Понастоящем Alexis Zubiolo e част от изследователския екип на Transmetrics, който работи основно по проблемите на оптимизацията на логистичните компани. Той Притежава докторска степен от университета в Ница. Работата му се фокусира върху прилагането на обработка на изображения и машинно обучение за класифициране на биомедицински изображения и видеоклипове. С него ще ви срещнем на събитието Mathematical optimization for the container shipping industry на 7-ми октомври. Преди това ни разказа за своя професионален път и за трите най-важни неща, които ИТ обществото ще научи от темата на предстоящата му презентация.

Как започна да се занимаваш с Machine Learning?

Започнах да уча математика и физика в университета, а няколко години по-късно, реших да продължа с приложна математика и компютърни науки.
Курсовете, които най-много ми харесаха, бяха за обработка на сигнали (аудио, видео и изображения), затова реших да се съсредоточа върху тях и да започна със стаж в тази област – в изследователска лаборатория, наречена Inria. Стажът мина добре и получих докторска степен и стипендия за работа по биомедицински изображения. Машинното обучение привлече много моето внимание в тази област и така започнах да работя по него.

Кой е най-интересният аспект от работата ти с Machine Learning?

Харесвам ми идеята, която стои зад машинното обучение: разпознаването на модели в данните, които се предоставят, за да се разреши даден проблем, а не се прилагат фиксирани правила.
Харесва ми и общността: тя е много активна и можем да намерим много ресурси (библиотеки, изследователски доклади, книги, блогове, ръководства, курсове, …) безплатно! Далеч не е така в много други области.

Кое е най-голямото технологично предизвикателство, с което сте се сблъскали?

Трудно е да избера точно едно и то да е специално. Проектирането на ML рамка обикновено идва с много предизвикателства.
Бих казал, че най-недооцененият проблем, е получаването на добър набор от данни за обучение. Публичните набори от данни, които се използват за публикуване на научни трудове или за предизвикателства (datathons, Kaggle), като цяло са много чисти (защото някои хора са прекарали много време, за да го изчистят). Това може да бъде подвеждащо, тъй като при работа с реални данни качеството на данните често е реален проблем и трябва да се положат много усилия, за да се отстранят тези проблеми.

Как го разреши?
Не е тайна: като отделих много време да разбера какво се случва в данните и ги трансформирам, така че моделите на ML да си вършат работата правилно.

Ще споделиш ли трите най-важни неща, които ИТ обществото може да научи от темата на предстоящата ти презентация?

  1. Подходът и инструментите, които ще представя, са доста различни от това, което обикновено чуваме в разговорите за ML;
  2. Ще има конкретни примери, взети от приложения в реалния свят;
  3. Логистиката е сложна тема, която засяга всички, интересно е да се разберем какво се случва под капака.

Какво би посъветвал всички, които сега започват да се занимават с Machine Learning?

Като за начало, е добре да разберете основните понятия в математиката и компютърните науки. Без тях е невъзможно да започнете в машинното обучение.
За щастие, както вече казах, в интернет има много ресурси. Така че с компютър, интернет връзка и много търпение трябва да стигнете там, където искате да бъдете


Регистрирай се за събитието


Стани част от потребителска група на Machine Learning. Абонирай се и ще ти изпращаме информация за всичко, което предстои в групата.

Визия: Личен архив

Прочети още:

Никола Караманов: Всеки ден се уча на нови неща, които ми позволяват да поглеждам проблема от различни гледни точки
Лаура Толош-Халачева: Изкуственият интелект може да промени света

Share This