Data Fest³

10-11 сентября 2016
Москва, Россия
Купить видео
В избранное

Константин Воронцов

Эксперт группы исследований в Яндекс

Вадим Стрижов

Ведущий научный сотрудник в Вычислительный центр РАН

Иван Оселедец

Доктор физико-математических наук, доцент в Сколковский институт науки и технологий

Владимир Гулин

Руководитель отдела ранжирования в Mail.ru

Михаил Левин

Разработчик в Яндекс

О мероприятии

Data Fest — это:

  • Двухдневная программа из лекций, дискуссий и разборов кейсов.
  • Больше 30 докладчиков, рассказывающих о передовых исследованиях и разработках.
  • Темы от теории глубокого обучения до практики применения анализа данных в реальных проектах.
  • Отличная компания и общение с людьми, работающими в области data science.

Для кого

  • CIO
  • Разработчика
  • Аналитикам
  • Программистам
  • Студентам технических ВУЗов
Поделиться

Расписание

Развернуть все
 
Показать
цену в
$
Получить доступ ко всем докладам
Куплено
В корзине
0 ₽
0 ₽
0 $
0 $
0 €
0 €

Константин Воронцов

Эксперт группы исследований в Яндекс

Тематическое моделирование на пути к разведочному информационному поиску

Технологии информационного поиска сделали научные знания доступнее. Их стало легче найти, но это не означает, что в них стало легче разобраться. Поиск ответа на вопрос «Где находится передний край науки по данной теме?» по-прежнему требует массы времени, высокой квалификации и достигается в значительной степени путём личного общения. Поисковые системы следующего поколения продолжат устранять барьеры между человеком и знанием, автоматизируя процессы систематизации и усвоения информации. В докладе рассматриваются методы и технологии анализа текстов, лежащие в основе тематического разведочного поиска.

Куплено
В корзине
0 ₽
0 ₽
0 $
0 $
0 €
0 €

Вадим Стрижов

Ведущий научный сотрудник в Вычислительный центр РАН

Порождение и выбор моделей машинного обучения

Для решения задач распознавания, классификации и прогнозирования нужна модель, которая допускает минимум ошибок и работает устойчиво. Перебор моделей требует от инженера значительных усилий. Предлагаемый метод помогает систематизировать такую работу. Его цель — автоматическое построение оптимальной модели. В докладе будет рассмотрено применение метода к анализу сигналов интернета вещей.

Куплено
В корзине
0 ₽
0 ₽
0 $
0 $
0 €
0 €

Иван Оселедец

Доктор физико-математических наук, доцент в Сколковский институт науки и технологий

Тензорные разложения и их применения

Матричные разложения лежат в основе многих методов обработки данных и машинного обучения. Переход от матриц к многомерным массивам (тензорам) естественным образом приводит к задачам разложения тензоров, которые обладают принципиально новыми свойствами. В докладе будет обзор существующих тензорных методов и примеры практического применения таких подходов, в том числе в задачах глубинного обучения.

Куплено
В корзине
0 ₽
0 ₽
0 $
0 $
0 €
0 €

Дмитрий Ветров

Профессор-исследователь в Факультета компьютерных наук НИУ ВШЭ
и ещё 6
докладчиков

Панельная дискуссия «Обучение machine learning»

Участники панельной дискуссии поделятся опытом создания образовательных программ по машинному обучению в вузах, на курсах и в онлайне.

Куплено
В корзине
0 ₽
0 ₽
0 $
0 $
0 €
0 €

Максим Борисяк

Стажёр-разработчик в Яндекс

CRAYFIS: поиск космических лучей ультравысоких энергий с помощью мобильных устройств

Космические лучи ультравысоких энергий до сих пор остаются загадкой для астрофизиков. Цель эксперимента CRAYFIS — разгадать тайну их возникновения. С помощью машинного обучения смартфоны добровольцев превратятся в глобальную обсерваторию, наблюдающую за этим редким космическим явлением.

Куплено
В корзине
0 ₽
0 ₽
0 $
0 $
0 €
0 €

Иван Дрокин

Аналитик в ЗАО «Биокад»

Машинное обучение в анализе медицинских данных

Современная медицина накопила огромный объём информации о пациентах и развитии заболеваний. Появилось множество методов диагностики и исследований — от анализа крови до генетических тестов, от ЭКГ и УЗИ до компьютерной томографии. В докладе речь пойдёт о нескольких приложениях машинного обучения к анализу медицинских данных. Кто лучше диагностирует рак — человек или машина? Можно ли предсказать сердечную недостаточность за девять месяцев до её проявления?

Куплено
В корзине
0 ₽
0 ₽
0 $
0 $
0 €
0 €

Илья Захаров

Научный сотрудник лаборатории возрастной психогенетики в Психологический институт РАО

Исследование связности в мозге на основе электрофизиологических данных

Анализ сетей передачи информации в мозге (связности мозга или connectivity) стал ступенькой для более целостного понимания принципов работы одного из сложнейших устройств в природе. В докладе пойдёт речь о том, на каких уровнях можно анализировать сети в мозге, какие данные для этого нужны, какие подводные камни могут возникать при таком анализе. А главное — что нового позволили узнать такие исследования.

Куплено
В корзине
0 ₽
0 ₽
0 $
0 $
0 €
0 €

Дмитрий Ветров

Профессор-исследователь в Факультета компьютерных наук НИУ ВШЭ

Нейробайесовский подход к задачам машинного обучения

В последние два года происходит стремительная конвергенция двух популярных подходов к решению задач машинного обучения. Это стало возможным после появления масштабируемых техник вариационного байесовского вывода. В докладе мы рассмотрим основы байесовского подхода и обсудим, какие преимущества он дает нейронным сетям.

Куплено
В корзине
0 ₽
0 ₽
0 $
0 $
0 €
0 €

Сергей Бартунов

Старший преподаватель в ФКН НИУ ВШЭ

Глубокое обучение: деконструкция мифа

Что именно позволило нейросетям из технологии-аутсайдера превратиться в предпочтительный инструмент для анализа сенсорной информации (а также всего остального)? Может ли другая технология в ближайшем будущем заменить глубокое обучение? Где и когда можно ждать следующего технологического прорыва? В докладе попробуем ответить на эти и некоторые другие вопросы.

Куплено
В корзине
0 ₽
0 ₽
0 $
0 $
0 €
0 €

Виктор Лемпицкий

Аналитик в Яндекс

Синтез изображений с помощью глубоких нейросетей

Использование глубоких свёрточных нейросетей в задачах распознавания образов на изображениях стало популярной и общеизвестной технологией. Что интересно, в последние два года исследователи предложили варианты использования таких нейросетей «в обратном направлении», т. е. для создания изображений, обладающих определёнными свойствами. Я расскажу о некоторых результатах, полученных буквально только что — в последние месяцы.

Куплено
В корзине
0 ₽
0 ₽
0 $
0 $
0 €
0 €
Получить доступ ко всем докладам
Куплено
В корзине
0 ₽
0 ₽
0 $
0 $
0 €
0 €

Игорь Лифарь

Руководитель группы ранжирования в Яндекс
и ещё 1
докладчик

Рекомендательная система сервиса Яндекс.Дзен

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.

Куплено
В корзине
0 ₽
0 ₽
0 $
0 $
0 €
0 €

Георгий Иванов

Аналитик в Mail.Ru

Использование кликовых данных для улучшения исправления опечаток

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.

Куплено
В корзине
0 ₽
0 ₽
0 $
0 $
0 €
0 €

Евгений Соколов

Руководитель группы качества рекомендаций и анализа контента в Яндекс

Модели специализированного поиска и поисковый индекс

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.

Куплено
В корзине
0 ₽
0 ₽
0 $
0 $
0 €
0 €

Алексей Натекин

Лидер в Open Data Science
и ещё 5
докладчиков

Панельный chop shop

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

Куплено
В корзине
0 ₽
0 ₽
0 $
0 $
0 €
0 €

Виктор Лобачев

Senior Researcher в Skolkovo Institute of Science and Technology

Как Яндекс металлургам помогал

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.

Куплено
В корзине
0 ₽
0 ₽
0 $
0 $
0 €
0 €

Артур Кадурин

Data Scientist в Mailru Group

Generative Adversarial Nets

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

Куплено
В корзине
0 ₽
0 ₽
0 $
0 $
0 €
0 €

Александр Петров

Директор по технологиям в E-Contenta

Рекомендации с онлайн дообучением

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

Куплено
В корзине
0 ₽
0 ₽
0 $
0 $
0 €
0 €

Петр Ромов

Data Scientist в Яндекс

Тренировка по машинному обучению

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

Куплено
В корзине
0 ₽
0 ₽
0 $
0 $
0 €
0 €

Артур Кузин

Data Scientist в Avito

Тренировка по машинному обучению

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

Куплено
В корзине
0 ₽
0 ₽
0 $
0 $
0 €
0 €

Даниил Охлопков

Студент факультета радиотехники и кибернетики в МФТИ

Тренировка по машинному обучению

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

Куплено
В корзине
0 ₽
0 ₽
0 $
0 $
0 €
0 €
Получить доступ ко всем докладам
Куплено
В корзине
0 ₽
0 ₽
0 $
0 $
0 €
0 €
Куплено
В корзине
0 ₽
0 ₽
0 $
0 $
0 €
0 €

Алексей Натекин

Лидер в Open Data Science

Коллективные проекты по анализу данных и симулятор козла

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.

Куплено
В корзине
0 ₽
0 ₽
0 $
0 $
0 €
0 €

Михаил Свешников

Разработчик в Rubbles
и ещё 2
докладчика

Deep2ch: чатботы в естественной среде обитания.

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»?

Куплено
В корзине
0 ₽
0 ₽
0 $
0 $
0 €
0 €

Ирина Голощапова

Эксперт по анализу денежно-кредитной политики в Центр макроэкономического анализа и краткосрочного прогнозирования

Совмещение R и Python. Зачем, когда и как

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

Куплено
В корзине
0 ₽
0 ₽
0 $
0 $
0 €
0 €

Вадим Смахтин

Сооснователь в Mathrioshka

Инструменты и методологии для визуального анализа пространственно-временных данных

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.

Куплено
В корзине
0 ₽
0 ₽
0 $
0 $
0 €
0 €

Петр Ермаков

Data Scientist в HeadHunter

Аренда облачных мощностей для начинающих, или Краткий гайд о том, что и для чего выбирать

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.

Куплено
В корзине
0 ₽
0 ₽
0 $
0 $
0 €
0 €

Фёдор Ратников

Исследователь данных в Яндекс

Большие данные Большого адронного коллайдера

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?

Куплено
В корзине
0 ₽
0 ₽
0 $
0 $
0 €
0 €

Дмитрий Бабаев

Эксперт по наукам о данных в МТС

ML Pipelines: Spark 2.0 vs Scikit-Learn

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

Куплено
В корзине
0 ₽
0 ₽
0 $
0 $
0 €
0 €

Наталья Притыковская

Исследователь данных в Одноклассники

Apache Zeppelin: интерактивный анализ больших данных

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».

Куплено
В корзине
0 ₽
0 ₽
0 $
0 $
0 €
0 €
Получить доступ ко всем докладам
Куплено
В корзине
0 ₽
0 ₽
0 $
0 $
0 €
0 €

Иван Ямщиков

Аналитик в Яндекс

Питч-сессия

Куплено
В корзине
0 ₽
0 ₽
0 $
0 $
0 €
0 €

Анатолий Марин

CEO/Co-Founder в Payment Systems
и ещё 1
докладчик

How to build a defensible business in machine learning

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.

Куплено
В корзине
0 ₽
0 ₽
0 $
0 $
0 €
0 €

Виктор Осыка

Инвестор в Almaz Capital

Creating a deep learning startup

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

Куплено
В корзине
0 ₽
0 ₽
0 $
0 $
0 €
0 €

Владислав Беляев

Генеральный директор в DeepHackLab

How to launch a deep learning startup and avoid failure. Technology vs. Product

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.

Куплено
В корзине
0 ₽
0 ₽
0 $
0 $
0 €
0 €

Билеты

Показать
цену в
$
Видеозапись
Доступ к записям всех докладов
Куплено
В корзине
0 ₽
0 ₽
0 $
0 $
0 €
0 €

Организатор

Яндекс
http://fronttalks.ru/

Организационный комитет: Open Data Science, 1

Похожие мероприятия

13 мая 2017
Докладов 9
Просмотров 4
аналитика, Данные, Программирование, Разработка
22-23 апреля 2017
Докладов 2
Просмотров 8
аналитика, Данные, Программирование, Разработка
24 февраля 2018
Докладов 14
Просмотров 2
data science, Databases, DevOps, PyCon, Python, ПО, Программирование, Разработка, Софт
показать еще