక్షణాల ప్రభావాన్ని మిళితం చేసే న్యూరాన్ ఖచ్చితంగా ఉంటుంది మరియు ఈ ప్రభావం నమూనాలో నిజంగా గుర్తించదగినది అయితే, శిక్షణ తర్వాత ఈ న్యూరాన్ స్వయంచాలకంగా పెద్ద బరువును పొందుతుంది.
గ్రేడియంట్ డీసెంట్
కాబట్టి, మేము తెలిసిన డేటాతో కూడిన శిక్షణా ఉదాహరణలను కలిగి ఉన్నాము, అంటే, ఖచ్చితంగా కొలిచిన వ్యక్తి బరువుతో కూడిన పట్టిక మరియు సంబంధం యొక్క కొన్ని పరికల్పన, ఈ సందర్భంలో లీనియర్ రిగ్రెషన్ y=kx+b. మానవీయంగా కాకుండా స్వయంచాలకంగా k మరియు b యొక్క సరైన విలువలను కనుగొనడం మా పని. మరియు ప్రాధాన్యంగా, ఫార్ములాలో చేర్చబడిన పారామితుల సంఖ్యపై ఆధారపడని సార్వత్రిక పద్ధతి.
సాధారణంగా, దీన్ని చేయడం కష్టం కాదు. ప్రస్తుత మొత్తం లోపం స్థాయిని కొలిచే మరియు గుణకాలను "ట్వీక్" చేసే ఫంక్షన్ను సృష్టించడం ప్రధాన ఆలోచన, తద్వారా మొత్తం లోపం స్థాయి క్రమంగా పడిపోతుంది. నేను ఎర్రర్ స్థాయిని ఎలా తగ్గించగలను? మేము సరైన దిశలో మా పారామితులను సర్దుబాటు చేయాలి.
మనం వెతుకుతున్న మా రెండు పారామితులను ఊహించండి, అదే k మరియు b, ఒక విమానంలో ఉత్తర-దక్షిణ మరియు పశ్చిమ-తూర్పు అక్షాల వంటి రెండు దిశలుగా. అటువంటి విమానంలోని ప్రతి పాయింట్ గుణకాల యొక్క నిర్దిష్ట విలువకు అనుగుణంగా ఉంటుంది, ఎత్తు మరియు బరువు మధ్య ఒక నిర్దిష్ట నిర్దిష్ట సంబంధం. మరియు విమానంలో అటువంటి ప్రతి పాయింట్ కోసం, మా నమూనాలోని ప్రతి ఉదాహరణకి ఈ అంచనా ఇచ్చే మొత్తం ఎర్రర్ స్థాయిని మనం లెక్కించవచ్చు.
ఇది విమానంలో ఒక నిర్దిష్ట ఎత్తు వంటిదిగా మారుతుంది మరియు చుట్టుపక్కల మొత్తం స్థలం పర్వత ప్రకృతి దృశ్యాన్ని పోలి ఉంటుంది. పర్వతాలు ఎర్రర్ రేటు చాలా ఎక్కువగా ఉండే పాయింట్లు, లోయలు తక్కువ లోపాలు ఉన్న ప్రదేశాలు. మా సిస్టమ్కు శిక్షణ ఇవ్వడం అంటే భూమిపై ఉన్న అత్యల్ప పాయింట్ని, లోపం రేటు తక్కువగా ఉండే పాయింట్ను కనుగొనడం అని స్పష్టమైంది.
మీరు ఈ పాయింట్ను ఎలా కనుగొనగలరు? మనం మొదట్లో మనం కనుగొన్న స్థానం నుండి అన్ని సమయాలలో క్రిందికి కదలడమే అత్యంత సరైన మార్గం. కాబట్టి త్వరగా లేదా తరువాత మేము స్థానిక కనిష్ట స్థాయికి వస్తాము - దాని దిగువన తక్షణ సమీపంలో ఏమీ లేదు. అంతేకాకుండా, వివిధ పరిమాణాల దశలను తీసుకోవడం మంచిది: వాలు నిటారుగా ఉన్నప్పుడు, మీరు విస్తృత దశలను తీసుకోవచ్చు; వాలు చిన్నగా ఉన్నప్పుడు, "టిప్టోపై" స్థానిక కనిష్టానికి చొప్పించడం మంచిది, లేకపోతే మీరు ఓవర్షూట్ చేయవచ్చు.
గ్రేడియంట్ అవరోహణ పద్ధతి సరిగ్గా ఈ విధంగా పనిచేస్తుంది: లోపం ఫంక్షన్లో అతిపెద్ద డ్రాప్ దిశలో మేము లక్షణాల బరువులను మారుస్తాము. మేము వాటిని పునరావృతంగా మారుస్తాము, అనగా, ఒక నిర్దిష్ట దశతో, దీని విలువ వాలు యొక్క ఏటవాలుకు అనులోమానుపాతంలో ఉంటుంది. ఆసక్తికరమైన విషయమేమిటంటే, లక్షణాల సంఖ్య పెరిగినప్పుడు (వ్యక్తి యొక్క ఎత్తు, అతని వయస్సు, షూ పరిమాణం మరియు మొదలైన వాటి యొక్క క్యూబ్ను జోడించడం), ముఖ్యంగా ఏమీ మారదు, మన ప్రకృతి దృశ్యం రెండు డైమెన్షనల్ కాదు, కానీ బహుమితీయంగా మారుతుంది.
ఎర్రర్ ఫంక్షన్ అనేది మనకు ఇప్పటికే సరిగ్గా తెలిసిన వ్యక్తుల కోసం ప్రస్తుత ఫార్ములా అనుమతించే అన్ని విచలనాల చతురస్రాల మొత్తంగా నిర్వచించబడుతుంది. కొన్ని యాదృచ్ఛిక వేరియబుల్స్ k మరియు b తీసుకుందాం, ఉదాహరణకు 0 మరియు 50. అప్పుడు నమూనాలోని ప్రతి వ్యక్తి బరువు ఎల్లప్పుడూ 50 కిలోగ్రాములు y=0×x+50 గ్రాఫ్లో, అటువంటిది అని సిస్టమ్ మనకు అంచనా వేస్తుంది. ఆధారపడటం సమాంతరంగా సమాంతరంగా సరళ రేఖలా కనిపిస్తుంది. స్పష్టంగా, ఇది చాలా మంచి అంచనా కాదు. ఇప్పుడు ఈ అంచనా విలువ నుండి బరువులో విచలనాన్ని తీసుకుందాం, దానిని స్క్వేర్ చేయండి (తద్వారా ప్రతికూల విలువలు కూడా పరిగణనలోకి తీసుకోబడతాయి) మరియు దానిని సంగ్రహించండి - ఇది ఈ సమయంలో లోపం అవుతుంది. విశ్లేషణ ప్రారంభం గురించి మీకు తెలిసి ఉంటే, k మరియు b లకు సంబంధించి ఎర్రర్ ఫంక్షన్ యొక్క పాక్షిక ఉత్పన్నం ద్వారా అతిపెద్ద డ్రాప్ యొక్క దిశ ఇవ్వబడిందని మరియు దశ ఎంపిక చేయబడిన విలువ అని కూడా మీరు స్పష్టం చేయవచ్చు. ఆచరణాత్మక కారణాలు: చిన్న దశలు లెక్కించడానికి చాలా సమయం తీసుకుంటాయి మరియు పెద్దవి మనం కనిష్ట స్థాయిని దాటి పోతాము.
సరే, మనకు చాలా ఫీచర్లతో కూడిన కాంప్లెక్స్ రిగ్రెషన్ మాత్రమే కాకుండా నిజమైన న్యూరల్ నెట్వర్క్ ఉంటే ఏమి చేయాలి? ఈ సందర్భంలో మేము గ్రేడియంట్ సంతతిని ఎలా వర్తింపజేయాలి? గ్రేడియంట్ సంతతి నాడీ నెట్వర్క్తో సరిగ్గా అదే విధంగా పనిచేస్తుందని తేలింది, శిక్షణ మాత్రమే జరుగుతుంది 1) దశలవారీగా, పొర నుండి పొరకు మరియు 2) క్రమంగా, నమూనాలోని ఒక ఉదాహరణ నుండి మరొకదానికి. ఇక్కడ ఉపయోగించిన పద్ధతిని బ్యాక్ప్రొపగేషన్ అంటారు, దీనిని 1974లో సోవియట్ గణిత శాస్త్రజ్ఞుడు అలెగ్జాండర్ గలుష్కిన్ మరియు హార్వర్డ్ యూనివర్శిటీ గణిత శాస్త్రజ్ఞుడు పాల్ జాన్ వెబ్రోస్ స్వతంత్రంగా వర్ణించారు.
అల్గోరిథం యొక్క ఖచ్చితమైన ప్రదర్శన కోసం పాక్షిక ఉత్పన్నాలను వ్రాయడం అవసరం అయినప్పటికీ (ఉదాహరణకు), ఒక సహజమైన స్థాయిలో ప్రతిదీ చాలా సరళంగా జరుగుతుంది: నమూనాలోని ప్రతి ఉదాహరణకి, అవుట్పుట్ వద్ద మాకు ఒక నిర్దిష్ట అంచనా ఉంది. న్యూరల్ నెట్వర్క్ యొక్క. సరైన సమాధానం కలిగి, మేము అంచనా నుండి సరైన సమాధానాన్ని తీసివేయవచ్చు మరియు తద్వారా లోపాన్ని పొందవచ్చు (మరింత ఖచ్చితంగా, అవుట్పుట్ లేయర్ యొక్క ప్రతి న్యూరాన్ కోసం లోపాల సమితి). ఇప్పుడు మనం ఈ లోపాన్ని మునుపటి న్యూరాన్ల పొరకు బదిలీ చేయాలి మరియు ఈ పొర యొక్క నిర్దిష్ట న్యూరాన్ లోపానికి ఎంతగా దోహదపడిందో, మనం దాని బరువును తగ్గించాల్సిన అవసరం ఉంది (వాస్తవానికి, మేము మళ్లీ పాక్షిక ఉత్పన్నం తీసుకోవడం గురించి మాట్లాడుతున్నాము, మా ఊహాత్మక ప్రకృతి దృశ్యం యొక్క గరిష్ట నిటారుగా కదలడం గురించి) . మేము దీన్ని పూర్తి చేసినప్పుడు, అదే విధానాన్ని తదుపరి పొర కోసం పునరావృతం చేయాలి, వ్యతిరేక దిశలో కదులుతుంది, అంటే, న్యూరల్ నెట్వర్క్ అవుట్పుట్ నుండి ఇన్పుట్ వరకు.
శిక్షణ నమూనా యొక్క ప్రతి ఉదాహరణతో ఈ విధంగా న్యూరల్ నెట్వర్క్ ద్వారా వెళ్లడం ద్వారా మరియు కావలసిన దిశలో న్యూరాన్ల బరువులను "ట్విస్టింగ్" చేయడం ద్వారా, మేము చివరికి శిక్షణ పొందిన న్యూరల్ నెట్వర్క్ను పొందాలి. బ్యాక్ప్రొపగేషన్ మెథడ్ అనేది మల్టీలేయర్ న్యూరల్ నెట్వర్క్ల కోసం గ్రేడియంట్ డీసెంట్ పద్ధతి యొక్క సరళమైన మార్పు మరియు అందువల్ల ఏదైనా సంక్లిష్టత ఉన్న న్యూరల్ నెట్వర్క్ల కోసం పని చేయాలి. మేము ఇక్కడ "తప్పక" అని చెప్పాము ఎందుకంటే నిజానికి గ్రేడియంట్ డీసెంట్ విఫలమైనప్పుడు మరియు మీరు మంచి రిగ్రెషన్ చేయడానికి లేదా న్యూరల్ నెట్వర్క్కు శిక్షణ ఇవ్వడానికి అనుమతించని సందర్భాలు ఉన్నాయి. అలాంటి ఇబ్బందులు ఎందుకు తలెత్తుతాయో తెలుసుకోవడం ఉపయోగకరంగా ఉంటుంది.
గ్రేడియంట్ డీసెంట్ యొక్క కష్టాలు
సంపూర్ణ కనీస ఎంపిక తప్పు.గ్రేడియంట్ అవరోహణ పద్ధతి స్థానిక అంత్య భాగాల కోసం శోధించడానికి సహాయపడుతుంది. కానీ మేము దీన్ని ఎల్లప్పుడూ సంపూర్ణ గ్లోబల్ కనిష్ట లేదా గరిష్ట ఫంక్షన్ని సాధించడానికి ఉపయోగించలేము. ఇది జరుగుతుంది ఎందుకంటే యాంటీగ్రేడియంట్ వెంట కదులుతున్నప్పుడు, మనం ఎదుర్కొనే మొదటి స్థానిక కనిష్టానికి చేరుకున్నప్పుడు మేము ఆగిపోతాము మరియు అల్గోరిథం పని చేయడం ఆగిపోతుంది.
మీరు ఒక పర్వతం మీద నిలబడి ఉన్నారని ఊహించుకోండి. మీరు ప్రాంతంలోని అత్యల్ప ఉపరితలంపైకి దిగాలనుకుంటే, గ్రేడియంట్ అవరోహణ పద్ధతి ఎల్లప్పుడూ మీకు సహాయం చేయదు, ఎందుకంటే మీ మార్గంలో మొదటి తక్కువ పాయింట్ తప్పనిసరిగా అత్యల్ప బిందువుగా ఉండదు. మరియు జీవితంలో మీరు కొంచెం పైకి వెళ్లి, ఆపై మరింత దిగువకు వెళ్లగలిగితే, అటువంటి పరిస్థితిలో అల్గోరిథం ఆగిపోతుందని మీరు చూడగలిగితే. మీరు సరైన దశను ఎంచుకుంటే తరచుగా ఈ పరిస్థితిని నివారించవచ్చు.
తప్పు దశ ఎంపిక.ప్రవణత అవరోహణ పద్ధతి ఒక పునరావృత పద్ధతి. అంటే, మనమే దశల పరిమాణాన్ని ఎంచుకోవాలి - మనం దిగే వేగం. చాలా పెద్ద దశను ఎంచుకోవడం ద్వారా, మనకు అవసరమైన అంత్య భాగాలను దాటవచ్చు మరియు కనిష్టాన్ని కనుగొనలేము. మీరు చాలా పదునైన సంతతిని ఎదుర్కొంటున్నట్లు మీరు కనుగొంటే ఇది జరగవచ్చు. మరియు చాలా చిన్న దశను ఎంచుకోవడం వలన మనం సాపేక్షంగా చదునైన ఉపరితలంపై కనిపిస్తే, అల్గోరిథం చాలా నెమ్మదిస్తుంది. మనం నిటారుగా ఉన్న పర్వతం పైభాగంలో ఉన్నామని మళ్లీ ఊహించుకుంటే, కనిష్ట స్థాయికి సమీపంలో చాలా ఏటవాలు దిగడం వల్ల మనం దాని మీదుగా ఎగిరిపోయే పరిస్థితి ఏర్పడవచ్చు.
నెట్వర్క్ పక్షవాతం.కొన్నిసార్లు గ్రేడియంట్ అవరోహణ పద్ధతి కనిష్టాన్ని కనుగొనడంలో విఫలమవుతుంది. కనిష్టంగా రెండు వైపులా ఫ్లాట్ ప్రాంతాలు ఉంటే ఇది జరగవచ్చు - అల్గోరిథం, అది ఫ్లాట్ ఏరియాను తాకినప్పుడు, దశను తగ్గిస్తుంది మరియు చివరికి ఆగిపోతుంది. మీరు పర్వతం పైభాగంలో నిలబడి, లోతట్టు ప్రాంతాలలో ఉన్న మీ ఇంటికి వెళ్లాలని నిర్ణయించుకుంటే, మీరు పొరపాటున చాలా చదునైన ప్రదేశంలో సంచరిస్తే ప్రయాణం చాలా పొడవుగా ఉండవచ్చు. లేదా, ఫ్లాట్ ప్రాంతాల అంచుల వెంట దాదాపు నిలువు "వాలులు" ఉన్నట్లయితే, అల్గోరిథం, చాలా పెద్ద దశను ఎంచుకుని, ఒక వాలు నుండి మరొకదానికి దూకుతుంది, ఆచరణాత్మకంగా కనిష్టంగా కదలదు.
మెషీన్ లెర్నింగ్ సిస్టమ్ను రూపొందించేటప్పుడు ఈ సంక్లిష్ట సమస్యలన్నింటినీ పరిగణనలోకి తీసుకోవాలి. ఉదాహరణకు, ఎర్రర్ ఫంక్షన్ కాలక్రమేణా ఎలా మారుతుందో ఖచ్చితంగా ట్రాక్ చేయడం ఎల్లప్పుడూ ఉపయోగకరంగా ఉంటుంది - ఇది ప్రతి కొత్త చక్రం లేదా మార్క్ సమయంతో పడిపోతుందా, దశ పరిమాణంలో మార్పుపై ఆధారపడి ఈ పతనం యొక్క స్వభావం ఎలా మారుతుంది. చెడ్డ స్థానిక కనిష్టానికి పడకుండా ఉండటానికి, ల్యాండ్స్కేప్ యొక్క యాదృచ్ఛికంగా ఎంచుకున్న విభిన్న పాయింట్ల నుండి ప్రారంభించడం ఉపయోగకరంగా ఉంటుంది - అప్పుడు చిక్కుకుపోయే అవకాశం చాలా తక్కువగా ఉంటుంది. గ్రేడియంట్ డీసెంట్ని ఉపయోగించడంలో ఇంకా చాలా పెద్ద మరియు చిన్న రహస్యాలు ఉన్నాయి మరియు గ్రేడియంట్ డీసెంట్తో సమానమైన నేర్చుకునే మరింత అన్యదేశ మార్గాలు కూడా ఉన్నాయి. అయితే, ఇది మరొక సంభాషణకు సంబంధించిన అంశం మరియు AI ప్రాజెక్ట్ యొక్క ABC ఫ్రేమ్వర్క్లోని ప్రత్యేక కథనం.
అలెగ్జాండర్ ఎర్షోవ్ చేత తయారు చేయబడింది
FIVTలో అసాధారణమైన విషయం - ఒక వినూత్న వర్క్షాప్ను ప్రారంభించిన క్షణం నుండి దాదాపు ఒక సంవత్సరం గడిచిపోయింది. అనుభవజ్ఞులైన సలహాదారుల మార్గదర్శకత్వంలో విద్యార్థి బృందాలు ఐటి స్టార్టప్లను సృష్టించడం దీని సారాంశం. ఇది బాగా మారింది: కోర్సుకు కృతజ్ఞతలు, ఎవరైనా వేసవిలో కొంత భాగాన్ని క్రీమ్ వ్యాలీలో గడిపారు, ప్రాజెక్ట్ అభివృద్ధి కోసం ఎవరైనా 800,000 రూబిళ్లు మంజూరు చేశారు మరియు ABBYY ఒకరి నుండి ప్రాజెక్ట్ను పూర్తిగా కొనుగోలు చేయడానికి సిద్ధంగా ఉన్నారు. మరియు ఇది వర్క్షాప్ యొక్క అన్ని ఫలితాలు కాదు!
2011 ప్రారంభంలో, FIVT యొక్క మూడవ-సంవత్సరం విద్యార్థులు అసెంబ్లీ హాల్లో గుమిగూడారు మరియు ఇలా అన్నారు: వచ్చే ఏడాదిలో మీరు మీ స్వంత స్టార్టప్ని సృష్టించాలి. విద్యార్థులు ఈ ఆలోచనను అస్పష్టంగా అంగీకరించలేదు: దీన్ని ఎలా చేయాలో స్పష్టంగా లేదు, మరియు బాధ్యత అసాధారణమైనది - అన్నింటికంటే, సాంకేతిక వ్యాపారాన్ని సృష్టించడం అవసరం, మరియు మరొక విద్యా ప్రాజెక్ట్ మాత్రమే కాదు. భౌతిక శాస్త్రంలో MIPT విద్యార్థి ఒలింపియాడ్ విజేత, యాండెస్కా డిపార్ట్మెంట్ విద్యార్థి విక్టర్ కాంటర్ దీని గురించి ఏమనుకుంటున్నారో ఇక్కడ ఉంది:
నేను అడ్మిషన్పై FIVTని ఎంచుకున్నప్పుడు, మనకు అలాంటిదే ఉంటుందని నేను ఆశించాను. కాబట్టి నా ఆశలు ఫలించలేదని నేను సంతోషిస్తున్నాను. సంవత్సరంలో, కోర్సు ఇంకా రూపొందుతోందని భావించారు, అందులో చాలా కొత్తది, అనేక సమస్యలు విద్యార్థులకు మాత్రమే కాకుండా, నిర్వాహకులకు కూడా వివాదాస్పదంగా మారాయి, కానీ సాధారణంగా, పోకడలు సానుకూలంగా ఉన్నాయని నేను భావిస్తున్నాను. నాకు ఈ కోర్సు నచ్చింది.
విద్యార్థుల పనిని సులభతరం చేయడానికి, వినూత్న వ్యాపారాలను నిర్మించడానికి వారి ఆలోచనలను అందించడానికి వివిధ క్యూరేటర్లను ఆహ్వానించారు. వారిలో పూర్తిగా భిన్నమైన వ్యక్తులు ఉన్నారు: MIPT యొక్క అండర్ గ్రాడ్యుయేట్ మరియు గ్రాడ్యుయేట్ విద్యార్థుల నుండి ఎర్నెస్ట్ & యంగ్ ఇన్నోవేషన్ అడ్వైజర్ యూరి పావ్లోవిచ్ అమ్మోసోవ్ (అతను మొత్తం కోర్సుకు నాయకుడు) మరియు పునరుత్పత్తి ఔషధం మరియు జీవిత పొడిగింపు సమస్యలతో వ్యవహరించే మిఖాయిల్ బాటిన్ వరకు. తత్ఫలితంగా, భౌతిక మరియు సాంకేతిక విద్యార్థులు తమకు అత్యంత ఆసక్తికరమైన ఆలోచనలను ఎంచుకున్నారు, క్యూరేటర్లు జట్లలో చేరారు మరియు కష్టతరమైన కానీ ఉత్తేజకరమైన పని ప్రారంభమైంది.
అప్పటి నుండి గడిచిన దాదాపు ఒక సంవత్సరంలో, అబ్బాయిలు చాలా సమస్యలను ఎదుర్కొన్నారు, వాటిలో కొన్ని పరిష్కరించబడ్డాయి. ఇప్పుడు మేము వారి ఫలితాలను అంచనా వేయవచ్చు - ఇబ్బందులు ఉన్నప్పటికీ, అబ్బాయిలు ఎదుర్కొన్నారు. MIPT విద్యార్థులు (ఫాకల్టీ ఆఫ్ ఫిలాసఫీతో పాటు, ఫిలాలజీ ఫ్యాకల్టీ మరియు ఇతర ఫ్యాకల్టీల నుండి కొంతమంది విద్యార్థులు ఈ ప్రక్రియలో చేరారు) చాలా ఆసక్తికరమైన మరియు ఆచరణీయమైన ప్రాజెక్ట్లను సిద్ధం చేయగలిగారు:
Askeroid (గతంలో Ask Droid) – స్మార్ట్ఫోన్ల కోసం శోధించండి ( అనస్తాసియా ఉర్యాషేవా)
పెద్ద సంఖ్యలో శోధన ఇంజిన్లలో సౌకర్యవంతంగా శోధించడానికి మిమ్మల్ని అనుమతించే Android అప్లికేషన్. కొంతమంది నిపుణులు అభివృద్ధిపై ఆసక్తిని కనబరిచారు మరియు ఫలితంగా, అనస్తాసియా గత వేసవి మొత్తాన్ని సిలికాన్ వ్యాలీలోని అత్యంత ప్రసిద్ధ ఇంక్యుబేటర్లలో ఒకటి - ప్లగ్ & ప్లేలో గడిపింది. సాంకేతికత వ్యవస్థాపకత యొక్క ప్రాథమికాలను నేర్చుకోవడం మరియు అంతర్జాతీయ వెంచర్ నిపుణులతో మాట్లాడటం.
1minute.ru - మంచి కోసం ఒక నిమిషం (లెవ్ గ్రునిన్)
ఈ ప్రాజెక్ట్ ఎవరికైనా స్వచ్ఛంద సేవా కార్యక్రమాలను సులభంగా, త్వరగా మరియు పూర్తిగా ఉచితంగా చేసే అవకాశాన్ని ఇస్తుంది. మోడల్ సులభం: ప్రకటనదారులు సైట్లో నిర్దిష్ట కార్యకలాపాలను అందిస్తారు, వినియోగదారులు స్వచ్ఛందంగా వాటిలో పాల్గొంటారు మరియు ప్రకటనల నుండి వచ్చే మొత్తం డబ్బు స్వచ్ఛంద సంస్థకు బదిలీ చేయబడుతుంది. ప్రారంభించిన వారంలోపే, ప్రాజెక్ట్ 6,500 కంటే ఎక్కువ మంది వినియోగదారులను సేకరించింది మరియు అక్కడ ఆగదు. ఫలితంగా, లెవ్ మరియు అతని బృందానికి ధన్యవాదాలు, అనాథాశ్రమాల నుండి 600 మంది పిల్లలు నూతన సంవత్సరానికి శాంతా క్లాజ్ నుండి ప్రతిష్టాత్మకమైన బహుమతులు అందుకుంటారు. మీరు ఇప్పటికే ఒక మంచి పని కోసం ఒక నిమిషం గడిపారా?!
ఎంబెడెడ్ డెస్క్టాప్ - మీ ఫోన్లోని కంప్యూటర్ (అలెక్సీ వుకోలోవ్)
కంప్యూటర్ యొక్క సామర్థ్యాలను మరియు ఫోన్ మొబిలిటీని ఒకే ప్యాకేజీలో కలపడానికి మిమ్మల్ని అనుమతించే అప్లికేషన్ - తరచుగా వ్యాపార పర్యటనలలో ప్రయాణించే బిజీగా ఉన్న వ్యక్తుల కోసం చాలా ఉపయోగకరమైన ఉత్పత్తి. దీన్ని స్మార్ట్ఫోన్లో ఇన్స్టాల్ చేస్తే సరిపోతుంది మరియు వినియోగదారు తన స్వంత కంప్యూటర్ను ఏదైనా హోటల్, ఆఫీసులో మరియు వాస్తవానికి ఎక్కడైనా అతను మానిటర్ను కనుగొనగలిగే చోట (టీవీ కూడా అనుకూలంగా ఉంటుంది), కీబోర్డ్ మరియు ఒక మౌస్. ఈ ప్రాజెక్ట్ ఆలోచన అభివృద్ధి కోసం గ్రాంట్ను పొందింది మరియు టెక్నోవేషన్ కప్ ఎగ్జిబిషన్లో ప్రదర్శించబడింది మరియు అందుకున్న డబ్బుతో, బృందం ఇప్పటికే పరికరాలను చురుకుగా కొనుగోలు చేస్తోంది. అమెరికన్ ప్రాసెసర్ తయారీదారు MIPS అభివృద్ధిపై చాలా ఆసక్తిని కలిగి ఉంది.
స్మార్ట్ టాగర్ – పత్రాల ద్వారా అర్థ శోధన (విక్టర్ కాంటర్)
బిగ్ బ్యాంగ్ థియరీ యొక్క తాజా ఎపిసోడ్ గురించి మాట్లాడే చాలా ముఖ్యమైన లేఖ మీ మెయిల్బాక్స్లో ఎక్కడో ఉందని మీరు గుర్తుంచుకుంటే మీరు ఏమి చేయాలి, కానీ మీకు టెక్స్ట్లోని కీలక పదాలు ఏవీ గుర్తురాలేదా? Yandex మరియు Google శోధన శక్తిలేనివి. స్మార్ట్ టాగర్ అభివృద్ధి రెస్క్యూకి వస్తుంది - సెమాంటిక్ శోధనను ఉపయోగించే “స్మార్ట్” ప్రోగ్రామ్ మీకు ప్రసిద్ధ టీవీ సిరీస్తో ముడిపడి ఉన్న అన్ని పాఠాలను అందిస్తుంది. U.M.N.I.K. పోటీలో ప్రాజెక్ట్ గ్రాంట్ను గెలుచుకుంది. మొత్తం 400,000 రూబిళ్లు!
MathOcr – ఫార్ములా రికగ్నిషన్ (విక్టర్ ప్రన్)
ABBYY అమలు కోసం ఒక ఆసక్తికరమైన పనిని ప్రతిపాదించారు - ఏదైనా సంక్లిష్టత యొక్క గణిత సూత్రాలను గుర్తించే ప్రోగ్రామ్ను రూపొందించడానికి. FIVT విద్యార్థులు, ఆసక్తిగల విద్యార్థులతో సహకరించి, పనిని పూర్తి చేసారు - మాడ్యూల్ వాస్తవానికి గణితం లేదా భౌతిక శాస్త్రంపై పాఠ్యపుస్తకాల నుండి స్కాన్ చేసిన సూత్రాలను గుర్తిస్తుంది. ఫలితం: ABBYY చాలా డబ్బుతో ఈ ఉత్పత్తిని కొనుగోలు చేయడానికి సిద్ధంగా ఉన్నారు.