Шамиль Мамедов
Ранее мы рассказывали, как создаем наши посты:
- над материалами работает целая команда инженеров и ресерчеров
- мы ревьюим посты друг друга
- а в конце редактор правит текст, чтобы его было легче читать
Также мы познакомили вас с частью нашей команды: Ксюша, Саша, Марк и Илья.
А в этот раз о себе расскажет Шамиль:
"Я делал магистерскую по Automation and Control Engineering. Control Engineering — это что-то типа Reinforcement Learning, но работает 😅
Кроме шуток, так я познакомился с робототехникой и захотел заниматься исследованиями в данной области. В России это можно делать в Университете Иннополис. Там я и занимался ресерчем, а еще вел занятия по робототехнике для студентов. Мы работали с шагающими роботами и роборуками.
Мои друзья в Иннополисе занимались DL и CV, и я тоже начал интересоваться этой движухой.
После трех лет работы в университете я выбирал между PhD и началом новой карьеры в ML. В итоге выбрал PhD. Cначала получил несколько отказов, а потом пришел хороший оффер из Бельгии. Я решил поехать посмотреть, как там пытаются двигать робототехнику вперед. Параллельно с PhD я решил углубить свои знания по ML, взял курсы на Coursera по ML и DL от Andrew Ng и прошел ML от Тинькофф. После этого решил внедрять больше ML в свою работу.
Моя научная работа связана с обучением роботов манипулировать деформируемыми объектами (например, складывать рубашку или сгибать кабель в нужную форму). Методы, с помощью которых я пытаюсь решить эту задачу, схожи с model-based RL. Для моделирования деформируемых объектов я использую комбинацию машинного обучения и механики. Применение только машинного обучения требует много данных, а собирать реальные данные очень затратно. Комбинация ML и физики делает модели более sample efficient, так как законы физики служат в качестве inductive bias. Еще одно требование к моделям — время инференса, ведь мы хотим очень быстрые модели для их использования внутри оптимизаторов.
Почти все статьи, которые я написал в DeepSchool, так или иначе связаны с моим исследованием.
В свободное время я занимаюсь спортом (недавно решил пробежать марафон и уже пару месяцев готовлюсь к нему), готовлю и иногда путешествую по Европе."
У Шамиля есть свой блог: там можно больше узнать о Шамиле и посмотреть его публикации 🔥
В комментариях можно пообщаться с Шамилем и задать интересующие вопросы 🙂
Посты, над которыми Шамиль работал в нашем канале:
- Нейронные дифференциальные уравнения
- Базовые методы аугментации временных рядов
- Как решать графовые задачи с помощью нейросетей
- Гессиан
- Иммитационное обучение
- Обучение скрытых динамических моделей по частичным наблюдениям
Ранее мы рассказывали, как создаем наши посты:
- над материалами работает целая команда инженеров и ресерчеров
- мы ревьюим посты друг друга
- а в конце редактор правит текст, чтобы его было легче читать
Также мы познакомили вас с частью нашей команды: Ксюша, Саша, Марк и Илья.
А в этот раз о себе расскажет Шамиль:
"Я делал магистерскую по Automation and Control Engineering. Control Engineering — это что-то типа Reinforcement Learning, но работает 😅
Кроме шуток, так я познакомился с робототехникой и захотел заниматься исследованиями в данной области. В России это можно делать в Университете Иннополис. Там я и занимался ресерчем, а еще вел занятия по робототехнике для студентов. Мы работали с шагающими роботами и роборуками.
Мои друзья в Иннополисе занимались DL и CV, и я тоже начал интересоваться этой движухой.
После трех лет работы в университете я выбирал между PhD и началом новой карьеры в ML. В итоге выбрал PhD. Cначала получил несколько отказов, а потом пришел хороший оффер из Бельгии. Я решил поехать посмотреть, как там пытаются двигать робототехнику вперед. Параллельно с PhD я решил углубить свои знания по ML, взял курсы на Coursera по ML и DL от Andrew Ng и прошел ML от Тинькофф. После этого решил внедрять больше ML в свою работу.
Моя научная работа связана с обучением роботов манипулировать деформируемыми объектами (например, складывать рубашку или сгибать кабель в нужную форму). Методы, с помощью которых я пытаюсь решить эту задачу, схожи с model-based RL. Для моделирования деформируемых объектов я использую комбинацию машинного обучения и механики. Применение только машинного обучения требует много данных, а собирать реальные данные очень затратно. Комбинация ML и физики делает модели более sample efficient, так как законы физики служат в качестве inductive bias. Еще одно требование к моделям — время инференса, ведь мы хотим очень быстрые модели для их использования внутри оптимизаторов.
Почти все статьи, которые я написал в DeepSchool, так или иначе связаны с моим исследованием.
В свободное время я занимаюсь спортом (недавно решил пробежать марафон и уже пару месяцев готовлюсь к нему), готовлю и иногда путешествую по Европе."
У Шамиля есть свой блог: там можно больше узнать о Шамиле и посмотреть его публикации 🔥
В комментариях можно пообщаться с Шамилем и задать интересующие вопросы 🙂
Посты, над которыми Шамиль работал в нашем канале:
- Нейронные дифференциальные уравнения
- Базовые методы аугментации временных рядов
- Как решать графовые задачи с помощью нейросетей
- Гессиан
- Иммитационное обучение
- Обучение скрытых динамических моделей по частичным наблюдениям