Да, cloud — это дорого. Имеет смысл только если сделать нужно что-то очень быстро (например, если нужно резко что-то натренировать на
По поводу бюджетов: конечно, что-то сносное для большинства задач можно учить на машине с одной 1080, которая обойдется в максимум 1к со всем обвесом. Но, для полноценной разработки уже неплохо бы иметь хотя бы 2, а то и 4 1080ti карты, каждая из которых обойдется уже в
СвоЇ потужності виходять набагато більше дешевшими, але за умови постійного їх використання. Дуже непогану машину для deep learning можна зібрати за
З мінусів свого власного заліза можна назвати ненульовий maintenance cost, в який входять як мінімум ваш (або когось іншого) час на збірку, встановлення/оновлення софту і так далі.
ML, DS, обработка сигналов, моделирование, разработка физических движков — все околоайтишное и везде нужна математика в той или иной степени, где-то хватит школьной программы, а где-то нужно быть способным читать свежие научные статьи по теме, а там может быть все что угодно: от простого линала до хардкорного теорвера и функана.
Для обычной разработки в 95% случаев хватит школьной программы.
Никто не любит слушать про неудачи :)
Надо понимать, что между kaggle и реальными задачами разрыв тоже не особо маленький :)
lambda1 / (lambda1 + lambda2), вроде легко считается же
В целом, неплохо, но я бы поработал над:
1. Осмысленностью коммитов (об этом уже написали, но все же): делать коммиты меньше, каждый коммит должен фиксировать одно изменение (максимум — несколько небольших, но связанных между собой), которое можно понять и просмотреть за пару минут.
2. Описанием проекта/комментариями. Если уж выкладываешь проект на github, позаботься о том, чтобы людям не нужно было судорожно тыкать в файлики с исходниками с целью понять, о чем проект. Сделай нормальный README.md: о чем проект, какие нужны зависимости, какая версия компилятора, etc. Если у проекта есть какой-то минимальный GUI (пусть и консольный), вставь в README.md пару скриншотов.
3. Понятной процедурой сборки проекта: напиши Makefile, опиши процесс сборки в README.md.
4. Структурой проекта: распихай сорс файлы по папкам, в идеале на верхнем уровне вообще не должно быть исходников.
Можно, конечно. Многие даже без знания языков неплохие деньги зарабатывают.
Намного сильнее зависит не от направления, а от конкретной кафедры или даже учебной группы. Подавляющее большинство универов в Украине — дно. Но есть крохотный процент мест (опять же, не направлений, а вполне конкретных кафедр или факультетов), куда стекаются лучшие умы (без сарказма) со всей страны. Вот если туда попасть, то реально из универа можно получить очень много (как минимум много ценных контактов).
А если попадаете на какой-то загнивший факультет с устаревшей программой (это не обязательно должнен быть какой-то вуз в провинции, это вполне может быть какой-нибудь КПИ или КНУ), то там хоть комп науки, хоть греческая философия — один фиг.
Какая разница? Вы ведь написали
Интересует именно точка зрения как на этом заработать.
Можно открыть курсы по обучению этому языку. Успех гарантирован.
Тот факт, что система в чем-то уверена, вовсе не означает, что она действительно правильно что-то распознала. Гуглите «adversarial examples».
Никакие факультеты не ориентированы. На многих факультетах есть курсы, в которых изучаются обрывки необходимых технологий, однако нигде нет полноценного продуманного курса, который бы позволял стать крутым специалистом. Да, сейчас вроде как на некоторых факультетах пытаются делать какие-то программы по Data Science/Machine learning, однако я слабо верю в успех этих начинаний. Факт таков, что учить львиную долю вещей придется самому. Особенно это касается новых подходов и технологий.
Тем не менее, я бы посоветовал пойти и получить хорошую фундаментальную базу по математике и/или физике. Это то, что необходимо будет так или иначе, и лучше это изучить в 18 лет, пока мозг хорошо готов воспринимать новые идеи и плодить собственные, чем делать это в 30, когда мозг уже куда менее пластичен. Это можно сделать, например, на ФТИ, ФПМ или ИПСА (где лучше — не знаю, решайте сами, сам заканчивал прикладную физику ФТИ). На базе полученных знаний (если вы действительно поствятите этому достаточное количество времени и усилий) изучить machine learning не будет представлять особого труда, все трендовые технологии на сегодняшний день очень высокоуровневые, и понимание математики чаще куда важнее знания любых языков программирования или структур данных.
Коротко: нигде
Смысла в этом не очень много: хорошего research в Украине почти нет, людей, которые публикуются на NeurIPS/CVPR/ICML/etc. можно пересчитать по пальцам. Последние пару лет неплохой движ в УКУ, но там пока только магистратура, насколько я знаю.
Если это нужно чисто для корочки, то все равно без нормальных публикаций грош цена этой аспирантуре, и лучше время потратить на что-то более осмысленное.
Если хочется заниматься именно ML research в Украине, то это лучше делать не в аспирантуре, а в компаниях: в том или ином виде это есть в Ring, Grammarly, Snap и ещё в нескольких местах. Есть несколько стартапов, которые тоже делают интересные штуки на основе ML/DL (Спойлер: работаю в одном из них) Но надо быть готовым, что хотя позиции и будут называться «research engineer», но среди ваших kpi скорее всего на одном из первых мест будет стоять прямой коммерческий выхлоп, то есть это и близко не будет чистой наукой, как в академии, но местами может быть весьма похоже.
Если все же хочется именно аспирантуру — тут только уезжать, в Европе достаточно много хороших универов, но надо быть готовым к довольно сильной конкуренции, так как тема довольно горячая.