Традиционный формат: совместный разбор решений задач из онлайн-конкурсов от победителей последних соревнований.

Формат для знакомства: все желающие могут выйти на сцену и за две минуты рассказать, чем занимаются.

Как прокачаться в анализе данных, найти единомышленников и при этом неплохо угаретьоторваться? Организовать проект! Наше сообщество OpenDataScience началось с таких совместных проектов, и мы вновь готовы их запускать. На лекции я расскажу о том, что мы придумали и как к этому присоединиться. От лайтовых небольших исследований алгоритмов, до попыток сделать реальный симулятор козла с много-камерной съемкойсъёмкой и электроэнцефалографом.

Многие алгоритмы для генерации текста на выходе дают бессвязную чушь. По крайней мере, так утверждают люди, оценивающие результаты. Эту проблему можно решить, посмотрев на неё с другой стороны: проблема не в алгоритмах, а в людях! Мы расскажем, как родившаяся на «Датасауне» идея генерировать сообщения для slack-чата переросла в эпичнейшую битву чатботов на просторах Двача. Этот проект начался как прикол, но в итоге позволил нам ответить на важные вопросы. Поймут ли люди, что пост написал робот, если он написан в /b? Как оценить, какой из алгоритмов больше похож на человека? Кто из собеседников-людей скорее просто подвыпил, а кто строчит прямиком из «жёлтого дома»?

Обсудим основные цели и способы совмещения языков R и Python. Посмотрим на примеры кода. В конце разберём небольшую реальную задачу.

Речь пойдёт об альтернативных методах визуализации и анализа городских процессов и их онлайн-отражений. Конкретные примеры могут быть самые разные — перемещения людей по улицам, упоминания городского события в соцсетях и т. д. Посмотрим, как тут помогают инструменты, разрабатываемые в Habidatum.

В докладе я расскажу о существующих облачных сервисах, которые можно использовать для анализа данных (Amazon Web Services, Microsoft Azure, Heizner Online и др.) Мы поговорим о преимуществах того или иного сервиса при решении задач разных типов. В завершение доклада я планирую поделиться опытом оптимизации и упрощения работы с такими сервисами и обсудить перспективы их использования.

Команда Яндекс.Дзена расскажет о том, как строятся рекомендации, которыми ежедневно пользуются несколько миллионов человек из более чем 40 стран мира. Отдельное внимание будет уделено техникам работы с текстами, применению нейронных сетей (в том числе глубоких), коллаборативной фильтрации, а также связи между офлайн- и онлайн-метриками качества.

Обучающее множество для корректора опечаток традиционно собирают с использованием асессоров. Мы реализовали сбор из данных о кликах на страницах результатов поиска по исходному и исправленному запросу. Новый метод требует меньших затрат и даёт результат сопоставимого качества.

Доклад посвящён технологии специализированного поиска, которая сейчас активно разрабатывается в Yandex Data Factory. Цель этой технологии — дать возможность пользователям «обучать» свои собственные поисковые движки и ориентировать их не на общую релевантность, а на узкие тематики. Речь пойдёт о примерах применения этой технологии к поиску медицинских статей и обнаружению сайтов, предлагающих потребительские займы.

Участники дискуссии обсудят, как можно было бы реализовать конкретные проекты — каждый слушатель сможет предложить свою идею.

Речь пойдёт о том, как можно применить технологии больших данных в промышленных задачах. Какую модель команда Yandex Data Factory построила для описания производства стали и какая задача оптимизации была решена с помощью этой модели. И, конечно, немного о том, как применить найденный подход к более широкому кругу промышленных задач.

Доклад о современной и перспективной архитектуре нейронных сетей, которая уже показала себя неплохо в целом ряде задач на supervised learning и unsupervised learning.

В каких ситуациях дообучение важно и нужно, какие известны подходы и методы, что используется в E-Contenta.

В результате физических экспериментов на Большом адронном коллайдере данные производятся со скоростью около 100 Гбит/с на протяжении вот уже четырёх лет. Зачем столько данных? Как их собрать и сохранить, где обработать? Что получается на выходе?

Расскажу о применениии Spark для машинного обучения, о различиях между Spark MLLib и популярной Python-библиотекой Scikit-Learn.

Мы рассмотрим технологию Apache Zeppelin, которая упрощает интерактивный анализ больших объёмов данных, выполняя ту же роль, что и IPython или Jupiter Notebook в экосистеме Python. Помимо удобного веб-интефейса, соединённого с Apache Spark и другими технологиями Hadoop Stack, Zeppelin предоставляет гибкие инструменты построения интерактивных визуализаций на базе AngularJS, что существенно расширяет возможности исследователя. Стоит упомянуть и интеграцию Zeppelin со Spark Streaming, позволяющую проводить анализ данных, поступающих с сервиса в реальном времени. Функциональность Zeppelin мы продемонстрируем на примере реальных задач аналитики «Одноклассников».

Почти все крупные бизнесы используют сетевой эффект. Он помогает удерживать позиции и увеличивать маржу. Мы поговорим о том, как создать такой эффект в бизнесе, связанном с машинным обучением.

Who can help the daring build a great deep learning company, and how.

Технологии машинного интеллекта и анализа данных сейчас у всех на слуху. Новые разработки, библиотеки и сервисы появляются каждые несколько недель. С одной стороны, это открывает двери и мотивирует создавать интересные продукты, но с другой — заказчики и рынок зачастую хотят космос, который нам пока только снится. В докладе будет освещено, как взаимодействовать со всеми причастными — от инвесторов до разработчиков — на пути развития научно-технологического стартапа в области машинного интеллекта.