पहला शैक्षणिक वर्ष डाटा माइनिंग ट्रैक कैसा था

5 अक्टूबर को, डाटा माइनिंग लैब्स ने एक नया प्रशिक्षण सेमेस्टर लॉन्च किया। यह क्या है, वहां कैसे जाना है और छात्रों को क्या अवसर मिलते हैं - बिल्ली के नीचे स्वागत है।

हमारे कार्यक्रम को शुरू करने का विचार एक पूर्ण विकसित पाठ्यक्रम बनाने की इच्छा से उत्पन्न हुआ, जो एक ओर, यह समझने के लिए कि डेटा खनन विधियों का उपयोग कैसे और क्या करने के लिए किया जाता है, और दूसरे पर - उन्हें अभ्यास में कैसे लाया जाए। फरवरी 2013 में, हमने ऐसी परियोजना का एक पायलट संस्करण लॉन्च किया, जिसे हमने गेमचेंजर्स प्रोग्राम (सेंट पीटर्सबर्ग) पर आधारित डेटा माइनिंग ट्रैक कहा। कार्यक्रम में भाग लेने के लिए, हम सेंट पीटर्सबर्ग में बड़ी कंपनियों (आईबीएम, ईएमसी, सीमेंस, यांडेक्स, आदि) के विशेषज्ञों और विश्वविद्यालयों के प्रतिनिधियों को आकर्षित करने में कामयाब रहे।

नतीजतन, हमारे पास 19 विशेषज्ञ थे, जिसमें संयुक्त राज्य अमेरिका (माइक्रोसॉफ्ट, डेनवर) और जर्मनी (तकनीकी विश्वविद्यालय के फोर्टिस रोबोटिक्स संस्थान) शामिल थे।

पाठ्यक्रम विभिन्न उद्योगों (व्याख्यान, गोल मेज और होमवर्क), गहन टीम वर्क, व्यक्तिगत quests और परियोजनाओं के विशेषज्ञों के साथ कक्षाओं पर आधारित था।



कंपनी के प्रतिनिधियों ने बिग डेटा पर आधारित डेटा विश्लेषण और निर्माण समाधान में अपने अनुभव के बारे में बात की। उदाहरण के लिए, सीमेंस के विशेषज्ञों ने बांधों और बिजली नेटवर्क की सुरक्षा बनाए रखने के लिए सिग्नल एनालिसिस पर एक क्लास आयोजित की, सर्च टेक्नॉलॉजीज पर यैंडेक्स, एल्गोरिदम स्कोरिंग पर योटा बैंक, पैटर्न रिकॉग्निशन पर एचपी लैब्स आदि।



Quests के रूप में, लोगों ने हेबर के लिए उन कार्यों पर भी लेख तैयार किया, जो वे अपने होमवर्क के हिस्से के रूप में कर रहे थे: स्कोरिंग डेटा को प्रीप्रोसेस करना और पायथन और स्किटिट का उपयोग करके हस्तलिखित चित्रों को पहचानने की समस्या को हल करना ।

टीम के काम के चरण में, हमने लोगों को 2 समूहों में विभाजित किया और परियोजना के प्रत्येक विषय और संदर्भ की शर्तों को एक महीने की अवधि के लिए दिया। हमने एक ऐसे प्रतिभावान ग्राहक के साथ काम करने की स्थिति का अनुकरण किया जो बहुत ही टेढ़े-मेढ़े काम करता था और समय-समय पर संपर्क में नहीं रहता था। Netrika और Yandex से अनुभवी टेक लीड्स ने छात्रों को इस तरह के तनावपूर्ण कार्य से निपटने में मदद की।

परिणामस्वरूप, छात्रों ने 2 टीम प्रोजेक्ट पूरे किए:
1. प्रमुख लोगों की पहचान करने के लिए कंपनी का विश्लेषण जो एक टीम या लोगों के समूह को "लाने" में सक्षम हैं। परियोजना सामाजिक उपयोगकर्ता प्रोफाइल के विश्लेषण पर आधारित थी। मेरा सर्किल नेटवर्क।
2. ट्विटर पर विशिष्ट लोगों के वास्तविक खातों को पहचानने के लिए एक प्रणाली का विकास।



स्नातक प्रशिक्षण का अंतिम भाग था। सबसे पहले, छात्रों ने विशेषज्ञों को अपने शोध विषय प्रस्तुत किए, जो कार्य की पर्याप्तता और प्रासंगिकता पर प्रतिक्रिया प्रदान करते हैं। उसके बाद, कुछ विशेषज्ञों ने संरक्षक बनने और हमारे छात्र के अंतिम कार्य की तैयारी की देखरेख की। दिलचस्प शोध विषयों में, VKontakte पर उपयोगकर्ता के व्यवहार के पूर्वानुमान पैटर्न (हम इस परियोजना के बारे में एक अलग लेख लिखेंगे) और उद्यमों के दिवालियापन की भविष्यवाणी के लिए एक मॉडल के निर्माण पर विशेष ध्यान दिया जाता है।



कई मायनों में, यह वर्ष प्रायोगिक था (हमने छात्रों का मज़ाक उड़ाया और उन्होंने जितना हम कर सकते थे) किया, लेकिन इससे हमें संपूर्ण प्रशिक्षण प्रणाली को एक पूरे के रूप में संशोधित करने में मदद मिली: अब हमने बिग डेटा, मशीन लर्निंग, आर पर अलग-अलग पाठ्यक्रम आवंटित किए हैं; हम सरलीकरण का परीक्षण करना चाहते हैं (हम इस बारे में एक अलग लेख भी तैयार कर सकते हैं); कक्षा आदि में रोल मॉडल को संशोधित किया।

अब हम पहले से ही स्वतंत्र डाटा माइनिंग लैब्स प्रोग्राम के हिस्से के रूप में नए शैक्षणिक वर्ष के लिए सक्रिय रूप से भर्ती कर रहे हैं।
यदि हमारे शैक्षिक कार्यक्रम का विषय हैब्र समुदाय के लिए दिलचस्प है, तो हमें अध्ययन के पिछले वर्ष का विवरण बताने और वर्तमान पाठ्यक्रम के बारे में समाचार साझा करने में खुशी होगी।
किसी भी उपक्रम के लेखक के रूप में, हम कार्यक्रम पर टिप्पणियों और अधिक अनुभवी सहयोगियों की सलाह सुनना चाहते हैं। इच्छाओं और रचनात्मक आलोचना का स्वागत और स्वागत है!