Карьера вместо карьера. Часть 3: преподавание и начало работы в компаниях.
И вот я в магистратуре. И мне есть, что защищать по чистой математике, но уже очень хочется делать что-то прикладное, полезное уже сейчас, а не через 10, 20 или 50 лет. Поэтому я буквально за семестр до защиты магистерского диплома, имея фактически готовую работу по случайным дистанционным графам, полностью переключился на ML.
Как так вообще произошло? Еще на третьем курсе у нас был предмет«Инновационный практикум» . Его суть — запустить свой стартап без отрыва от учёбы. Звучит, конечно, очень амбициозно. По правде говоря, большинство проектов не выживали после курса, потому что в серьёзный проект нужно действительно серьёзно вкладываться. Хотя были и успешные примеры, которые потом существовали долгое время, поднимали инвестиции и продолжали развиваться.
В случае моего проекта всё было не только полезным опытом, но и относительно удачным: мы просуществовали еще несколько лет после сдачи курса. Правда, моя роль больше сводилась не к созданию моделей, а к поднятию инвестиций — оказалось, что я очень неплохо выступал.
Параллельно я пытался решать алгоритмические задачи, которые были в проекте. И когда спустя два года мучений (как раз в начале магистратуры) я наконец начал прогрессировать, то окончательно решил углубляться в область ML.
Решающим поворотом стало появление ML как предмета в ВУЗе. Я настолько успешно изучил его и сдал, что меня позвали вести семинары в следующем семестре. Я стал преподавать общекурсовой предмет на Физтехе и параллельно вел спецкурс по машинному обучению для всех желающих. Сначала спецкурс был ассистированием нашему заведующему кафедрой, но постепенно начал вести целиком я, и курс стал всем известным DMIA (Data Mining in Action). DMIA заслуживает отдельных постов, и они точно будут.
Все это привело к тому, что ML в моей жизни стало очень много, и мне захотелось заниматься им профессионально. В какой-то момент я начал заниматься ML на работе в компании ABBYY, потом пришёл в Яндекс, где с этим было связано ещё большее количество задач в Yandex Data Factory — подразделении, строившем модели на заказ для других компаний. Но о работе в крупных компаниях — в следующий раз :)
#мойпуть
Kantor.AI
И вот я в магистратуре. И мне есть, что защищать по чистой математике, но уже очень хочется делать что-то прикладное, полезное уже сейчас, а не через 10, 20 или 50 лет. Поэтому я буквально за семестр до защиты магистерского диплома, имея фактически готовую работу по случайным дистанционным графам, полностью переключился на ML.
Как так вообще произошло? Еще на третьем курсе у нас был предмет
В случае моего проекта всё было не только полезным опытом, но и относительно удачным: мы просуществовали еще несколько лет после сдачи курса. Правда, моя роль больше сводилась не к созданию моделей, а к поднятию инвестиций — оказалось, что я очень неплохо выступал.
Параллельно я пытался решать алгоритмические задачи, которые были в проекте. И когда спустя два года мучений (как раз в начале магистратуры) я наконец начал прогрессировать, то окончательно решил углубляться в область ML.
Решающим поворотом стало появление ML как предмета в ВУЗе. Я настолько успешно изучил его и сдал, что меня позвали вести семинары в следующем семестре. Я стал преподавать общекурсовой предмет на Физтехе и параллельно вел спецкурс по машинному обучению для всех желающих. Сначала спецкурс был ассистированием нашему заведующему кафедрой, но постепенно начал вести целиком я, и курс стал всем известным DMIA (Data Mining in Action). DMIA заслуживает отдельных постов, и они точно будут.
Все это привело к тому, что ML в моей жизни стало очень много, и мне захотелось заниматься им профессионально. В какой-то момент я начал заниматься ML на работе в компании ABBYY, потом пришёл в Яндекс, где с этим было связано ещё большее количество задач в Yandex Data Factory — подразделении, строившем модели на заказ для других компаний. Но о работе в крупных компаниях — в следующий раз :)
#мойпуть
Kantor.AI