Phystech.Genesis | Channel

Успей зарегистрироваться на хакатон от команды развития ИИ Московской Биржи и выиграй до миллиона рублей!

MOEX AI HACKATHON*
Когда: 13 мая — 30 июня
Формат: онлайн
Призовой фонд: 1 000 000 ₽

Кого мы ждем?
- студентов ИТ-специальностей
- DS-специалистов
- ML-инженеров
- Трейдеров
- Backend-разработчиков

➡️Какая задача?

Разработай ИИ-агента для торгов на бирже, который принесет максимальную доходность!

Почему стоит участвовать?
- Две недели на решение
- Крутой кейс в портфолио
- Реальный опыт командной работы
- Прокачка навыков
- Свой ИИ-агент для торгов на бирже

Собирай команду от 3 до 5 человек.
Нет команды? Поможем найти!

Регистрация открыта!
➡️Успей до 10 мая по ссылке.

*ИТ-соревнование

Что крутого в ИТ-мероприятиях
и почему в них полезно участвовать

Кажется, что на старте достаточно просто учиться:
универ → отклик → работа

Но если посмотреть, как компании работают со студентами, становится ясно — этого часто недостаточно

📍Факт: мероприятия — это часть воронки найма
Стажировки, хакатоны* и митапы — это способ для компаний найти и оценить кандидатов заранее, до откликов

Например, айдиатон "Renins Ideathon" — после участия многие ребята начали рассматривать компанию как место работы

📍 Факт: там смотрят не только на знания
На мероприятиях оценивают, как ты думаешь, решаешь задачи, работаешь в команде и коммуницируешь

📍 Факт: ты получаешь доступ к компаниям напрямую
Через живой контакт с теми, кто потом принимает решения. На офлайн-ивентах часто есть зоны с рекрутерами, где можно напрямую обсудить стажировки и карьерные возможности

Участники с прошлой серии хакатонов от ИТ-холдинга Т1 поделились, как это было

📍 Факт: часть возможностей появляется только там
Стажировки, приглашения, быстрые офферы — часто возникают именно после участия, а не через вакансии

Участие — это способ увеличить шансы попасть туда, куда просто откликом попасть сложнее

Стажировки тут
🏃 Наш TG | VK | MAX

*ИТ-соревнования

Phystech.Genesis | Channel pinned a photo

Залог успеха в скорости или качестве?

Недавно у нас было онлайн-мероприятие, где мы пообщались со студенткой ИТМО, которая прямо сейчас проходит стажировку и только получила оффер.

Собрали ключевые мысли, которые могут быть полезны 👇

1️⃣ Ощущение “надо успеть” — это нормально

На 2 курсе часто есть мысль: “я ещё не готов(а), надо подучиться”.
А ближе к 3 курсу появляется другая:
“если сейчас не начну — потом будет сложнее”

Причины на то супер ясные:
- вокруг всё больше ребят уже начинают работать,
- появляется ощущение, что ты отстаёшь,
- и это начинает подталкивать к действиям.

Не обязательно ждать полной уверенности. Стажировка — это как раз способ понять, где ты сейчас.

2️⃣ “Попробовать всё” звучит логично, но редко работает

Кажется, что правильный путь — попробовать разные направления.

Но на практике:
- каждый отбор занимает много времени,
- много тестовых,
- ожидание ответа может длиться неделями.
В итоге можно просто перегореть и не дойти до результата.

Советуют следующий подход:

выбрать 1–2 направления → попробовать → сделать выводы

3️⃣ Компания важна, но не сама по себе

Многие идут в компании, про которые все говорят, но есть нюансы.

Если внутри слабые задачи, нет развития и перспективы остаться, то бренд сам по себе не даёт ценности.

Поэтому важно смотреть на связку:

компания + опыт + возможность остаться

4️⃣ Где еще можно войти в компанию

Не всегда через отклики на вакансиях.

Что круто работает и тебя запоминают:
🔵Мероприятия от компаний
🔵Экскурсии в офис
🔵 Живое общение с HR или сотрудниками на ивентах

Стажировка — это возможность войти в индустрию и сразу закрепиться в компании.

И чем раньше начинаешь пробовать, тем больше у тебя вариантов.

Больше стажировок тут
🏃 Наш TG | VK | MAX

🙃 Участвуете в хакатонах – или только планируете начать?

Рекомендуем обратить внимание на комьюнити YAHacks – ребята собрали удобное пространство, где можно не только найти команду, но и реально прокачаться за счёт практики.

Что внутри:

➡️актуальные анонсы хакатонов
➡️помощь с тимбилдингом и поиском команды
➡️менторы и разбор кейсов
➡️полезные материалы: Data Science, InfoSec, Backend, алгоритмы

Если давно хотели ворваться в хакатоны или повысить уровень – это хороший старт.

Больше стажировок тут
🏃 Наш TG | VK | MAX

Вызов для тех, кто любит думать⚡️

Делимся с вами задачей, которую дают на собеседовании разработчиков.
Тренировка ваших мозгов в пятничный вечер🤪

Условие:
У тебя есть генератор случайных чисел — выдаёт числа от 0 до 1 из равномерного распределения.

Задача:
Придумать алгоритм вычисления числа 𝜋 с помощью такого генератора.

Точность оценки должна стремиться к идеальной при количестве генераций, стремящейся к бесконечности.

Нельзя подставлять заранее известные формулы, где 𝜋 уже явно фигурирует, разумеется.
Математические операции типа возведения в степень сгенерированных чисел, их сложение и т.п. выполнять можно.

1️⃣ Делитесь с корешами!
2️⃣ Присылайте идеи и ответы в комментарии!
3️⃣ Давайте двигать силу мышления в массы!!

Phystech.Genesis – про хакатоны, стажировки и комьюнити разработчиков

🚀 МТС Старт — стажировка в цифровой экосистеме МТС

Возможность получить первый опыт в крупной технологической компании и поработать над реальными продуктами.

Кому подойдет:
Студентам старших курсов и выпускникам, которые хотят начать карьеру и развиваться в IT, аналитике, продукте или бизнес-направлениях.

Основные направления:
➡️IT и разработка
➡️Аналитика данных
➡️Продукт и проекты
➡️Маркетинг
➡️Дизайн
➡️HR и бизнес-направления

📌 Формат: гибрид или удалённо (зависит от команды).
📆 График: 20–40 ч/нед, можно совмещать с учёбой.

Отбор: заявка ➡ тестовое / скрининг ➡ собеседование ➡ оффер.

➡️Узнать подробнее и подать заявку

Phystech.Genesis – про хакатоны, стажировки и комьюнити разработчиков

Прими участие в хакатоне от команды развития ИИ Московской Биржи и выиграй до миллиона рублей

MOEX AI HACKATHON*
Когда: 13 мая — 30 июня
Формат: онлайн
Призовой фонд: 1 000 000 ₽

Кого мы ждем?
- студентов ИТ-специальностей
- DS-специалистов
- ML-инженеров
- Трейдеров
- Backend-разработчиков

➡️Какая задача?

Разработай ИИ-агента для торгов на бирже, который принесет максимальную доходность!

Почему стоит участвовать?
- Две недели на решение
- Крутой кейс в портфолио
- Реальный опыт командной работы
- Прокачка навыков
- Свой ИИ-агент для торгов на бирже

Собирай команду от 3 до 5 человек.
Нет команды? Поможем найти!

Регистрация уже открыта!
➡️Успей до 10 мая по ссылке.

*ИТ-соревнование

Место твоего карьерного начала

Мы помогаем крутым ребятам достигать крутых высот в карьере. Поэтому сделали страницу, где собрали стажировки для твоего старта:

Посмотреть стажировки на сайте

Что там есть:
⚡️стажировки, где можно поработать с интересными задачами,
⚡️ разные направления: разработка, аналитика, продукт,
⚡️ компании, которые работают со студентами и джунами,
⚡️ регулярное обновление подборки.

Наша платформа упрощает первый шаг — помогает найти стажировку, где можно получить тот самый опыт, за которым идёт большинство.

🏃 Если сейчас в поиске стажировки, можно начать отсюда

Сохраняй, чтобы не терять, и становись самым крутым✌

😐

И ещё вопрос к вам

Хотим сделать исследование: поговорить с ребятами из топовых компаний (Яндекс, McKinsey и др.) про их карьерный путь.

Напишите в комментариях:

- Что вам действительно важно узнать?
- Какие вопросы стоит им задать?
Пишите все, что вам хочется узнать у сеньор специалистов.

🏃 Наш TG | VK | MAX

🔝 Унификация, аугментация и специализация: лучшие практики команд-участниц первого конкурса в рамках «Экспедиция. Data Science»

Пока в разгаре конкурс «Сканирование», мы расскажем о том, что привело к успеху команды конкурса «Обнаружение». В нём конкурсанты создавали ПО и обучали нейросети для поиска археологических объектов в рельефе. Мы поговорили с экспертами конкурса и узнали, что делали лидеры рейтинга для лучшего результата. Ответы — ниже.

🔍 Унифицировали масштаб перед обучением
Снимки из всех источников приводили к одному разрешению — 0,5 м на пиксель. Это стабилизирует обучение и помогает нейронке видеть все объекты в единых величинах.

🔍 Агрессивно разделяли большие сцены с перекрытием
Не пугайтесь, ни один театр не пострадал. 😉 Нейросетям трудно обработать огромные снимки, поэтому изображения режут на квадраты — тайлы. Лидеры конкурса работали с крупными тайлами 1024–8192 пикселя и добавляли осмысленные перекрытия. Они нужны, чтобы не потерять объекты на стыках тайлов.

🔍 Разделяли задачи по специализациям моделей
Вместо одной модели, которая ищет всё сразу, участники создавали по несколько узких — отдельно для каждого класса искомых объектов: городищ и селищ, дорог и караванных путей, пашен и других. Так каждая модель могла лучше выучить свой класс с учётом его особенностей.

🔍 Усиливали аугментацию для защиты от переобучения
Аугментация нужна, чтобы модель не зубрила набор данных наизусть, а училась находить один и тот же объект в разных контекстах и умела отсекать лишнее. Для этого данные искусственно множат: создают дополнительные изображения с поворотами, отражениями, иной яркостью, имитацией разного времени суток и не только.

🔍 Отбирали классы под целевую метрику
Прагматичный соревновательный ход: обучить модель на всех классах объектов, но для финального файла выбрать лишь те, по которым результат получился лучше всего. Например, курганы, пашни и дороги. Это математически улучшает оценку в конкурсе.

🔍 Ставили на качество данных
Фильтровали датасет перед обучением: отбрасывали тайлы с минимальными фрагментами — если там было меньше 10-20% площади большого объекта, который видно на других изображениях. Ещё убирали шумный фон. С таким качеством можно выиграть даже не на самой тяжёлой модели.

🔍 Продвинуто валидировали и усредняли веса
Намеренно недодавали модели 20% данных, каждый раз предлагая их в разной комбинации. Так получили 5 моделей, каждая из которых видит картину немного иначе. Затем оценили полноту — число объектов, которые нейросеть нашла в каждой из эпох. Выбрали лучшую эпоху, взяли 2 соседние, усреднили веса всех трёх и присвоили итоговой версии модели. Затем ещё раз обучили её — уже на всех данных.

🔍 Проводили гибкую постобработку геометрии после предсказаний
После обучения — улучшали геометрию итоговых данных для точного результата. Отбрасывали слишком мелкие полигоны, склеивали те, что пересекались на стыках тайлов, ставили разные пороги уверенности нейросети для классов: для редких низкие, чтобы ничего не упустить, а для частых высокие, чтобы убрать шум. Дополнительно задавали минимальную площадь в пикселях и метрах, отсекая слишком мелкие случайные сущности.

🔍 Заботились о практической инженерной воспроизводимости
И речь не о поколениях инженеров. 🤷‍♀️ Воспроизводимость — это когда другой человек, например кто-то из жюри, может запустить код и получить такой же результат. С таким подходом легко проводить эксперименты и улучшать качество модели с каждым разом.

⌛⌛⌛

Сейчас полным ходом идёт уже следующий конкурс — «Сканирование». В нём решения участников должны будут выявлять археологические объекты даже под землёй. Команды проходят квалификацию и готовят финальные версии решений.

Если хотите узнать больше интересных подробностей конкурса — следите за событиями на сайте Экспедиция. Data Science. 👋