Openbravo-rus.ru

Образование по русски
4 просмотров
Рейтинг статьи
1 звезда2 звезды3 звезды4 звезды5 звезд
Загрузка...

Шад яндекс машинное обучение

Онлайн-курсы

Если вы только начинаете знакомиться с анализом данных, то мы рекомендуем пройти бесплатный вводный курс в Яндекс.Практикуме. На курсе вы поймёте, что представляет собой анализ данных, какие процессы он в себя включает и чем занимается аналитик. Изучите азы важнейшего инструмента — языка программирования Python.

Даже если вы не учитесь в ШАДе, у вас всегда есть возможность пройти онлайн-курсы на платформе Coursera , созданные при поддержке преподавателей ШАДа.

В курсе разобраны основные типы задач, решаемых с помощью машинного обучения, таких как классификация, регрессия и кластеризация. Преподаватели рассказывают об основных методах и особенностях машинного обучения, учат оценивать качество модели и понимать, подходит ли она для решения конкретной задачи. У вас есть возможность познакомиться с современными библиотеками, в которых реализованы обсуждаемые модели и методы оценки их качества. В курсе используются данные из реальных задач.

Преподаватели показывают полный цикл анализа, от сбора данных до выбора оптимального решения и оценки его качества. На курсах учат пользоваться современными аналитическими инструментами и адаптировать их под особенности конкретных задач. Каждый курс включает теорию и практические задания разного уровня сложности. В финале у вас будет возможность заняться разработкой собственных проектов для решения любой актуальной бизнес-задачи. Результатом станет наглядная работающая модель, которую можно применять в работе или демонстрировать на собеседованиях.

Программа предназначена в первую очередь для тех, кто хочет работать с большими объёмами данных: хранить их и строить отказоустойчивые эффективные системы обработки. Однако эта специализация полезна и для интеллектуального анализа данных. Вы получите навыки использования современных платформ и инструментов, выполните четыре проекта и поймёте, как решать самые частые задачи, связанные с большими данными. Пройдя всю программу, вы научитесь обрабатывать данные разными способами, использовать на больших данных методы машинного обучения и внедрять эти методы в продукты.

Программа посвящена глубинному обучению, обучению с подкреплением, автоматической обработке текстов, компьютерному зрению и байесовским методам. Вы получите навыки решения практических задач от победителей соревнований по машинному обучению на платформе Kaggle и учёных, работающих с данными в ЦЕРНе. После окончания семи курсов вы сможете применять современные методы машинного обучения в ваших проектах, поймёте, как обращаться с реальными данными и как эффективнее использовать существующие инструменты.

Программа состоит из пяти курсов, каждый длится пять недель. Преподаватели делятся своим многолетним опытом создания больших проектов на языке C++. Они не пересказывают учебник, а учат решать задачи, с которыми на практике сталкивается большинство разработчиков. Лекции, подаваемые в лёгкой и доступной форме, подкрепляются большим количество задач по программированию. Закончив эту специализацию, вы не только сможете рассуждать о C++, сравнивая его с другими языками, но и получите реальный навык программирования.

Программа включает пять курсов и работу над проектом. Вы познакомитесь с алгоритмами и структурами данных, которые обычно используются для решения задач в компьютерных науках. Во время обучения нужно не только придумывать алгоритмы и оценивать их сложность, но и реализовывать их на выбранном языке программирования. В финале вы поработаете над одним из реальных проектов, предложенных преподавателями: можно будет заняться сборкой генома из миллионов коротких кусочков или научиться строить самый быстрый маршрут между Нью-Йорком и Лос-Анджелесом, анализируя дорожные сети.

Какое образование нужно, чтобы запустить стартап в области машинного обучения?

История Виталия Давыдова, выпускника Физтеха и Школы анализа данных, основателя и CEO компании Потеха Девелоперс, которая делает веб и мобильные сервисы с использованием машинного обучения.

Школа

Я учился в трех школах, никогда не был олимпиадником, да и, вообще, не знал о существовании олимпиад. Перейдя в свою последнюю школу в 10-м классе, я понял, что мой уровень подготовки по математике и физике был абсолютно нулевой. Мне повезло, в моем классе была фантастическая учительница по физике и учитель по математике, и одноклассник, с которым я подружился, учился в заочной физико-технической школе при МФТИ. Школа устроена так: периодически по почте (не электронной, а обычной) вам приходят задачи, вы их решаете и получаете (тоже по почте) проверенную работу. Друг учился там с 7-го класса и убедил поступить и меня. Это было совсем не скучно, мне понравилось решать нетривиальные задачи. Тогда мы задались целью поступить на Физтех. За 10-й класс я прокачался, в 11-м выиграл пару вузовских олимпиад и поступил.

Институт

Поначалу было страшно вылететь. Многие одногруппники прошли в школе значительную часть программы первого курса, для меня же всё было в новинку — мозг очень тяжело перестраивался. На втором курсе я пытался запустить свой первый проект — сервис для подготовки к ЕГЭ по русскому языку. Команда развалилась, но я всё же довел проект до релиза и даже заработал какие-то деньги, но в конечном счете его забросил. За этим последовала стажировка по iOS-программированию и еще одна попытка создать что-то свое. На этот раз это был сайт знакомств. Здесь снова ничего не получилось, но я хотел продолжать заниматься бизнесом. Мне нравилось делать свой продукт — брать на себя все риски и погружаться во все процессы.

В 2015 году я закончил бакалавриат Физтеха. После этого был выбор, куда идти. Я выбирал между РЭШ, ШАДом и Сколтехом, но после дня открытых дверей я понял — только ШАД. Магистратура МФТИ (ФИВТ, кафедра анализа данных) совмещена с ШАДом, то есть все занятия на кафедре заменялись Школой анализа данных, и от магистратуры остались только общие предметы.

Школа анализа данных

ШАД — это удивительное место. Когда я поступал, я думал, что буду учиться исключительно с сильными олимпиадниками. Оказалось, что там большое разнообразие людей, которые занимаются всем: от биологии до теоретической физики. Можно сказать, что ШАД — это лучшие студенты и люди с высшим образованием, которые понимают, на что идут, и совсем не раздолбаи (раздолбаи вылетают, не дойдя даже до второго семестра).

Там всегда была атмосфера соревнования, но совсем не токсичная, напротив, всегда можно было с кем-нибудь сходить на обед или погулять. В общем, было дружно и весело. Есть что-то, что объединяет всех студентов. Не знаю, как это объяснить, этот скрытый параметр, конечно, как-то связан со знаниями, но больше он связан со страстью к исследованиям, погружением в задачи, игрой, в каком-то смысле с риском.

Читать еще:  Программа powerpoint обучение для начинающих

Работа

Сначала парт-тайм, а затем и на полный день я начал работать EasyTen — мобильном приложении для изучения иностранных языков. Кажется, это была лучшая из возможных команд, куда я мог попасть. Компания очень сильно помогла мне понять, что академия прилично отличается от работы в реальной жизни и от создания настоящих продуктов. Я начал узнавать, как работает дизайн, маркетинг и всё остальное. Всё было очень интересно, и я старался по максимуму расспросить каждого о его деятельности, особенно нетехнических ребят, с которыми до этого редко сталкивался.

В какой-то момент мы с другом начали делать проект, напрямую связанный с маркетингом и машинным обучением. С ним всё было гораздо удачнее, чем с предыдущими: мы прошли с ним в YC Startup School и успешно ее закончили. У нас была уверенность, что мы пройдем в сам YC и поедем на акселерацию, но, к сожалению, нас всё же не взяли.

После ШАДа меня пригласили поработать в UCL (University College London), заниматься machine learning engineering. Жизнь и работа в другой стране выглядели интересной перспективой, и я решил попробовать — за четыре месяца получил несколько офферов от достаточно крупных компаний. Так получилось, что параллельно у меня вместе с моим другом развился сайд-проект. Он взлетел, и к нам стали приходить люди с предложением сделать для них нечто подобное. У меня появился выбор: остаться в Британии и работать в большой компании или попробовать взять пару заказов и начать что-то свое. Не без труда, я решил выбрать свое.

Стартап

По возвращении в Москву у нас была команда из двух человек и несколько заказов. У меня был план — выстроить все процессы, сделать более-менее автономной часть со студией и начать собирать команду под то, что я очень люблю, — научную деятельность с практическим применением. Сейчас у нас десять человек, часть команды занимается развитием разработки, часть занимается R&D-деятельностью.

Мы помогаем крупным и не очень IT-компаниям закрывать компетенции в машинном обучении, кому-то помогаем выстроить отдел Data Science с нуля, по сути, делаем B2B ML Lab. У нас есть внутренние разработки, связанные с извлечением информации из текстов, созданием чатботов и алгоритмов прогнозирования, и мы адаптируем и внедряем эти алгоритмы в продукты клиентов. Специализируемся на NLP и классическом машинном обучении. Конечно, у нас есть идеи и для своих продуктов, сейчас они на стадии тестирования и проработки.

Заключение

Есть ощущение, что без ШАДа ничего бы не получилось. ШАД учит работать в сжатые сроки с реальными дедлайнами и ответственностью, диверсифицировать риски. Тут не получается так, что ты ничего не делал весь семестр, за два дня подготовился и сдал экзамен: здесь всё гораздо ближе к жизни. Для меня самым интересным и полезным курсом стала статистика в машинном обучении. По моему мнению, это один из самых важных курсов в жизни любого человека, который работает с данными. Приемы из этого курса я использовал вообще во всей своей деятельности. ШАД учит мыслить стратегически, просчитывать риски, балансировать как-то между «да» и «нет», между успехом и провалом. Неочевидно, но ШАД научил меня проводить собеседования: сразу понятно, что нужно спрашивать, а что не нужно.

А еще ШАД учит много и тяжело работать — это первый шаг к пониманию того, что результат получается только трудом. Многие выпускники ШАДа и Физтеха думают, что после выпуска смогут устраиваться сразу на старшие позиции. Совсем не всегда это так: круто учиться в институте и быть хорошим сотрудником — разные вещи. Даже с пятью дипломами пойти сразу на высокую позицию не получится, образование поможет только быстрее дорасти до нее.

Сейчас в нашей команде есть ребята из ШАДа, с ФКН, из Яндекса и других классных мест. Мы растем и развиваемся, конечно, надеемся на светлое будущее — посмотрим, что будет дальше!

Программа «Введение в машинное обучение»

ОНЛАЙН

Машинное обучение — один из самых востребованных разделов компьютерных наук. Именно с помощью машинного обучения сейчас удаётся строить рекомендательные системы для видео, прогнозировать спрос на тысячи товаров и автоматически обрабатывать огромные потоки писем в службе поддержки.

Основные темы курса:

  • Обучение с учителем — линейные модели, решающие деревья, композиции моделей на основе бэггинга и бустинга
  • Обучение без учителя — кластеризация и визуализация многомерных данных
  • Подготовка данных — отбор признаков, обработка категориальных и текстовых признаков

По итогам курса вы будете понимать основные постановки задач в машинном обучении, изучите основные виды моделей, будете уметь пройти путь от обработки сырых данных до построения и валидации модели.

Все темы сопровождаются практическими домашними заданиями на реальных данных.

Мы ожидаем, что слушатели владеют языком Python, который является де-факто стандартным инструментом для анализа данных: знают про условные операторы, циклы, функции, разбираются в числовых и строковых типах данных, умеют работать со списками и словарями, знают встроенные функции языка.

академических часов, включая 40 часов онлайн-работы с преподавателем.

рублей.
Оплату можно разбить на две части.
Для студентов, выпускников и слушателей основных и дополнительных программ НИУ ВШЭ предусмотрены скидки.

Начальные требования

Законченное высшее или среднее профессиональное образование. Слушателями также могут стать студенты, получающие высшее образование.

Документы для зачисления

  1. паспорта (3-4 страница, а также страница с адресом регистрации);
  2. диплома о высшем или среднем профессиональном образовании (первые две страницы);
  3. актуальной справки из вуза (если вы являетесь студентом);
  4. свидетельства о смене фамилии (если в паспорте и дипломе фамилия не совпадает).

Расписание занятий

Общий период обучения: 16 мая 22 июля 2020 г.

Один раз в неделю, онлайн

16 мая — 4 июля 2020 г. по субботам с 15:30 до 18:30.

8 июля — 22 июля 2020 г. по средам с 19:00 до 22:00.

Для прохождения курса вам понадобятся основы программирования на Python и знание базовых разделов высшей математики.

Преподаватели

Елена Кантонистова

Кандидат физико-математических наук, ведущий Data Scientist в консалтинговой компании UCG. Приглашенный преподаватель факультета компьютерных наук НИУ ВШЭ.

Окончила механико-математический факультет МГУ им. М.В. Ломоносова и Школу анализа данных Яндекса, направление «Компьютерные науки».

Как устроено обучение

Занятия проходят раз в неделю. Каждое занятие состоит из лекции и семинара. На лекции преподаватель объясняет, как работают методы машинного обучения, какие математика и алгоритмы за ними стоят. На семинаре слушатели работают с данными и решают реальные задачи с помощью Python и его библиотек. После каждого занятия выдаётся домашнее задание, которое поможет закрепить навыки.

Читать еще:  Институты обучающие программистов

Лучшие Курсы по машинному обучению и нейронным сетям. Платные + бесплатные, актуально на 2020

В нашей статье мы рассмотрим самые лучшие курсы по машинному обучению и нейронным сетям в 2020 году. Всем, кто хочет знать, как работают такие популярные системы как Гугл и Яндекс, как сотрудники крупных IT –компаний обучают системы и с чего вообще начать путь в области машинного обучения и нейронным сетям, стопроцентно будет полезно почитать обзор специально подобранных курсов.

В данной статье подскажем, как выбирать курс для себя, нужен ли сертификат или нет, а также в каком курсе интереснее всего практические задачи для вас.

Короче говоря, алгоритмы машинного обучения – это алгоритмы, которые изучают (часто прогнозирующие) модели на основе данных. Т.е. вместо формулирования «правил» вручную алгоритм машинного обучения обучит модель за вас.

Итак, позвольте мне привести вам пример, чтобы проиллюстрировать, что это значит! Скажем, вы заинтересованы в реализации спам-фильтра. Вероятно, наиболее консервативный подход – позволить человеку сортировать эти письма вручную. Теперь, «традиционный» подход к программированию будет состоять в том, чтобы посмотреть на некоторые примеры электронных писем (и/или использовать ваши «знания предметной области»), чтобы придумать цепочку правил, таких как «Если это письмо содержит слово X, пометьте его как спам, иначе, если письмо содержит…» .

Теперь алгоритмы машинного обучения помогут вам сформулировать эти правила. Или, другими словами, (контролируемые) алгоритмы машинного обучения будут смотреть на набор данных с помеченными электронными письмами (спам и не спам) и выводить оттуда правила для разделения двух классов.

И, прежде, чем приступать к выбору определенной дисциплины, посмотрите на содержание курса и объем требуемых усилий. Определитесь, какая цель обучения наиболее важна для вас.

Например, если вам интересны методы машинного обучения, то у вас должны иметься определенные знания. В частности, нужно разбираться в таких предметах, как алгебра, матанализ. А также в методах оптимизации.

Также стоит освежить в памяти навыки программирования. В идеале человек, поступивший на курс по машинному обучению, также должен разбираться в: R, Python, Matlab.

Одним из наиболее известных и популярных курсов по машинному обучению является разработка от Яндекс и МФТИ. С него и начнем наш обзор.

Курс по машинному обучению и анализу данных от Яндекса и МФТИ

Стоимость курса: стоимость курса составляет 5396 рублей. Есть возможность бесплатного обучения, достаточно запросить финансовую помощь. По окончании данного курса обязательно выдается сертификат установленного образца.

Особенность курса, его уникальность

Главной его особенностью является исключительная практическая направленность, причём обширный багаж математических знаний в данном курсе абсолютно не обязателен.

Мотивировать его изучение можно следующим образом: посмотрите учебный план. Если вы просмотрите все лекции и решите все задания, то вы гарантированно сможете применять все эти вещи на практике. В частности, вы освоите следующие навыки:

  • Анализ данных и машинное обучение. Они базируются на знание математического анализа, линейной алгебры, а также методов оптимизации, теории вероятностей.
  • Слушатели курса научатся пользоваться современными аналитическими инструментами и адаптировать их под особенности конкретных задач.

Есть несколько направлений данного курса:

  1. Математика и Python для анализа данных
  2. Обучение на размеченных данных
  3. Поиск структуры в данных
  4. Построение выводов по данным

Для кого этот курс?

Приглашаем продвинутых в математике студентов и профессионалов! Всех желающих на практике освоить базовые алгоритмы машинного обучения.

Курс рассчитан на слушателей, которые делают первые шаги в области машинного обучения.

Что нужно, чтобы приступить к курсу?

  1. Иметь базовые знания в области математической статистики;
  2. Быть готовым программировать на Python.

Машинное обучение (курс лекций, К.В.Воронцов)

Стоимость курса: курс является бесплатным и читается студентам старших курсов технических вузов в течение двух семестров.

Особенность курса

Данный курс посвящен теории и методике обучения машин. Машинное обучение формировалось последние сорок лет, в наше время появились новые направления внутри этой дисциплины. Одна из наиболее перспективных – интеллектуальный анализ данных.

Особенность курса заключается в том, что все лекции направлены на более глубокое понимание основ высшей математики и методов машинного обучения.

Знания и навыки, необходимые для понимания курса

От студентов требуются знания курсов линейной алгебры, математического анализа, теории вероятностей. Знание математической статистики, методов оптимизации и какого-либо языка программирования желательно, но не обязательно.

Структура курса:

курс разбит на лекции, которые читаются в течение двух семестров. Для желающих самостоятельно изучить такую дисциплину как машинное обучение будут полезны видеолекции от ШАД Яндекс, которые дополняют данный учебный курс.

Natural Language Processing (NLP):

Стоимость курса: условно бесплатный. Курс можно и не оплачивать, но, чтобы стать обладателем сертификата, надо заплатить сто долларов.

В чем особенность курса?

Обработка естественного языка (НЛП) – одна из важнейших технологий информационного века. Понимание сложных языковых высказываний также является важной частью искусственного интеллекта.

В этом курсе вам будет дан подробный обзор обработки естественного языка и как использовать классические методы машинного обучения.

Вы узнаете о статистическом машинном переводе, а также о моделях глубокого семантического подобия (DSSM) и их приложениях. будете понимать методы глубокого подкрепляющего обучения, применяемые в НЛП и мультимодальном интеллекте языка.

Чему можно научиться?

  • Применять модели глубокого обучения для решения задач машинного перевода и общения.
  • Применять глубинно структурированные семантические модели для поиска информации и приложений на естественном языке.
  • Использовать модели глубокого подкрепления для обучения в приложениях на естественном языке.
  • Применять модели глубокого обучения для субтитров к изображениям и визуального ответа на вопросы.

Кто может пройти этот курс?

Существуют ограничения политического характера для желающих пройти данный курс. Жителям таких стран, как Куба, Иран и также гражданам, проживающим на территории Крыма, будет отказано в обучении из-за санкций.

Создатели курса стараются выразить ноту протеста против созданных санкций, но пока не получили разрешения на лицензированное обучение в упомянутых выше странах.

Зачем «Яндекс» открыл доступ к своей системе машинного обучения

Компания «Яндекс» разработала и первая среди российских компаний открыла для всех пользователей систему машинного обучения CatBoost. Она уже используется для обработки данных Большого адронного коллайдера в рамках сотрудничества с Европейской организацией по ядерным исследованиям (ЦЕРН), сообщили Forbes в пресс-службе компании. Сейчас исходный код, документация, бенчмарки и необходимые инструменты уже доступны на GitHub по открытой лицензии Apache 2.0. Как представители рынка отнеслись к продукту интернет-корпорации?

Читать еще:  Программа обучения наставников на предприятии

Описание CatBoost

Анонсированная библиотека позволяет обучать модели на разнородных данных, в том числе таких, которые сложно представить в виде чисел (например, виды облаков или категории товаров), поясняют в компании. В основе метода лежит один из популярных алгоритмов машинного обучения — деревья решений, которые стремятся описать мир ступенчатыми функциями. Второй известный метод — нейросети — описывают закладываемую информацию гладкими функциями. Для пользователя итоговая разница проявляется в эффективности работы, которая зависит от задачи и данных, а разработчики в целом хорошо знают, когда какое решение стоит применить.

«CatBoost — первый российский метод машинного обучения, который стал доступен публике», — сообщил руководитель управления машинного интеллекта и исследований «Яндекса» Михаил Биленко. В компании пояснили, что CatBoost — наследник метода машинного обучения Матрикcнет, который применяется почти во всех сервисах компании.

Как и предшественник, CatBoost подходит для работы с разнородными данными, используя механизм градиентного бустинга (множество деревьев решений, которые в совокупности делают некий прогноз), применяемый почти во всех технологических компаниях, где есть машинное обучение, уточнили в «Яндексе». «Но если Матрикснет обучает модели на числовых данных, то CatBoost учитывает и нечисловые, например виды облаков или типы зданий. Раньше такие данные приходилось переводить на язык цифр, что могло изменить их суть и повлиять на точность работы модели», — объясняет руководитель разработки систем машинного обучения «Яндекса» Анна Вероника Дорогуш. Теперь же такие данные можно использовать в первоначальном виде, благодаря чему, по ее словам, CatBoost показывает более высокое качество обучения, чем аналогичные методы для работы с разнородными данными.

В «Яндексе» уверены, что новая технология может быть полезна в сферах от металлургии и нефтеобработки до финансовой аналитики, страхования и даже систем рекомендации контента. «С помощью CatBoost можно показывать пользователю действительно актуальную информацию и повышать процент кликов на предложенные статьи — это очень важный показатель для любых таких рекомендательных систем», — считает представитель российского интернет-гиганта. Сама компания уже протестировала CatBoost в своих сервисах «Яндекс.Дзен» и «Яндекс.Погода», а в будущем планирует встроить ее в свой поиск.

Реакция участников рынка

Сравнивая систему с подобными продуктами Google (Tensorflow) и Microsoft (LightGBM), представитель «Яндекса» отметила, что Tensorflow решает другой класс задач, эффективно анализируя однородные данные — например, если речь идет об анализе изображений. «CatBoost работает с данными разной природы и может быть использован в связке с Tensorflow и другими алгоритмами машинного обучения в зависимости от конкретных задач», — говорит Дорогуш. Она подчеркивает, что у LightGBM российские разработчики выигрывают по качеству, что демонстрирует таблица тестов с общепринятым в машинном обучении сравнением. Пока компания проигрывает другим продуктам в скорости, но обещает догнать их и по этому показателю. Дорогуш добавляет, что CatBoost — результат долгой работы и, выкладывая технологию в открытый доступ, «Яндекс» обеспечивает серьезный вклад в развитие машинного обучения и рассчитывает, что сообщество специалистов оценит алгоритм по достоинству и поможет сделать его еще лучше: «Мы даем что-то сообществу, сообщество дает нам что-то в ответ».

«П о тестам он [CatBoost] обходит на некоторых стандартных задачах [конкурирующие] алгоритмы на единицы процентов, в machine learning это довольно много », — пояснил Анатолий Орлов, руководитель Лаборатории больших данных ФРИИ. Важность развития алгоритма для российского поисковика он объяснил тем, что выдача поисковиков ранжируется именно по градиентному бустингу, используемому в CatBoost, а не по более привычным для среднестатистического пользователя нейросетям. Директор по стратегии и анализу Mail.Ru Group, куратор образовательной платформы для программистов GeekBrains Александр Горный уточнил, что сложно оценить качество нового продукта «Яндекса» за сутки и требуется более внимательное изучение эффекта его применения. Он считает, что даже если эффект будет заметен в одной задаче из десяти — это все равно хороший результат.

«Яндекс» пока не планирует зарабатывать на Catboost, он бесплатен для всех пользователей. В чем тогда выгода компании? «Очень правильный и своевременный шаг со стороны «Яндекса», — оценил выход CatBoost в открытых исходных кодах генеральный директор специализирующейся на компьютерном зрении компании VisionLabs Александр Ханин. Он объяснил, что наличие OpenSource-проектов подобного класса важно для PR и репутации в комьюнити машинного обучения, но отметил, что успешность фреймворка, покажет время и количество активных пользователей. В качестве индикатора успешности продукта Ханин предлагает количество использований этой библиотеки в конкурсах kaggle по отношению к случаям использования конкурентов.

« Компании выкладывают свой продукт в открытый доступ для создания сообщества и экосистемы вокруг разработки, авторитета среди разработчиков и популяризации компании. Любое упоминание об использовании C atboost в, например, конкурсах kaggle — плюс к репутации «Яндекса» как технологической компании. Для комьюнити это плюс, так как у xgboost появился серьезный конкурент, отточенный годами практики в продакшене большой компании », — объяснил Ханин мотивацию «Яндекса » и сообщества.

Александр Горный считает, что кроме очевидного социально-морального фактора есть, как минимум, три причины «за». Во-первых, дополнительное тестирование: «Чем больше людей будет использовать наш Tarantool или яндексовский CatBoost, тем больше интересных идей или пожеланий получат разработчики и тем лучше отрасль будет развиваться». В качестве второго аргумента он отметил, что мир становится лучше, а интернет-компании — одни из бенефициаров этого улучшения: «Каждый новый стартап — это не только приятный пользователю сервис, но и покупатель рекламы, и потенциальный объект для инвестиций. Чем больше и чем качественнее, будут стартапы, тем лучше будет всем». И наконец согласился с коллегами, что открытый доступ к кодам важен в качестве подготовки кадров: «Разработчика, заранее научившегося принятому в компании технологическому стеку, не надо доучивать или переучивать после приема на работу».

Орлов отметил, что у российской интернет-компании один конкурент — Google. Но у него уже есть подобная технология, поэтому ее распространение не страшно «Яндексу». Зато мотивирует разработчиков поисковика: « Людям, которые выпускают библиотеку приятно, потому что это дает возможность создать научные публикации, получить уважение в сообществе, восторженные отзывы фанаток и т.п » .

Ссылка на основную публикацию
Adblock
detector