Андрей Фильченков об исследованиях в области машинного обучения #itmoresearch

YOUTUBE · 30.11.2025 05:56

Ключевые темы и таймкоды

Введение

0:04

Андрей Фильченков, кандидат физико-математических наук, доцент факультета информационных технологий и программирования, рассказывает о сложностях, с которыми сталкиваются начинающие ученые в сфере машинного обучения.

Работа в лаборатории

3:28

Андрей и его команда работают над алгоритмами, которые применимы к различным задачам, и конкретными задачами, связанными с обработкой изображений, анализом социальных сетей, рекомендательных движков и маршрутизации.
Примеры проектов: анализ кожи для выявления медицинских маркеров, анализ кожи для выявления рака, анализ кожи для выявления симптомов кожнологических заболеваний.

Применение машинного обучения

9:02

Андрей и его команда применяют автоматическое машинное обучение для решения задач, где мало данных, и используют трансферное обучение для улучшения результатов.
Они стараются создавать решения, которые работают быстро и без ограничений на железе, и пытаются улучшить эффективность работы системы.

Проблемы и перспективы

11:32

Андрей отмечает, что эффективность работы системы зависит от мощности железа, но также и от алгоритмов и теоретических подходов.
Он говорит о том, что в прошлом были сложности, связанные с железом, но сейчас все больше зависит от вычислительных мощностей и алгоритмов.

Влияние вычислительных мощностей на машинное обучение

12:49

В последние годы вычислительные мощности значительно выросли, что привело к увеличению возможностей машинного обучения.
Однако, это также привело к тому, что экспертное мнение стало вытесняться вычислительными ресурсами.

Профессиональное развитие в области машинного обучения

17:40

Важно быть в курсе новых научных результатов и изменений в области машинного обучения.
Скорость обновления результатов сильно зависит от области, и важно следить за основными вехами.

Влияние компаний и университетов на развитие машинного обучения

22:01

Компании имеют больше интеллектуального потенциала и результатов, чем университеты.
Большие прорывные результаты чаще всего разрабатываются компаниями, так как они стремятся капитализировать свою известность и привлекать новых ученых.

Подготовка научных статей и проектов

24:19

Важно самостоятельно проверить результаты работы, сравнить с другими решениями и убедиться, что новое решение лучше.
Необходимо выложить код на GitHub и предоставить документацию для воспроизводимости результатов.

Время подготовки научных статей и проектов

29:10

Время подготовки научной статьи может варьироваться от полугода до года, а время подготовки проекта может занять от двух месяцев до двух лет.

Написание научных статей

32:18

Большинство статей публикуются на английском языке, что может усложнить процесс написания для новичков.
Чтение большого количества статей помогает лучше формулировать мысли и выбирать нужные слова.

Важность мотивации и интереса в машинном обучении

35:04

Для успешной работы в области машинного обучения необходимо иметь мотивацию и интерес к этой области.
Важно понимать, как устроена машина обучения, какие модели существуют и как их применять.

Распределение времени и управление лабораторией

38:02

У автора нет строгого распорядка дня, каждый день отличается от предыдущего.
Он старается распределять время на чтение статей, общение с аспирантами и реализацию проектов.
Руководить лабораторией сложно, требует много времени и напряжения.

Подбор исследований и рекомендации для новичков

41:35

Рекомендует курсы на "Карусели" Андрея Вына и курсы на курсе Реа Высшей школы экономики.
Важно практиковаться и понимать, как алгоритмы работают с данными.
Рекомендует книги Сергея Николенко, Хасти Типшерани, Фридмана и Бишопа для изучения машинного обучения.