Vous êtes sur la page 1sur 1

Main Main stage Pain Pain stage Black Black stage Space Space stage Cube Cube stage

in Pain stage Black Black stage Space Space stage Cube Cube stage Com Community lab
11:00 stage Machine learning legends panel stage Lambda- и Kappa-архитектуры stage К какому существительному относится местоимение в тексте? stage Производительность и внутреннее устройство RNN в Tensorflow stage Deep Reinforcement Learning for Combinatorial Optimization munit Введение в ML4SG
11:00 Константин Воронцов, Евгений Бурнаев, Владимир Гулин, 11:00 Коля Марков, секция Big Data / Data Engineering 11:00 (Kaggle Gendered Pronoun Resolution) 11:00 Юрий Волков, секция PyData 11:00 Сергей Свиридов, секция Reinforcement learning y lab
11:00 Александр Ложечник, секция ML4SG
– Станислав Семенов - Lambda- и Kappa-архитектуры - это подходы к построению - Павел Петроченко, секция ML тренировка - В данном докладе мы узнаем, как выбрать RNN, чтобы они - Мы посмотрим как можно применить Deep Reinforcement - Рассказ об инициатие ML4SG, целях и задачах
12:45 Куда идет и развивается DS и ML область? Обсуждают ведущие 11:35 аналитики для бигдаты, сочетающие batch-processing и stream- 11:35 Когда мы читаем текст и встречаем местоимения, то легко 11:30 работали эффективно для вашей задачи, посмотрим на бенчмарки 11:25 Learning для решения распространенных задач комбинаторной 11:15
исследователи и руководители научных и инженерных групп. processing. В эти архитектуры вложена не только идея понимаем, к какому существительному оно относится. Про эту и неочевидные моменты работы Tensorflow с рекуррентными оптимизации, таких как Traveling Salesman Problem, Vehicle
параллелизации, но и идея отказоустойчивости, позволяющей нетривиальную для компьютера задачу прошёл конкурс, сетями, а также покопаемся в исходниках. Routing Problem, Bin Packing Problem, а также ряда других. Будут
11:30 минимизировать
Тестирование проблемы
Spark в случае сбоев и компенсировать
приложений которому и посвящён
Построение этот доклад.
рекомендаций для онлайн-кинотеатра (Rekko Dataframe inference рассмотрены несколько
Reinforcement публикаций, предложенные
learning, pre-production case в них Секция ML4SG
11:35 длительные
Виталий задержки до получения
Худобахшов, секция результата,
Big Data например, от
/ Data Engineering 11:35 Challenge) 11:30 Сергей Карпов, секция PyData 11:25 подходы
Иван и полученные
Жук, секция результаты.
Reinforcement learning 11:15 Анализ судебных решений – Александр Кукушкин
- MapReduce.
Люди делаютДавайте
ошибкипоговорим о том,
в коде, много как подобные
ошибок, штуки
а в случае работы с - Евгений Смирнов, секция ML тренировка - В ходе разработки ML продукта часто возникает проблема - Reinforcement learning (RL) одна из самых перспективных и – Радар новостных топиков – Святослав Ковалев
12:10 устроены иданными,
большими приоткроем завесу
цена такихнад технической
ошибок стороной
очень высока, потому 12:10 Для онлайн-кинотеатра важно показывать интересный контент 12:00 синхронизации research и production кода. В этом докладе мы 11:50 сложных областей машинного обучения. Не смотря на заявление 12:15 Поиск пропавших домашних животных – Михаил Усков
подобных
что каждый архитектур.
запуск отнимает время и ресурсы в кластере или для каждого пользователя. Доклад посвящён конкурсу по рассказываем как с помощью sklearn pipeline и библиотеки sklear- о близости RL к Artificial General Intelligence, каждая задача все Определение вероятности принадлежности 3Д модели погибшего
облаке. Как и в большинстве других случаев, при обработке построению таких рекомендательных систем. pandas сделать компактную, реюзабельную и универсальную еще требует вдумчивого, индивидуального подхода.  судна – Павел Голубев
12:00 больших данных, написание тестов может сильно сэкономить модель, -которую
Ebonite модели вможно
прод сбудет
пылуиспользовать для inference в
с жару из ноутбуков RL в поиске соседей Секция ML4SG
время на отладке. В своем докладе я расскажу про тестирование и 12:00 микросервисе,
Михаил батч скриптахPyData
Свешников, секция или spark джобе, имея при этом 11:50 Нам былоФёдор, секция
Ратников интересно разобраться в том,learning
Reinforcement насколько RL близок и 12:15 Прогнозирование нарушений антимонопольного
валидацию Spark приложений. О том, как сравнительно - минимум
Когда кода
наши ДСыи лишь один dataframe
в очередной раз попросили меня завернуть их - сложен для
Подходы изприменения в настоящих,
Deep RL и смежных жизненных
областей окружениях. 
имеют репутацию – законодательства – Кирилл Власов
небольшим усилием избежать больших проблем с большими 12:30 модель для прода, мы поняли, чего не хватает этому миру - того 12:15 В докладе мы рассмотрим
космического корабля в версииproduction
v0.1 -ready
он уже case использования
красиво выглядитRLи 12:45 Поисково-спасательный отряд «Лиза Алерт» – Георгий
данными. В конце немного расскажу о новых инструментах от самого 14го стандарта для заворачивания моделей, который для настоящей
даже игрушки
умеет взлетать. Черезна Unity3D. А также, проведем
раз и за миллионы долларов. Но если Перевозчиков
JetBrains для работы с большими данным и с Apache Spark в обобщает все остальные. На всякий случай проверив, что небольшую
вам экскурсию
просто нужно по улице
на работу, граблей автобус. 
вы выберете
12:15 частности. инфраструктуры DWH в Одноклассниках.
Эволюция Предсказание транзакций или поиск магии среди синтетических существующие решения действительно нам не подходят (а Однако мир неLearning
Reinforcement стоит наasместе и кое-где
Probabilistic вы уже можете
Inference Use AR to empower people
12:10 Денис Габайдулин, секция Big Data / Data Engineering 12:10 данных (Kaggle Santander Customer Transaction Prediction) заодно и понатырив идей), мы принялись за свой велосипед. 12:15 использовать
Павел Deep RL & Reinforcement
Темирчев, секция Co для чего-тоlearning
более прикладного, чем 12:45 Андрей Dorothy.app, секция ML4SG
- Мы ежедневно обрабатываем десятки миллиардов событий в - Василий Рязанов, секция ML тренировка Результат этого процесса получил название Ebonite, фреймворк, - написание статьей
Вероятностные по самомумодели
графические deep RL. В этом докладе
представляют мыгибкий
собой - Dorothy.app - навигатор для людей с нарушениями работы
12:45 сутки и запускаем 1000+ регулярных джобов.С чего мы начали и 12:45 Известная многим по конкурсам компания Santander провела который позволяет кожаным мешкам сосредоточиться на 12:40 разберём
и несколько
эффективный задач которые
инструмент, нам довелось
позволяющий решать исистемы
моделировать 13:00 памяти. Как мы использовали AR, чтобы улучшить качество
к чему пришли?  очередной контест, в котором снова не обошлось без сюрприза в моделировании, а хранение, версионирование, деплой и срасскажем о типовыхструктурой
предопределенной граблях и ои том,делатькаквыводы
на них онених. 
наступить. А жизни людей. Особенности бизнеса в здравоохранении.
Почему написали свои аналоги luigi, spark job server и создали работе с синтетическими данными. мониторинг берет на себя. Но основная его фишка в модульности заодно потравим
Классически, байки о том,составляющая
вероятностная как мы ходили по этим обучения
в задачах граблям. с Технологии AR, особенности их применения в реальных
13:00 Exploring the Frontiers of Computer Vision in the Era of Big Computi свой мониторинг? 
Рекомендации вакансий с помощью машинного обучения. О чем не расскажешь на ML тренировке и расширяемости
RuBERT: - можно
training and самостоятельно
fine-tuning for SQuADкастомизировать
and Classification подкреплением
Neural (RL) ограничена
Ordinary Differential описанием динамики среды с
Equations условиях. with data visualization: case of kaggle kernels
Storytelling
13:00 ng Power and Big Data  13:00 Будет много
Георгий практическойML
Даньщин, секция информации,
Engineeringкак делать большие
/ SysML 13:00 Артур Кузин, секция Black ML 13:00 любой Куратов, секция
Юрий из компонентов iPavlov
под свои нужды.
workshop 13:00 помощью вероятностных
Александра Волохова, секцияраспределений
DeepBayes сworkshop
наличием некоторой 13:00 Андрей Лукьяненко, секция EDA & visualisation
- Dr. Qi Tian, секция ML keynotes, CV - проекты
В докладев big data на hadoop-стеке.
я расскажу о том, как эволюционировала наша система - Различные истории из соревнований и хакатонов, из-за которых и - Transformer based Masked Language Models (BERT). Transfer - функции награды, вероятностно необоснованной. Поиск - В рамках работы над DS проектами нам часто нужно
13:40 In the past decade, big computation and big data have largely boosted 13:30 рекомендаций вакансий, которая прошла путь от поиска по 13:15 родилась идея создание такой сессии 13:15 Learning для русскоязычной модели BERT из мультиязычного 13:15 оптимальной политики при таком подходе является задачей, 13:15 рассказывать о том, что мы делаем, будь то предварительный
the development of computer vision. In this talk, we will base on the вручную составленным тегам до полноценного ML решения. домена. Fine-tuning моделей RuBERT для русскоязычных задач радикалько отличающейся от задачи вероятностного вывода.  анализ данных, работа над ML моделями или презентация
full-stack AI computation solution of Huawei, and follow the path of Поговорим как о технических подробностях реализации классификации и Question Answering. В рамках доклада мы увидим, что задача поиска оптимальной результатов проекта. И визуализация данных является важной
13:15 six major research directions, to demonstrate the computer vision рекомендаций, так и о том, какую пользу ML принёс бизнесу.  Тысячи аккаунтов за один вечер RuBERT NER стратегии оптимизация
Риманова принятия решений может быть
в машинном представлена
обучении частью выступлений,
Визуализация больших она помогает
графов акцентировать
для самых маленькихвнимание на
R&D landscape in Huawei, in particular Noah’s Ark Lab. We will * Использование пользовательского фидбека для построения 13:15 Владислав Шахрай, секция Black ML 13:15 Мария Трофимова, секция iPavlov workshop 13:15 процедурой
Дмитрий вероятностногоDeepBayes
Кропотов, секция вывода в определенном
workshop виде нужных вещах,
13:15 Святослав доказывать EDA
Ковалев, секция точку&зрения или просто быть
visualisation
introduce a few newest works which achieved the state-of-the-art in выборки.  - Соревнования на кастомных платформах не всегда - NER для русского с помощью RuBERT.  - графической модели. Также мы обсудим, почему задачи RL с - иллюстрацией
Если к самому
ваши графовые рассказу. Ввсё
визуализации этом докладе
время я покажу
получаются
the community, covering a wide range of computer vision applications * Какая информация полезна при построении рекомендаций? 13:30 заканчиваются для организаторов благополучно. Особенно, если 13:30 NER для 100 языков и 19 классов с помощью мультиязычного 13:30 максимизацией энтропии политики эквивалентны решению примеры того,
13:30 похожими как эффективно
на большой волосатый использовать визуализации
ком, или вообще для
не рисуются
such as classical recognition (classification, detection, segmentation, Совместный учёт контента документов и активности на сайте.  на них нет никаких правил. Этот поклад про то, на что обратить BERT. задачи вариационного вывода в данной постановке.  этих задач
из-за на примере
размеров, исследований
то вам сюда. Если ваши в kaggle
данныеkernels.
представимы в
etc.) and currently trending research topics such as neural architecture * Баланс между сложностью модели и временем ответа.  внимание на таких соревнованиях и как обеспечить себе победу В конце рассмотрим модификации таких алгоритмов RL как: Q- виде графов, но вы не знаете как этим пользоваться, вам тоже
search. We look forward to more communications and collaborations * Измерение качества рекомендаций и процесс принятия
и нерешения learning, Actor-Critic и Policy Gradients, позволяющие им решать сюда. Расскажу и какие
анализбывают укладкина графов
ютубеи что вообще такое
13:30 Пересесть с иглы логистической регрессии на xgboost Эксплуатирование уязвимостей в платформе соревнования RuBERT for Retrieval Краткий
задачу
обзор методов сжатия нейросетей. Визуализация комментариев
with the audience 13:30 оумереть.
выпуске новой версии системы на всех пользователей.  13:30 Артур Фаттахов, секция Black ML 13:30 Леонид Пугачев, секция iPavlov workshop 13:30 Максимв Кодрян, секция
такой вероятностной постановке.
DeepBayes workshop 13:30 укладка. Что можно увидеть
Антон Костин, секция EDA &поvisualisation
визуализации графовых данных, и
- * Что headhunter
Малютин получил благодаря
Евгений, секция внедрению
ML Engineering / SysMLмашинного - Доклад про то, как извлекать скрытую от участника информацию - Применение BERT и RuBERT для Retrieval задач. Representation- - - как этим можно
Основной пользоваться.
инструмент - анализПокажу много примеров
взаимодействия разных
комментаторов
14:00 обучения
Легко в поисковые
и просто стекатьидеревья
рекомендательные сервисы?на
для kaggle, обучаясь 13:45 в код-компетишенах �‍♀️ 13:45 based vs. Interaction-based подходы. N-pair, Triplet semi-hard, 13:45 подходов, мелких
13:45 ютуб-каналов. хаков истатистика
Открытая немного хороших
просмотров инструментов,
лидерборд, однако если на одном конце пайплайна террабайты Contrastive losses. которые придут на помощь
малоинформативна и говорит в любой ситуации.
о канале, а не о его аудитории.
данных и spark-кластер, а на другом - 50k запросов в секунду, Однако нам известны данные о комментаторах. Кто такие
13:45 Face Anti-Spoofing in Modern Biometric Systems миллионы пользователей и менеджер с десятком KPI, которые не Scrape or not? Knowledge Base QA Introduction to causality комментаторы? В
Retentioneering: первую очередь,
инструменты поиска этопаттернов
представители активной
в траекториях
13:40 Евгений Макаров, секция ML keynotes, CV хочется ронять - контекст драматически меняется . О том как мы 13:45 Константин Гаврильчик, секция Black ML 13:45 Михаил Архипов, секция iPavlov workshop 13:45 Артём Гадецкий, секция DeepBayes workshop 13:45 аудитории
пользователей канала. Когда мы изучаем по комментаторам
- We provide review of anti-spoofing techniques used in modern пытались пересесть с иглы логистической регрессии на xgboost в - Соревнование - это в том числе и возможность побороться за - Построение вопросно-ответной системы на Базе Знаний. Как - - аудиторию
Дмитрий одного канала,EDA
Киселев, секция мы можем посмотреть затем, как она
& visualisation
14:10 biometric systems. Give overview of active and passive approaches of ленте ОК и что в итоге получилось - и пойдёт речь.  14:00 призы. Но что делать если организаторы использовали опенсорс 14:00 отвечать на вопросы с помощью Wikidata. 14:00 пересекается
14:00 Как детально сизученить
аудиториями другихклиента
поведение каналов.в Нам важен не сам
приложении?
liveness detection. Discuss datasets and competitions in the field В программе нашего трэш-кабаре: данные и даже не попытались их анонимизировать? Честные факт комментирования
Увидеть переходы между видеоролика, а сопоставление
целевыми действиями, скипы действий
важных
особенности обучения XGBoost под Apache Spark,  подходы не могут дать результатов сопоставимых с комментаторов
событий, переходыв разных роликах.
в таргеты Основная задача,
неочевидными путями? которую
Мы мы
14:00 нюансы инференса
Факторы в Антифродемодели на продакшене, 
Яндекса: быстро, надежно, выразительно победителями,
Почему поэтому
вам не стоит перед участниками
учавствовать встаёт выбор: Scrape
в хакатонах NeuroEvolution Deeper Connections between Neural Networks and Gaussian выбрали — это
разработали
Интерактивные визуализация
аналитические
графики на Altair и обнаружение
инструменты
(Vega-Lite) на ее основе чтобы
Retentioneering,
14:00 проблемы корреляции AUCML
Черкасов Дмитрий, секция и бизнес-метрик, 
Engineering / SysML 14:00 or not? Воротынцев, секция Black ML
Денис 14:00 Диляра Баймурзина, секция iPavlov workshop 14:00 Processes Speed-up Active Learning регионов
траектории, — паттернов,
графы и а
матрицытакже общее
переходов
14:00 Илья Тимофеев, секция EDA & visualisation картографирование
пользователя сами
- трудности
Два с балансом
года назад контента
мы начали проектировать платформу, - Надоело биться за сотые доли метрики в кагле и вы подумываете - Эволюционные алгоритмы для подбора архитектуры нейросетей. - Максим Панов, секция DeepBayes workshop - взаимодействия
подсказали
Интерактивные комментаторов.
проблемные
графики места.
весьмаМы Дляприменили
этого имы
эффектны выстраиваем
этим привлекают сеть
Retentioneering, к
14:30 позволяющую развернуть антифрод для любого сервиса Яндекса. 14:15 решить крутую и актуальную задачу на ближайшем хакатоне? 14:15 Эксперименты c Natural Language Inference. 14:15 аффилиации
чтобы
14:15 себе найти
массу "комментаторы
паттерны
внимания. Однако - они
ролики/каналы/..."
в траекториях: циклы
весьма и визуализируем
и петли,
трудоёмки вточки
создании и
Сложность задачи заключается в том, что части сервисов нужны Казалось бы, что могло пойти не так? В своем выступлении ее в виде
торможения, двудольного
отвлечения, орграфа в Gephi.
поглощения, слепые
далеко не всегда усилия по их разработке оправдываются. Я пятна и тупики.
максимально строгие гарантии по скорости, надежности и Денис Воротынцев расскажет про хорошие и плохие стороны Мы расскажем
поделюсь своимо пониманием
методах выявлениякогда ианомалий в траекториях
зачем интерактивность
14:15 Few-shot Adversarial Learning of Realistic Neural Talking Head качеству. Нам в свою очередь важна гибкость системы и простота современных
Как хакатонов
не спалиться, и "лики",
если знаешь которые
ответы тестанарочно допускают Секция iPavlov workshop Deep Multi-texture Synthesis пользователя, почему
действительно это позволяет
может быть полезной.  решать реальные проблемы
14:10 Models поддержки. В докладе я расскажу, как мы смогли выполнить все 14:15 организаторы. Вы узнаете
Павел Плесков, секция чтоML
Black нужно делать чтобы выйти из 14:15 Оценка качества эмбеддингов предложений с DeepPavlovEval – 14:15 Максим Кочуров, секция DeepBayes workshop бизнеса насколько
Покажу - как аналитически, так и через
просто создавать такие конструирование
графики в AltairML и
- Егор Захаров, секция ML keynotes, CV противоречивые требования. Сконцентрируюсь на модели - хакатона
Все если не
лайфхаки, победителем,
которые то хотя бы на
можно рассказать остаться
камеручеловеком. – Владислав Лялин - решений для
расскажу как dynamic UI. первые препятствия на этом пути.
преодолевать
14:30 Создание фотореалистичного аватара человека является сложной вычисления сложных факторов на потоке данных и обеспечении 14:30 14:45 Инструмент для сравнительного анализа качества векторных 14:30
задачей, которая обычно решается за счёт экстенсивного отказоустойчивости системы. представлений предложений для русского языка. Сравнение
обучения на большом объёме данных, собранных отдельно для fastText, ELMo, BERT.
15:30 каждого человека.
Automatic Но во
visualization of многих практических
large files in service of сценариях есть
anomaly detection Общие подходы к ускорению нейронных сетей Интерпретируемые модели машинного обучения и их RuBERTBigARTM
Секция vs TF-IDFworkshop
– Евгений Ботвиновский Learnable Triangulation - new SOTA in markerless motion capture Голосовая биометрия
15:30 необходимость получения аватаров
Prof. Leland Wilkinson, секция в режиме
ML keynotes, few-shot или даже 15:30 Дмитрий Коробченко, секция Fit ML
general 15:30 представление бизнесу 15:30 Тестирование русскоязычной модели
BigARTM: от лего-конструктора BERT на моделей
тематических задаче к 15:30 Искаков Карим, секция Deep CV workshop 15:30 Марина Ярославцева, секция ML kitchen
- one-shot, по
Описание одной фотографии.
появится в ближайшееВвремя!
этой презентации мы - В докладе будет рассказано, за счёт чего можно достичь - Ирина Голощапова, секция Interpretable ML – классификации.
сервисам Как готовить
разведочного поискаBERT, чтобы онВоронцов 
– Константин бил baseline на - В нашей работе "Learnable Triangulation of Human Pose" мы -
16:20 расскажем о новой модели, которая после мета-обучения 15:55 повышения скорости работы нейронных сетей при минимальных 15:55 Поговорим о самом понятии интерпретируемости моделей, о ее небольших данных.
16:05 Тематическое моделирование текстовых коллекций: что это такое 15:55 представили решение задачи markerless motion capture, 15:55
способна получать реалистичные аватары для новых людей по или нулевых потерях в качестве, будет дан набор советов о том, понимании с точки зрения ML и эконометрики. Рассмотрим и с чем это едят. Шесть основных механизмов BigARTM. Как основанное на новом методе агрегации изображений с
нескольким или одной картинке. как продумать оптимальность еще на ранних стадиях разные категории интерпретируемости и то, как может в строить тематические эмбеддинги. нескольких камер. Нам удалось превзойти предыдущий state-of-
16:00 моделирования,
Обучение быстрых а также проведён
моделей обзор различных
распознавания лиц для работы на зависимости
Что от них
делать если отличаться
у вас подход
есть черная к представлению
коробка, нуждающаясямодели
в Тематический
Оценивание разведочный
сложности текстапоиск
для по медицинскимрезультатов
представления статьям – the-art подход определения
Координатная 3D позы человека
текстура: переодевание в ~2.5позы
и изменение раза.человека Uplift модели: в каком случае они нужны, основные подходы и
алгоритмических
15:55 мобильных трюков, которые используются под капотом
устройствах бизнес-заказчику
15:55 интерпретации? Максим Филин
16:05 разведочного поиска. 15:55 Артём Севастопольский, секция Deep CV workshop 15:55 метрики.
- реальных Нехаев, секция
Дмитрий боевых нейронных сетей.
Fit ML - Юрий Гаврилин, секция Interpretable ML - Как построить
Максим движок тематического
Еремеев, секция BigARTM workshopпоиска. Какие ещё - Мы расскажем, как предсказать, как человек выглядит в другой - Ирина Елисова, секция ML kitchen
16:20 В докладе пойдет речь о:  16:20 Как интерпретировать модели машинного обучения? Что делать технологии
16:20 Хотим NLP надо использовать
автоматизировать кроме знаний,
не только поиск BigARTM. но также их 16:20 позе и одежде, по одной фотографии. Метод восстанавливает 16:10
- современных нейросетевых архитектурах, разработанных для если модели неинтерпретируемы сами по себе? Что если мы не понимание и систематизацию. Но как подсказать пользователю, с полную текстуру поверхности тела человека с помощью
работы на мобильных устройствах  имеем к ним доступа? Что если это просто черный ящик? Как чего лучше начать, что читать в первую очередь? Видимо, надо координатного инпэинтинга. Вместо восстановления полной
16:15 Sample-efficiency and reliability in Reinforcement Learning - методах
Запуск ускорениянаstate-of-the-art
нейросетей архитектур снейронных
мобильных устройствах помощью сетей оценить качество
Интерпретация объяснений
модели полученныхмоделируемого
vs интерпретация для такой модели? Обо
явления начинать с простого
Тематизация диалогов контакт-центра: первый шаг к обучению цветовой текстуры модель выучивает симметрии тела человека и DS в HR. Визуализация и аналитика графов
16:20 Romain Laroche, секция ML keynotes, general на примере задачи распознавания лиц: как ускорить сеть в 8 раз
16:20 JavaScript всемне
16:20 (как этом мы поговорим
выстрелить себе ввногу
этомпри
докладе.
интерпретации моделей) 16:20 чат-бота переносит видимую часть на неизвестную – например, использует 16:10 Павел Трошенков, секция ML kitchen
- The presentation starts with a brief introduction of Reinforcement - без потери качества?
Александр Мамаев, секция Fit ML - Данила Савенков, секция Interpretable ML - Артем Попов, секция BigARTM workshop цвет пикселей левого глаза, чтобы нарисовать правый. Нашу - Каждая компания представляет собой социальную структуру, для
17:10 Learning (RL) and an overview of its success. Even though these - методах
16:45 Обзор какобучения совместимых
обстоят дела с запускоммоделей распознавания
сеток через лицоно
js, на сколько 16:45 Последнее время тема interpretability привлекает все больше 16:35 Чтобы обучить чат-бота, нужна обучающая выборка. Но как работу уже приняли на CVPR'19 :) 16:35 которой применимы инструменты теории графов. С её помощью
achievements are compelling, state-of-the-art algorithms require an production ready и как начать. внимания, появляются методы, для интерпретации black box понять, на сколько классов размечать обращения клиентов? можно описать сотрудников в векторном виде, найти лидеров в
unreasonable amount of data. Morevoer, they sometimes converge to моделей. И когда мы научились интерпретировать модель очень Сколько всего клиентских интентов, и какие они? И как сделать коллективе, выявить проблемы с адаптацией у новичков.
16:30 terrible solutions. These restrictions compromise the application of хочется пойти дальше и понять как же зависит целевая разметку в условиях,
Тематическая моделькогда ответы операторов
потребительского далеки
поведения от идеала.
розничных Нейросетевые аватары Смена девайсов. Путь воина: эпизод 1
RL in the real world. Then, the presentation walks through our main переменная (не предсказание модели, а именно целевая 16:35 клиентов банка. 16:20 Егор Захаров, секция Deep CV workshop 16:35 Анна Папета, секция ML kitchen
contributions at Microsoft Research Montréal: переменная) от наших признаков. И здесь все не так просто, как - Евгений Егоров, секция BigARTM workshop - Расскажем про то, как можно генерировать изображения людей с -
beating the Atari game Ms. Pac-Man in less than 3,000 games,  может показаться на первый взгляд 16:50 Банки хотят лучше понимать своих клиентов. Если историю 16:45 произвольного ракурса без предсказания в явном виде 3д-модели 16:50
and improving the reliability of the RL algorithms with ensemble транзакций рассматривать как «документ», а коды продавцов как или 2д-пикселей.
methods, and with baseline bootstrapping. «слова», то темами окажутся типы потребительского поведения
16:45 Introducing Smelter: движок для инференса Объяснение предсказаний нейросетей: Grad-CAM is all you need клиентов. Какие
Тематическая сложности
модель мы встречаем
экономической на пути к цифровому
деятельности Deep Neural Networks with Box Convolutions PySpark - как делать бигдэйту, не вылезая из ноутбучика
16:45 Андрей Володин, секция Fit ML 16:45 Константин Лопухин, секция Interpretable ML портрету клиента.
16:50 корпоративных клиентов банка. 16:45 Егор Бурков, секция Deep CV workshop 16:50 Евгений Глотов, секция ML kitchen
- В докладе затронем архитектуру нашего внутреннего движка для - Объяснять предсказания нейросетей не только можно, но и - Кирилл Хрыльченко, секция BigARTM workshop - До нейросетей, одним из самых популярных способов быстрого - Как обучить свой бустец, если данные для него ещё настолько
17:10 инференса нейронных сетей. Система основана на стандарте 17:10 нужно, чтобы найти новые фичи, отловить баги, повысить 17:15 Если историю транзакций компании рассматривать как 17:10 извлечения признаков из картинок было примитивное усреднение 17:10 сырые, что лежат в хадупе? Как эффективно применить
ONNX и предоставляет возможность встраивать модели в ваши доверие к предсказаниям. Есть много методов объяснения, я «документ», а компании-контрагенты как «слова», то темами по прямоугольным областям -- так называемые box-фильтры. Мы обученную модель на всех данных, если они настолько большие
мобильные GPU пайплайны без оверхеда. В ходе выступления расскажу о том, когда какие методы можно применять, насколько окажутся виды экономической деятельности. Зная поставщиков и скрестили этот подход с глубоким обучением. Получился новый
17:30 Секция задачек вокруг и около DS/ML. ML puzzle сравнимнаэто
Фейлы решение с такими
соревнованиях альтернативами
по машинному как CoreML или
обучению они надежны
Fap.ai v2 и как они работают, на примере картинок и не потребителейML:
Reproducible продукции
почему компании,
это важно иможно понять, чем она
как добиться? слой дляmulti-label
Почему нейросетей, который помогает
классификация — не улучшить
так просто,ихкаксразу с
написано МТС Степан Гомилко, секция ML kitchen
17:30 Павел Плесков, секция ML puzzler Tensorflow
17:30 Павел Lite.
Плесков, секция Failconf только Киселев, секция Sigbovik
17:30 Андрей занимается,
17:30 Рожков кто ещё работает
Михаил, секция на этом ML
Reproducible рынке, и как компания 17:30 внескольких
учебникахсторон: точнее, быстрее, меньше параметров и Расскажем о том, как методы сегментации и сравнения
17:10 открывает?
– Павел Нестеров, секция ML puzzler - Что может пойти не так на соревнованиях по машинному - SoTA computer vision on the backend - смотрится
Machine на их фоне.
Learning сегодня используется многими компаниями. - меньшеШавалиева, секция
Ралина слоёв. Unsolved ML - изображений помогли находить и классифицировать рекламные
18:00 Сергей Орешков, секция ML puzzler 18:00 обучению, чему из этого можно научиться и как оправиться после 17:45 17:50 Проектов становится больше, команды растут и распределяются в 17:50 У нас стояла задача создания текстового multi-label 17:25 плакаты МТС. Никакого rocket science, только проверенные
поражения - обо всем этом расскажет Kaggle Grand Master и пространстве, продолжая работать распределенно. Успешные классификатора, определяющего более 2500 пересекающихся методы
номер один среди русскоговорящих дата сайентистов, Плесков подходы к управлению экспериментами, автоматизация тематик на основе огромных объёмов данных. Тематики сильно
17:45 Павел. Инференс нейронок в облаке, бесплатно пайплайнов, а также контроль версий артефактов и обеспечение различаются по размерам ("Ruby" / "Футбол")  Cекция ODS projects
17:45 Антон Васильков, секция Sigbovik воспроизводимости становятся ключевыми компонентами и по характеру самой темы (абстрактное "Здоровье" и конкретное 17:30 Чат-бот Дата Феста – Станислав Гафаров
- Инференсим imagenet-сетки в google sheets эффективной работы команд.  "iPhone"), что усложняет обучение всех тематик одновременно. - Сегментация изображений для поиска лючков бензобаков (для
18:00 В докладе обсудим проблемы воспроизводимости в ML, Более того, нам нужно было не просто отранжировать тематики и 18:00 робо-руки) – Гозалов Сергей
внедрения и использования систем управления экспериментами. выбрать топ-5, а с хорошей точностью и полностой понимать все
Рассмотрим практики и подходы компаний, а также с open source тематики, свойственные документу — у каких-то текстов тема
18:00 Секция задачек вокруг и около DS/ML. ML puzzle Рекомендуем цену и стреляем по ногам Kek it easy! инструменты
DVC: для командML
версионирование DS/ML.
моделей и датасетов одна,менять
Как у каких-то
стильих двадцать.
текста Поэтому
с помощью классические
нейронных сетейподходы
и атак нане Скилл рецептов для Яндекс Алисы
18:00 Святослав Скоблов, секция ML puzzler 18:00 Адам Елдаров, секция Failconf 18:00 Бельских Александр, секция Sigbovik 17:50 Дмитрий Петров, секция Reproducible ML 17:50 давали
них хороших результатов и мы придумали необычную 18:00 Карпова Екатерина, Матвеевский Олег, Бакалец Илья
– Валентина Бирюкова, секция ML puzzler - Типичные фейлы DS проектов на примере нашего фейла с - Как делать "from kekas import keker" и зарабатывать 300к/сек - В чем разница между ML и программной инженерией? Какие - нейронную
Нерсес сеть с двумяUnsolved
Багиян, секция "головами",
ML которые позволили - Презентация проекта
18:50 Андрей Малахов, секция ML puzzler 18:30 рекомендацией цены 18:15 18:10 уникальные проблемы свойственны ML? Нужны ли ML проектам совместить
18:10 Нашей ранжирование
задачей и классификацию
было научиться решать задачу в одной модели.на
style transfer-а Мы 18:15
Денис Воротынцев, секция ML puzzler специальные инструменты?  расскажем, зачем это
текстовых данных. было сделано,
Дискретная как это
природа помогло
текста не позволяет
Всеволод Викулин, секция ML puzzler Создатели open source проекта DVC.org расскажут о автоматическирешения
классическим подбирать из количество тем, зрения
компьютерного и как именно
работатьнужно
существующих oneopen source toинструментах для версионирования обучать имодели
хорошо на таких
стабильно, задачах,
поэтому чтобы получалось
мыестественного
рассмотрели языкахорошо.
данную в задачу с
18:15 В чате слоупок? /start emopok Catalyst.DL: framework rule Computer Vision Применение методов обработки Geoopt – OSS Riemannian Optimization in PyTorch
18:15 Ольга Силютина, Анна Батаева, секция Sigbovik ML моделей,
18:10 Тезиков датасетов Reproducible
Роман, секция и метрик на примере
ML таких инструментов новой стороны и разработали подход для решения поставленной
18:10 биоинформатике 18:15 Максим Кочуров, секция ODS projects
- Спорим, в переписке вы используете максимум 5 эмодзи? А ведь - как Git-LFS,
Чтобы MLFlow
получить и DVC.
хорошие результаты в DL требуется провести - задачи. Кириллов, секция
Богдан Основной идеей является
Unsolvedиспользование
ML скрытых - Презентация проекта
18:30 их более 800! Мы обучились на текстах русского твиттера и чата 18:30 множество различных экспериментов с моделями. Проверить переменных для
18:30 Применение выучивания
методов распределения
NLP (word embeddings, над текстамиит.д.)
онтологии их для 18:30
MDK в телеграме, чтобы порекомендовать вам эмоджи на любой десятки гипотез, попробовать различные архитектуры, подобрать adversarial
задач атакабиоинформатики
геномной на основе построенного классификатора.
(поиск сайтов связывания,
случай жизни. Приходите послушать про детали использованного гиперпараметры и наконец найти оптимальную модель.  длинных некодирующих РНК, генетических вариаций, белок-
18:30 ODS concert Как ML проиграл белковым алгоритмам и физике на пайплайна
This и посмеяться
QR Code с предсказаний.
Does Not Exist В такой горе чекпоинтов
Инструменты и инженерная и конфигов
поддержка очень сложно не запутаться
ML-экспериментов в белковых
Сбор взаимодействий
2D Facial Expressions идатасета
т.д.) Pet project to startup
19:15 Участники конференции 18:30 химпроизводстве 18:30 Петр Ермаков, секция Sigbovik и не забыть,
18:30 компании где и что лежало. 
Segmento 18:30 Евгений Макаров, секция Unsolved ML 18:30 Виталий Давыдов, секция ODS projects
- Закрытие конференции, начало after-party, и неформальный - Ярослав Старухин, секция Failconf - В каждой хорошей презентации есть QR Code, но почему только - ПараллельноАнтон, секция
Воскобович с этим, когда уReproducible
вас появляетсяML новая задача или - В докладе будет рассказано о проблемах и неожиданностях при - Вы сделали свой pet project и теперь хотите сделать из него
20:30 концерт на главной сцене от умеющих играть участников 19:00 История про то, как ML в химии не зашел 18:45 один? Представляем последний писк моды - презентация, проект вам приходится
18:50 Разработка ML-решенийкаждыйтребуетраз писать свой
проведения пайплайн для
различных 18:50 сборе подобных данных. Также будут описаны интересные сферы 18:45 компанию. Вы умеете круто писать код и делать модели, но как
конференции. состоящая в основном из QR Codes! обучения, валидации
экспериментов и инференса
и тестирования моделей. 
множества гипотез. Как и этап применения: animation, 3D reconstruction, emotion recognition, перевести проект в продукт? Какие проблемы возникают при
В этом докладеданных
исследования я расскажу
(EDA), вамэтапро Catalyst
задача – библиотеку
часто решается в для
Jupyter facial action unit detection формировании компании, как собрать команду, как настроить
упрощенияоднако
Notebook, разработки DL решений. блокнотов
тут использование В нем содержится
имеет ряд процессы? Обычно hard skills специалист не сталкивается с
множество готовых
существенных пайплайнов
недостатков. Так,для
ониклассических задач CV, как
не дает возможности такими проблемами в работе, по этому такие вопросы бывают
классификация,
удобной детекция,
разработки, контролясегментация, работа
версий кода, с видео. Мы
параллельного неожиданными. 
разберем, как нескольких
тестирования Catalyst может помочь
гипотез в разработке. 
и обеспечения В докладе я расскажу про вопросы, которые стоит себе задать на