Содержание
- 2. JetBrains сегодня — 10 000 000+ пользователей по всему миру ... успешной работы ... офисов в
- 3. JetBrains сегодня — 10 000 000+ пользователей по всему миру 21 год успешной работы 9 офисов
- 4. JetBrains сегодня —
- 5. JetBrains сегодня —
- 6. Образовательные продукты JetBrains — проектно-ориентированная обучающая платформа бесплатные и опенсорсные образовательные IDE совместим с IntelliJ IDEA,
- 7. Образование: полезные ссылки — jetbrains.com/edu-products jb.gg/academy/student_offer compscicenter.ru research.jetbrains.org jb.gg/student lp.jetbrains.com/internships/ — Все образовательные продукты — Бесплатный
- 8. Индивидуальный интересный вам проект Улучшение инструментов разработчика Погружение в жизнь команды Обучение и cамостоятельность Результат Стажировки:
- 9. Стажировки: треки — Разработчики Исследователи Тестеры Продакт-менеджмент Дизайн Маркетниг HR Юристы ...
- 10. Стажировки: конкурс — Заполнение профиля в приложении internship. jetbrains.com Выполнение тестовых заданий: 2 недели Собеседование с
- 11. Срочный трудовой договор / стипендия Техника (при необходимости) Фултайм, свободный рабочий график Участие во внутренних ивентах
- 13. Более 2000 заявок 232 стажировки для разработчиков, тестеров, научных исследователей, маркетологов, продакт-менеджеров, дизайнеров, эйчаров и юристов
- 14. Как будет этим летом? —
- 15. Спасибо за внимание! — Веб-приложение internship.jetbrains.com Задавайте вопросы internship@jetbrains.com Следите за новостями vk.com/jetbrains4students
- 16. Зачем ML в SE? Что мы делаем в лаборатории ML4SE Егор Богомолов Лаборатория ML4SE @ JetBrains
- 17. Немного обо мне Учился в Академическом Университете (1-3 курс), затем в НИУ ВШЭ (4-6 курс), продолжил
- 18. О чем мы будем говорить? JetBrains Research и лаборатория ML4SE Зачем машинное обучение программистам? Что особенного
- 19. JetBrains Research /35
- 20. ML4SE Lab* * Лаборатория “Методов машинного обучения в области программной инженерии” ~20 исследователей 20+ публикаций на
- 21. Машинное обучение Распознавание изображений Автоматический перевод Распознавание речи Рекомендательные системы Персональные ассистенты Автопилоты … /35
- 22. Машинное обучение в SE Зачем? Помогать разработчикам! Разработчикам нужны инструменты: IDE CI / CD Отслеживание issue
- 23. На каких этапах разработки поможет ML? Написание кода: Улучшение структуры кода и читаемости: Отладка: Поддержка проекта:
- 24. На каких этапах разработки поможет ML? Написание кода: автодополнение, генерация фрагментов кода, поиск Улучшение структуры кода
- 25. На каких этапах разработки поможет ML? Написание кода: автодополнение, генерация фрагментов кода, поиск Улучшение структуры кода
- 26. На каких этапах разработки поможет ML? Написание кода: автодополнение, генерация фрагментов кода, поиск Улучшение структуры кода
- 27. На каких этапах разработки поможет ML? Написание кода: автодополнение, генерация фрагментов кода, поиск Улучшение структуры кода
- 28. Особенности ML4SE Код это не то же самое, что и текст Доступная информация – это не
- 29. Особенности ML4SE = Plain text + Syntax tree + Data flow + Control flow + ...
- 30. Какие методы применяются? Классический ML Все что есть в NLP Модификации моделей из NLP для учета
- 31. Использование ML4SE моделей Сбор исторических данных Оффлайн-эксперименты Обучение хорошей модели Интеграция в плагин Тестирование на пользователях
- 32. Использование ML4SE моделей Сбор исторических данных Оффлайн-эксперименты Обучение хорошей модели Интеграция в плагин Тестирование на пользователях
- 33. Майнинг данных из кода Мы разрабатываем инструменты для получения данных из кода. Какие возникают трудности? Обработка
- 34. Использование ML4SE моделей Сбор исторических данных Оффлайн-эксперименты Обучение хорошей модели Интеграция в плагин Тестирование на пользователях
- 35. Обучение и тестирование моделей Дообучение моделей для работы с конкретными проектами Анализ метрик для оценки качества
- 36. Дообучение моделей для конкретного проекта /35
- 37. Использование ML4SE моделей Сбор исторических данных Оффлайн-эксперименты Обучение хорошей модели Интеграция в плагин Тестирование на пользователях
- 38. Запуск моделей в плагинах KInference: библиотека для запуска сложных ML-моделей на чистом Kotlin Поддерживает модели, сериализованные
- 39. Использование ML4SE моделей Сбор исторических данных Оффлайн-эксперименты Обучение хорошей модели Интеграция в плагин Тестирование на пользователях
- 40. Практические применения Предложение имен методов и переменных Рекомендация рефакторингов Определение устаревших комментариев Определение типов переменных в
- 41. IRen: предложение имен переменных /35 Плагин модифицирует стандартный рефакторинг, добавляя имена переменных на основе данных из
- 42. IntelliJDeodorant: рекомендация рефакторингов GitHub: IntelliJDeodorant /35
- 43. Спин-офф: large-scale анализ кода Поиск аномалий в коде на Kotlin Поиск паттернов в изменениях кода на
- 44. Revizor: паттерны в изменениях кода GitHub: Revizor /35
- 45. Исследование лицензирования кода Violation types Most violated licenses Most violating licenses /35
- 46. Спин-офф: и не только ML! GitHub: Reflekt GitHub: Kotless GitHub: Hyperstyle /35
- 47. Практики и стажировки Мы проводим: Стажировки – лето Практики – осень и весна Процедура отбора: Выбор
- 48. Практики и стажировки Стажировки – фулл-тайм, 2 месяца Практики – работа над НИРами, курсовыми, дипломами Чаще
- 49. Еженедельные семинары Каждый понедельник у нас проходит семинар или встреча читательского клуба Разборы статей по теме
- 51. Скачать презентацию