Доклады конференции SmartData

Иван Ямщиков Институт Макса Планка, Лейпциг, Германия / Creaited Labs
Иван Ямщиков
Институт Макса Планка, Лейпциг, Германия / Creaited Labs
День 1 / 17:50  / Зал 1 / / Введение в технологию

Neurona: зачем мы научили нейросеть писать стихи в стиле Курта Кобейна?

Мы обсудим современные задачи в области построения творческого ИИ и поговорим о том, почему это важно и интересно, а также расскажем, как мы создавали Neurona, Нейронную Оборону и Пианолу.

Подробнее
Дмитрий Бугайченко  Одноклассники
Дмитрий Бугайченко
Одноклассники
День 1 / 14:25  / Зал 1 / / Для практикующих инженеров

От клика к прогнозу и обратно: Data Science-пайплайны в Одноклассниках

Рассмотрим задачу персонализации новостной ленты и поговорим о получении модели и основанных на ней прогнозов, а также о технологиях обработки и хранения данных экосистемы Hadoop.

Подробнее
Артем Маринов Directual
Артем Маринов
Directual
День 1 / 15:35  / Зал 1 / / Для практикующих инженеров

Сегментируем 600 миллионов пользователей в режиме реального времени каждый день

Как мы переработали архитектуру платформы для обработки в реальном времени данных 600 миллионов пользователей (сотни тысяч событий в секунду), с какими проблемами столкнулись и как их решали.

Подробнее
Сергей Николенко ПОМИ РАН
Сергей Николенко
ПОМИ РАН
День 1 / 12:50  / Зал 1 / / Для практикующих инженеров

Глубокие свёрточные сети для обнаружения объектов и сегментации изображений

В докладе мы обсудим, как сети, распознающие отдельные объекты, превращаются в сети, выделяющие объекты среди массы других. Поговорим о YoLo, single-shot detectors и линии моделей от R-CNN до Mask R-CNN.

Подробнее
Алексей Потапов ИТМО
Алексей Потапов
ИТМО
День 1 / 11:40  / Зал 2 / / Хардкор. Сложный низкоуровневый доклад, требующий от слушателя знаний технологии.

Глубокое обучение, вероятностное программирование и метавычисления: точка пересечения

Обсуждаем генеративные и дискриминантные модели и связь между ними в терминах специализации программ, роль этих моделей в рамках глубокого обучения и вероятностного программирования. В частности, речь пойдёт о нейробайесовском подходе и о нейровероятностном программировании как объединении двух парадигм на примере библиотеки Edward.

Подробнее
Виталий Худобахшов  Одноклассники
Виталий Худобахшов
Одноклассники
День 1 / 10:30  / Зал 1 / / Введение в технологию

Имя — это фича

Поговорим о самых неожиданных и контринтуитивных наблюдениях, которые можно сделать с помощью анализа данных в социальных сетях. Не обойдём вниманием вопросы статистической значимости таких наблюдений, влиянии ботов и ложных корреляций.

Подробнее
Артём Григорьев Яндекс
Артём Григорьев
Яндекс
День 1 / 11:40  / Зал 3 / / Введение в технологию

Краудсорсинг: как приручить толпу?

Основываясь на опыте создания и использования краудсорсинговой платформы Яндекс.Толока, рассмотрим вопросы контроля качества, мотивации исполнителей, а также различные модели агрегации результатов разметки.

Подробнее
Анна Вероника Дорогуш Яндекс
Анна Вероника Дорогуш
Яндекс
День 1 / 15:35  / Зал 3 / / Для практикующих инженеров

CatBoost — следующее поколение градиентного бустинга

Как наиболее эффективно пользоваться алгоритмом градиентного бустинга CatBoost, где он применяется уже сейчас, где будет применяться и кому стоит обратить на него внимание.

Подробнее
Андрей Бояров Mail.Ru Group
Андрей Бояров
Mail.Ru Group
День 1 / 14:25  / Зал 3 / / Для практикующих инженеров

Deep Learning: Распознавание сцен и достопримечательностей на изображениях

В данном докладе пойдет речь о построении системы для решения задачи scene recognition при помощи state-of-the-art подхода, основанного на глубоких сверточных нейронных сетях.

Подробнее
Владимир Красильщик  Яндекс
Владимир Красильщик
Яндекс
День 1 / 14:25  / Зал 2 / / Введение в технологию

Назад в будущее современной банковской системы

Поговорим о том, что такое Audit-Driven Development и откуда оно взялось, как организовать битемпоральное хранилище фактов, зачем распределённой системе нужна машина времени, а также поделимся «универсальной формулой факта» и чем чаще всего оказываются задачи так называемой «аналитики».

Подробнее
Александр Сербул 1С-Битрикс
Александр Сербул
1С-Битрикс
День 1 / 12:50  / Зал 2 / / Введение в технологию

Прикладное машинное обучение в электронной коммерции: сценарии и архитектуры пилотов и боевых проектов

Разберем ряд пилотов и боевых проектов с применением популярных и «редких» алгоритмов машинного обучения. Рассматривается техническая реализация на платформах Java, PHP, Python с использованием открытых библиотек и спектра инструментов в Amazon Web Services.

Подробнее
Иван Дрокин BrainGarden
Иван Дрокин
BrainGarden
День 1 / 15:35  / Зал 2 / / Введение в технологию

Нет данных? Нет проблем! Deep Learning на CGI

Рассмотрим пример обучения глубоких свёрточных сетей для локализации ключевых точек объекта на полностью синтетическом наборе данных.

Подробнее
Александр Сибиряков Scrapinghub
Александр Сибиряков
Scrapinghub
День 1 / 16:45  / Зал 3 / / Введение в технологию

Автоматический поиск контактной информации в интернете

Доклад о распределенном роботе для обхода веба, поиска и извлечения контактной информации с корпоративных веб-сайтов.

Подробнее
Александр Крашенинников Badoo
Александр Крашенинников
Badoo
День 1 / 16:45  / Зал 1 / / Для практикующих инженеров

Hadoop high availability: опыт Badoo

Поговорим об обеспечении высокой доступности компонентов Hadoop-кластера, зачем и как это делать.

Подробнее
Алексей Натёкин DM Labs, Arktur, Open Data Science
Алексей Натёкин
DM Labs, Arktur, Open Data Science
День 1 / 16:45  / Зал 2 / / Для практикующих инженеров

Карты, бустинг, 2 стула

Попробуем вместе разобраться, нужна ли вам в 2017-2018 видеокарта, чтобы обучать градиентный бустинг.

Подробнее
Борис Шминке ivi
Борис Шминке
ivi
День 1 / 12:50  / Зал 3 / / Для практикующих инженеров

Распределённое ML на больших данных: опыт построения рекомендательной системы в ivi

Как из небольшого скрипта, перемножавшего матрицы, мы прошли путь до собственного Hadoop Data Lake, распределённого машинного обучения на Spark, фреймворка оффлайн-оценок на Scala и высококастомизированной под нужды бизнеса рекомендательной системы.

Подробнее
Михаил Камалов Epam Systems
Михаил Камалов
Epam Systems
День 1 / 11:40  / Зал 1 / / Для практикующих инженеров

Рекомендательные системы: от матричных разложений к глубинному обучению в поточном режиме

Рассмотрим практические аспекты применения глубинного обучения, коллаборативной и контентной фильтрации и фильтрации по времени как подходов в рекомендательных системах, а также построение гибридных рекомендательных систем и модификации подходов для онлайн обучения на Spark.

Подробнее

Наши контакты