Õppeainete mahust, ETH kursustest ja doktorantuurist

Täna oli mu viimane eksam ETH Zürichi arvutiteaduse magistriõppes: homsest alustan magistritöö plaanimist ja kirjanduse uurimist ja eeldatavasti valmib töö septembriks. Teema üldsuund on paigas — safe reinforcement learning ehk ohutu stiimulõpe — aga kirjutan sellest lähemalt, kui plaan selge.

Eksamite lõpu tähistamiseks tegin uuesti graafiku õppeainetele kulunud ajast — avaldasin sama interaktiivse graafiku Tartu ülikooli lõpetades, aga nüüd lisasin ka kõik läbitud ETH kursused.

Ajakulu ainetele

Järgneval graafikul on iga tulp üks õppeaine ja ained on sorteeritud ajakulu (y-telje väärtuse) kahanevas järjekorras — mõõdan seda Toggli abil. Kuna ajakulu on läbi jagatud EAP-de arvuga, peaks teoreetiliselt olema kõigi sama värvi tulpade kõrgused enam-vähem võrdsed.

Katkendlikud jooned graafiku ülaosas tähistavad nominaalkoormust tundides EAP kohta (Tartus 26 h/EAP, Zürichis 30 h/EAP¹).

Hiirega tulba peal hõljudes näed vastava aine nimetust ja muud infot. Postituse lõpus kirjeldan ETH ainete sisu veidi pikemalt.

Väga ajamahukana torkab esile Advanced Systems Lab — raske kursus, mille läbisaamise tõenäosuse maksimeerimine oli mu läinud semestri põhifookus.

Üldiselt on minu ETH magistriained pigem graafiku vasakpoolses otsas jõuavad nominaalkoormusele keskmiselt natuke lähemale kui TÜ bakaained.

Tulemusi mõjutab ka mu erinev strateegia: Tartus õppides tahtsin kõigis ainetes A saada², Zürichis seadsin eesmärgiks saada vähemalt keskmine keskmine hinne³ ja üldiselt keskenduda ainete sisust arusaamisele ning samal ajal õnnelik olla (TÜ esimesel kahel semestril läbitud >50 EAP-d seda eriti ei võimaldanud).

Dr. Pungas?

Olen viimasel ajal üsna palju kuulnud küsimust, kas tahan PhD teha. Mu vastus on tavaliselt “olen 80% kindel, et mitte kunagi, ja kindlasti mitte praegu”.

Peamised põhjused on:

1. Vaikimisi-valik ei ole doktoriõpe: sinna astumiseks peab olema hea põhjus.
2. Hügieenifaktorid: peaaegu igal pool maailmas saavad doktorandid vähe raha: piisavalt küll üksi äraelamiseks, aga mitte piisavalt pere ülalpidamiseks või säästmiseks/investeerimiseks.
3. Püramiidskeem: kuna doktorante võetakse rohkem kui professori- või teadlasekohti on, on doktorandina tippu sihtides vaja ropult tööd teha, sest konkurents on väga tihe.
4. Ma ei ole leidnud uurimisteemat või -protsessi, mis mind motiveeriks sama palju kui probleemide praktiline lahendamine.
5. Mulle tundub, et uurimistöö tegemine ei sobi mu tugevustega hästi; pigem on mul eelis erasektoris.

Enamik neist asjadest võivad kunagi muutuda: näiteks elujärg sõltub palju sellest, kas su professoril/asutusel on piisavalt rahastust; võib-olla muutub ka teadusrahastuse ja -prestiiži skeem.

Kursused

Otsustasin välismaal magistri teha sellepärast, et masinõppe ja andmetöötluse kursusi Eestis eriti ei pakuta. Seetõttu domineerivad mu hinnetelehel just sedasorti kursused.

• Algorithms Lab: Algoritmide kursus edasijõudnutele. Kukkusin selle aine läbi⁴ — eeldatavasti sellepärast, et ma ei harjutanud C++-is ülesannete lahendamist piisavalt (eksam koosnes kahest 6-tunnisest osast, kummaski kolm automaathindamisega programmeerimisülesannet).
• Probabilistic Artificial Intelligence: See kursus kattis tehisintellekti klassikalisemaid lähenemisi formaalloogikast Q-learninguni.
• Machine Learning: Tugevalt matemaatikale ja statistikale toetuv sissejuhatus masinõppesse.
• Data Mining: Learning from Large Data Sets: Kuidas teha masinõpet kontekstis, kus ainult lineaarne keerukus on vastuvõetav?
• Multimedia Communications: Heli, piltide, videote ja inimkõne töötlemine, mõistmine, kokkusurumine. Lektor oli vanemteadur Disney Research Zürichis (saime seal ekskursiooni teha ja näha veel avalikustamata tehnoloogiaid).
• Recent Debates in Social Networks Research: Seminar sotsiaalvõrgustike töötlemisest (see ei tähenda tingimata Facebooki — ka näiteks sõbrasuhetest 6. klassi õpilaste vahel moodustub sotsiaalvõrgustik).
• Information Retrieval: Kõik vajalikud teadmised otsingumootori ehitamiseks. Lektor on praegu ETH-s professor ja töötas 7 aastat Google’i Zürichi kontoris⁵ engineering directorina.
• Computational Intelligence Lab: lühikesed ülevaated paljudest praktikas kasutatavatest masinõppemeetoditest. Lektor sama, mis eelmisel.
• Introduction to Natural Language Processing: peamised lähenemised loomuliku keele töötlusele ja selle peale masinõppemudelite ehitamisele. Lektor osaliselt sama, mis eelmisel.
• Web Engineering: veebisüsteemide ehitamine.
• Complex Networks: graafide analüüs, eesmärgiga praktilistest süsteemidest aru saada.
• Computer Supported Cooperative Work: seminar inimese-arvuti-interaktsioonist ja kasutajaliidestest.
• Advanced Systems Lab: suure Java süsteemi ehitamine, selle testimine Azure’is (kuni 11 masina peal) ja tulemuste analüüsimine. 1084 commiti räägivad enda eest.
• Big Data: helikopterivaade suurte klastrite (10 000 masinat) peal andmete haldamisest ja töötlemisest: HDFS, HBase, MapReduce, Spark. Lisaks väiksemast skaalast: XML, XQuery, Neo4j, MongoDB.
• Systems Dynamics and Complexity: süsteemiinseneeria alused, peamiselt majandusmudeleid analüüsides.

Jaga:

1. Muide: kui nende arvude põhjal tundub, et Zürichis on siis vastavalt vaja võtta vähem ainepunkte, siis tundub valesti. ETH-s tuleb samuti teha keskmiselt 30 EAP semestris — tudengitelt lihtsalt oodataksegi 15% rohkem.
2. See õnnestus ühe erandiga: Matemaatiline füüsika II-s sain B.
3. Skaala: 6 on maksimum, 4 on miinimum, millega läbi saab. Mu eesmärk oli saada keskmine vähemalt 5.0 ja see õnnestus: praeguse seisuga on keskmine umbes 5.5.
4. Ainuke kursus nii TÜ-s kui ETH-s, kus mul nii juhtus.
5. see on nende suurim kontor väljaspool USA-d