Закончил проходить курс Scalability & System Design for Developers. Курс мне не понравился, модули почти ничему не учат - просто легкое чтиво, отсутствует цельность и больше похоже на оглавление попурри с технологиям, где глава - это первая страница открытого мануала пот этой технологии. Надо заметить что первый и четвертый модуль выбиваются и заметно лучше остальных. Этим они напомнили мне следующую кулстори
Однажды мне довелось быть техническим ревьюером книги по Reinforcement Learning. В этой книги было где то 12 глав. Первые 8 были вполне ничего, рассматривались базовые вещи, приводился сносный код, в седьмой главе даже была программка написана, в которой можно нарисовать трассу для машинки и она учится по ней ездить - приятно и со вкусом
С 9 главы начался какой трэш. Вместо чистого кода на торче, пошла мешанина кода на керасе и тензорфлоу, главы стали похожи на перепечатку мануала, а код девятой части, где было показано как с помощью Reinforcement Learning оптимизировать кондиционирование в дата центрах, приводил к взрыву и плавлению этого датацентра, поэтому там просто стояла заглушка - сбрасывать температуру в ноль
Чуть ниже мой отзыв
Hi Guys
I have a piece of bad news about chapter 9
1) It Looks like it has been written by another person (witch comparison to chapter 8)
a) Switched from PyTorch to Keras
b) use another set of activation functions
c) epsilon strategy instead of probabilistic sampling
d) code style and redundant code
2) Code does not work as it should be
a) During the review, I asked myself why there is no penalty for AI for being out of the optimal range. If a reward is only for spending less energy than the basic system, the best strategy is to do nothing. I checked the provided solution, and the only action AI picked was action two, which means nothing. Instead of maintaining the temperature in the range 18 - 24, it sometimes fluctuates over 80, sometimes below -20 C., See the screenshots. To be clear - the only action AI plays during the test is - 2, do nothing.
b) Metrics calculated in the wrong way. Line 90 - 98 in the environment.py just set the temperature back to optimal in no time if it gets to the extremal range - but it is impossible. And this is the only energy AI spent - which means the server is crushed ( I calculated, according to simulation it crashed 5289 times during last year)
I have attached the reviewed chapter
После чего я зашел на Гит чтобы проверить кто комитил, как оказалось, первые главы писал француз практик, а последние индус студент
Отсюда разный слог, разный код и разный уровень
#CoolStory
Однажды мне довелось быть техническим ревьюером книги по Reinforcement Learning. В этой книги было где то 12 глав. Первые 8 были вполне ничего, рассматривались базовые вещи, приводился сносный код, в седьмой главе даже была программка написана, в которой можно нарисовать трассу для машинки и она учится по ней ездить - приятно и со вкусом
С 9 главы начался какой трэш. Вместо чистого кода на торче, пошла мешанина кода на керасе и тензорфлоу, главы стали похожи на перепечатку мануала, а код девятой части, где было показано как с помощью Reinforcement Learning оптимизировать кондиционирование в дата центрах, приводил к взрыву и плавлению этого датацентра, поэтому там просто стояла заглушка - сбрасывать температуру в ноль
Чуть ниже мой отзыв
Hi Guys
I have a piece of bad news about chapter 9
1) It Looks like it has been written by another person (witch comparison to chapter 8)
a) Switched from PyTorch to Keras
b) use another set of activation functions
c) epsilon strategy instead of probabilistic sampling
d) code style and redundant code
2) Code does not work as it should be
a) During the review, I asked myself why there is no penalty for AI for being out of the optimal range. If a reward is only for spending less energy than the basic system, the best strategy is to do nothing. I checked the provided solution, and the only action AI picked was action two, which means nothing. Instead of maintaining the temperature in the range 18 - 24, it sometimes fluctuates over 80, sometimes below -20 C., See the screenshots. To be clear - the only action AI plays during the test is - 2, do nothing.
b) Metrics calculated in the wrong way. Line 90 - 98 in the environment.py just set the temperature back to optimal in no time if it gets to the extremal range - but it is impossible. And this is the only energy AI spent - which means the server is crushed ( I calculated, according to simulation it crashed 5289 times during last year)
I have attached the reviewed chapter
После чего я зашел на Гит чтобы проверить кто комитил, как оказалось, первые главы писал француз практик, а последние индус студент
Отсюда разный слог, разный код и разный уровень
#CoolStory