Концепт-документ игры Рой

Продолжаю публиковать концепты игр. Эта игра в духе NoCraft — опять про зергов, но уже с другой механикой, завязаной на клеточные автоматы.

Далее

Ищу работу: CTO, Tech/Team Lead, R&D

Обновлено 5 ноября.

Работу нашёл. Пост оставляю для истории.

15 лет в разработке ПО, 13 — в геймдеве, 9 — в топ геймдев компаниях.

Специализируюсь на решении нетипичных задач, наведении порядка, разработке backend.

Не привязан к технологиям, легко переключаюсь на выгодные для текущего проекта.

Резюме: ru, [en](absolute:/en/cv}.

Рассматриваю позиции CTO, Tech/Team Lead или R&D разработчика.

Не рассматриваю:

1. аутсорс, аутстаф — совсем-совсем;
2. криптопроекты, ориентированные на продажу токенов на хайпе;
3. низкоуровневый линукс и всё, близкое к железу;
4. работу, заточеную на обеспечение security;
5. работу, заточеную на сложную графику;
6. работу, сконцентрированную на devops, настройке инфраструктуры, etc.

Отвожу время на поиск до начала ноября. То есть принять офер смогу только в начале ноября.

Рассматриваю только продуктовые компании.

Важно наличие бонусов / опционов / процентов от прибыли с чёткими критериями их получения. Если такого нет, то буду рассчитывать на прямую компенсацию в зарплате.

Планирую уезжать на запад. Поэтому либо релокация в течение года, либо возможность удалённой работы.

P.S. Из всего могут быть исключения, но для каждого исключения нужен повод.

Реализация Generative Adversarial Network

В завершение разбирательства с Deep Learning решил посмотреть что-нибудь более интересное и ориентированное на генерацию контента — реализовать GAN.

По правде говоря, большую часть времени с GAN (и Autoencoder) я экспериментировал на спрайтах карты Сказки. Ожидаемо, на таком мизере обучающих данных ничего интересного не получилось. Хотя польза и была. Поэтому для поста я подготовил отдельный notebook с более наглядными результатами — генерацией обуви по набору данных Fashion MNIST.

Ноутбук с реализацией GAN и комментариями.

Про архитектуру GAN лучше почитать в вики, интернетах или моём ноутбуке.

Краткая суть:

• Тренируются две сети: generator & discriminator.
• Генератор учится создавать картинки из шума.
• Дискриминатор учится отличать поддельные картинки от настоящих.
• Ошибка дискриминатора определяется качеством предсказания фейковости изображения.
• Ошибка генератора определяется качеством обмана дискриминатора.

Если правильно подобрать топологии сетей и параметры обучения, то в итоге генератор научается создавать картинки неотличимые от оригинальных. ??????. Profit.

Ссылки на курсы по Machine Learning & Deep Learning

Перед началом разбирательства с темой собрал для себя список курсов, которые могут быть интересны.

Публикую, чтобы не пропадал зря.

Только ссылки. Свои комментарии вырезал — в исходном виде они никому кроме меня не помогут :-)

Далее

Kaggle: Digit Recognizer (MNIST) точность 0.99585

Продолжаю путешествие по занимательным землям Deep Learning.

В прошлый раз я учился заводить deep learning на локальной машине и делал совсем детскую, искусственную и неспецифическую для DL задачу.

В этот раз решил попробовать что-то более диплёрничное — научиться решать задачи на Kaggle. Есть предположение, что Kaggle — самый простой и интересный способ учить DL.

На этом сервисе есть задачи для новичков, одну такую — Digit Recognizer — я выбрал для тренировки. Соревнование по распознаванию рукописных цифр из набора MNIST. Этот набор должны были встречать даже люди далёкие от ML.

Notebook с решением и комментариями опубликован на github.

На момент отправки решение занимало 467 место из ~7000. На мой взгляд неплохой результат, учитывая, что первые мест 150 занимают читерские решения. MNIST — общедоступный набор данных, их можно скачать вне kaggle и залить в качестве решения готовые ответы, или переобучить сеть на полном наборе.

Далее