UseData Conf 2019 सम्मेलन में क्या होगा?

हुर्रे! हमने UseData Conf 2019 कॉन्फ्रेंस प्रोग्राम का गठन पूरा कर लिया है! यह सम्मेलन उन लोगों के लिए है जो मशीन सीखने के तरीकों का उपयोग करके व्यावहारिक समस्याओं को हल करते हैं। एक वैक्यूम में आदर्श एल्गोरिथ्म और वास्तविक डेटा पर इसके आवेदन के बीच अक्सर अंतराल होता है। हम उन लोगों को चाहते हैं जो इस चेस को पूरा करने और अनुभवों का आदान-प्रदान करने के लिए पुल कर सकते हैं।



प्रबंधकों के लिए मशीन लर्निंग का जादू, टीवी पर विज्ञापन की प्रभावशीलता का विश्लेषण करने के लिए एमएल का उपयोग करने का इतिहास, मानव रहित खिलौना कारें, तेल और कार नंबर, बस कुछ रिपोर्ट्स UseData 2019 पर हैं। इन और अन्य विषयों के बारे में अधिक जानकारी बिल्ली के अधीन है।

कार्यक्रम में, हमने 5 खंड बनाए हैं। अनुभाग रिपोर्ट को उन कार्यों के निर्देशों द्वारा समूहीकृत किया जाता है जिन्हें वे हल करते हैं।

• वाणिज्य में मशीन सीखने और डेटा विश्लेषण।
• कंप्यूटर दृष्टि।
• प्राकृतिक भाषाओं में ग्रंथों का प्रसंस्करण।
• निर्णय लेने की प्रणाली।
• मशीन लर्निंग फ्रेमवर्क और टूल्स।

इनमें से प्रत्येक विषय पर, कुछ दिलचस्प पाया गया।

वाणिज्य में मशीन लर्निंग और डेटा विश्लेषण

टीवी विज्ञापन का प्रभाव: मूल्यांकन और अनुकूलन
एलेक्जेंड्रा लोमकिन, जोम

मेरे विज्ञापन का आधा बजट बर्बाद हो गया है। समस्या यह है कि मुझे पता नहीं है कि कौन सा

यह एक अमेरिकी उद्यमी जॉन वानमेकर का एक उद्धरण है, जिन्होंने पहले डिपार्टमेंटल स्टोर खोला और पहले प्राइस टैग लागू किए। उसने कॉमर्स में कुछ समझा।

जूम ने यह भी सोचा कि वैज्ञानिकों के डेटा के सामने टीवी विज्ञापनों का कितना बजट बर्बाद हुआ और इसकी प्रभावशीलता को मापने के लिए सेट किया गया। यह कैसे समझें कि उपयोगकर्ता टीवी पर विज्ञापन से आया है, इसके लिए कौन से उपकरण ट्रैक करने और किस डेटा की आवश्यकता है?

एलेक्जेंड्रा इस तरह अंत तक चली गई है और जवाब साझा करने के लिए तैयार है । Spoiler: अनुकूलन के लिए स्थान बहुत बड़ा है।

OZON.RU ऑनलाइन स्टोर की बिक्री की भविष्यवाणी करने के लिए मशीन सीखना। मांग पूर्वानुमान मॉडल के साथ मूल्य अनुकूलन।
अलेक्जेंडर अलेक्सेत्सेव, OZON.RU

OZON.ru माल की एक बड़ी राशि, जटिल रसद और मूल्य निर्धारण के साथ एक बहुत बड़ा स्टोर है। मॉडल भंडारगृहों की पूर्ति और मांग के पूर्वानुमान पर काम करता है। एक बड़ा स्टोर बहुत अधिक डेटा है जिस पर एक मॉडल सीख सकता है। एक तरफ, यह अच्छा है, यह पूर्वानुमान बनाने के लिए सुविधाजनक है। दूसरी ओर, इस तरह के पैमाने पर एक त्रुटि जल्दी से प्रकट होती है, यदि कोई हो।

उदाहरण के लिए, एक उत्पाद लंबे समय तक स्टॉक में नहीं था, और फिर यह दिखाई दिया और मॉडल को पूर्वानुमान के साथ गलत किया गया है। यह एक उत्पाद के लिए ठीक है, लेकिन OZON.ru में हर दिन ऐसे सैकड़ों उत्पाद हैं। एक गलती के कारण, गोदाम माल से बाहर चला सकता है या यह भरा होगा।

अलेक्जेंडर आपको बताएगा कि पूर्वानुमान और त्रुटियों की आपूर्ति कैसे करें, और त्रुटियों के खिलाफ बीमा कैसे करें। उनकी रिपोर्ट न केवल मशीन लर्निंग का एक सफल केस स्टडी है, बल्कि विषय क्षेत्र में एक दिलचस्प भ्रमण भी है। यदि आप बिक्री के पूर्वानुमान के लिए मॉडल बनाते हैं, तो आप अपने लिए बहुत कुछ पाएंगे।

कंप्यूटर दृष्टि

इस अनुभाग में, हम राज्य की मान्यता के बारे में बात करेंगे। संख्या, संसाधन समस्याएँ और वैज्ञानिक रिपोर्ट सुनना।

512 KB मेमोरी सभी के लिए पर्याप्त है! एक कैमरे के साथ माइक्रोकंट्रोलर पर चेहरे से एक व्यक्ति की पहचान
अलेक्जेंडर स्मोर्क्लोव, Xperience.ai

ऐसा होता है कि आपको बैटरी शक्ति पर चलने वाले कम्प्यूटेशनल रूप से कमजोर उपकरणों पर चेहरे को पहचानने की आवश्यकता होती है। उनके पास मेमोरी बहुत कम है, लेकिन उन्होंने GPU के बारे में बिल्कुल नहीं सुना है। अलेक्जेंडर ऐसे उपकरणों के लिए मॉडल के सफल हस्तांतरण की कहानी साझा करेगा । गैर-मानक उपकरणों में मॉडल को स्थानांतरित करने का अनुभव क्षितिज को व्यापक बनाता है। विचार उन परिस्थितियों में काम आ सकते हैं जहां उपकरण मानक है, लेकिन उपभोग किए गए संसाधन अस्वीकार्य हैं।

जेनरेटिव और डिस्क्रिमिनेटर लर्निंग के लिए वासेरस्टीन नियमितीकरण
गुइडो मोंटूफर, मैक्स प्लांक इंस्टीट्यूट

हमें बहुत खुशी है कि वान्या यमशिकोव ने अपने सहयोगी गुइडो को हमारे सम्मेलन में आने के लिए राजी किया। यह सम्मेलन में केवल वैज्ञानिक रिपोर्ट है, लेकिन व्यावहारिक प्रयोज्यता अभी भी निश्चित है। संघर्ष कक्षाओं को पहचानने या उत्पन्न करने के आसपास है, उदाहरण के लिए, अंदर एक बड़े प्रसार के साथ। कुत्ते-बिल्लियों का क्लासिक कार्य याद रखें जिसमें विभिन्न नस्लों के कुत्ते एक जैसे नहीं होते हैं? तो, ये अंतर क्या होता है की तुलना में प्रलाप कर रहे हैं।

मैं इस विषय का विशेषज्ञ नहीं हूं, लेकिन मुझे ऐसा लगता है कि इस तरह के कार्य बड़ी संख्या में परतों के साथ तंत्रिका नेटवर्क के निर्माण को मजबूर करते हैं। यह ढाल क्षीणन की समस्या को बढ़ाता है, और कवच और शेल के अंतहीन संघर्ष में कंप्यूटिंग संसाधनों के सैकड़ों तेल की खपत होती है। गुइडो ने जिन तरीकों की खोज की, वे प्रत्येक वर्ग के भीतर एक बड़े प्रसार के साथ समस्याओं को हल करने की अनुमति देते हैं।

राज्य को कैसे खोजें और बंद करें। कार की तस्वीर पर नंबर और प्रतिकूल हमले का उपयोग कर सामग्री को कॉपी करने से रोकें
इल्या सर्गेव, एविटो

एक बार, मैंने यैंडेक्स में काम किया, और वाई। मैप्स ने एक कंप्यूटर विज़न टीम के साथ मिलकर स्ट्रीट पैनोरमा बनाया। पैनोरमा में, कारों के चेहरे और लाइसेंस प्लेट को कवर करना आवश्यक था जो गलती से फ्रेम में गिर गए थे। इसके लिए कोई तैयार समाधान नहीं थे, मुझे इसे स्वयं देखना था।

एविटो में, एक समान कार्य के लिए, उन्होंने भी अपना निर्णय लिया। 2019 में, यह कार्य अब रोमांचक नहीं लगता है। ऐसा लगता है कि अब कोई भी सीख सकता है कि राज्य को कैसे बंद किया जाए। घुटने पर प्रति घंटे की संख्या। लेकिन यह केवल ऐसा लगता है। यह पता चला कि कुछ कंपनियों के लिए एविटो से छवियों को कॉपी करना आसान है, तस्वीर पर निशान को अपने साथ बदलना, क्योंकि संख्या की तुलना में इसका पता लगाना आसान है। अवितो को सामग्री चोरों को खुले में लाने के लिए विशेष प्रयास करने पड़े।

इस कहानी के कुछ हिस्सों को पहले ही होबे पर प्रकाशित किया जा चुका है, लेकिन हमारे सम्मेलन में इल्या इसे एक लेख के रूप में नहीं बल्कि पूरी तरह से एक कहानी के रूप में प्रस्तुत करेंगे।

कैसे तंत्रिका नेटवर्क भूमिगत और क्या तेल देखने के लिए निर्धारित किया जा रहा है की एक तस्वीर बनाने में मदद कर सकते हैं
दरिमा माइलज़ेनोवा, गज़प्रोम नेफ्ट

किसने बचपन में हस्तलिखित संख्या की मान्यता के बारे में कंप्यूटर की दृष्टि से एक मॉडल समस्या हल की थी? जिसने कागज के एक टुकड़े पर नंबर लिखे, उसे स्कैन किया और जाँच की कि उसने मॉडल को देखा है (कुछ नहीं)? वास्तविक दुनिया के कार्यों के साथ सामना करने पर लोग लगभग उसी भावना का अनुभव करते हैं।

हम वास्तव में वास्तविक क्षेत्र से कार्यों को प्यार करते हैं, क्योंकि डेटा के बीच अंतर जिस पर लोगों को सीखने और जीवन डेटा का उपयोग किया जाता है, उन पर स्पष्ट रूप से दिखाई देता है: त्रुटियां और सीमाएं, विभिन्न प्रस्तावों के साथ, रिक्त स्थान के साथ। डारिमा न केवल इस बारे में बताएंगी कि तंत्रिका नेटवर्क मॉडल पृथ्वी के इंटीरियर के विश्लेषण के क्षेत्र में क्या सक्षम हैं, बल्कि इस बारे में भी कि वे अभी भी कितना नहीं जानते हैं, लेकिन करना चाहेंगे।

प्राकृतिक भाषा प्रसंस्करण

क्या कोई मशीन चुटकुलों और चुटकुलों को समझ सकती है? एक मॉडल को अजीब नामों को समझने के लिए कैसे सिखाना है? और कोड को पहचानें?

एक पूर्ण नाम के उदाहरण द्वारा व्यक्तिगत डेटा में विसंगतियों के लिए खोजें
जॉर्ज शुशुव, सीएफटी

कुछ उपयोगकर्ता मुश्किल से रूसी में अपना नाम लिखते हैं, और उनके नाम असामान्य हैं। इयूरिया के ब्यूटारू, सश्का सेडले कोन्या नेटलली, आइड लकी, पुलटोव असलम अखमत ज़मोन उगली, बेबालाऊ इओनो, मैं पहले से ही थक गया इलियासोविच - यह कौन सा नाम है? अक्षरों के इस सेट में नाम हैं, लेकिन आपने सोचा, है ना? यहां कठिनाई पैदा होती है - नामों को पहचानने के लिए मॉडल को सिखाने के लिए, भले ही कोई व्यक्ति हमेशा सफल न हो।

हम एक शिक्षक के बिना सफल सीखने के बारे में कहानियां पसंद करते हैं, और यह उनमें से सिर्फ एक है। जॉर्ज मार्कोव मॉडल से तंत्रिका नेटवर्क तक व्यक्तिगत डेटा में विसंगति डिटेक्टर के विकास के बारे में बात करेंगे और छोटे पाठ सेटों के लिए ऐसे डिटेक्टरों को विकसित करने के जीवन हैक साझा करेंगे।

कोड के लिए मशीन सीखने
Egor Bulychev, स्रोत {d}

यह कोड के साथ काम करने के क्षेत्र में नवीनतम घटनाओं का अवलोकन है। रिपॉजिटरी कैसे खोजें जो कार्यों में समान हैं? GitHub पर समान अनुभव वाले डेवलपर को कैसे खोजें? इस समानता को औपचारिक कैसे बनाया जाए? और एक साथ सभी GitHub के साथ काम करने के लिए सब कुछ कैसे अनुकूलित करें? Egor बिल्कुल इन कार्यों में लगा हुआ है और अपने अनुभव को साझा करेगा ।

क्या एक कार को हास्य की भावना सिखाना संभव है?
व्लादिस्लाव ब्लिनोव, वेलेरिया बारानोवा, टिंकॉफ

व्लादिस्लाव और वेलेरिया ने रूसी में चुटकुले समझने के लिए कार सिखाई। यह सही नहीं है? बात करने के लिए कुछ भी नहीं है - बस आना और सुनना है ।

व्यावहारिक दृष्टिकोण से, सब कुछ जैसा कि हम प्यार करते हैं: लगभग कोई चिह्नित डेटासेट नहीं हैं, कोई पानी नहीं है, कोई वनस्पति नहीं है, यह रोबोट द्वारा बसा हुआ है। एक मजेदार विषय पर गंभीर काम।

क्लिकस्ट्रीम, ट्रांसफार्मर और अनुमानित खोज (ANNS) के आधार पर अपनी परियोजना में तीव्र और प्रभावी अर्थ खोज को कैसे लागू करें
व्लादिमीर बुगाय, नोएमा

ऐसी स्थिति में एक सामान्य खोज कैसे करें जहां बहुत अधिक संख्या और थोड़ा पाठ हो? नोएमा विश्लेषणात्मक डेटा का एक एग्रीगेटर है, जो लगभग सभी समय श्रृंखला का रूप है। यदि किसी कारण से आप वेनेजुएला के तेल भंडार के नवीनतम अनुमान या कांगो में हीरे के उत्पादन की मात्रा जानना चाहते हैं, तो यह नवीनतम आंकड़ों के साथ जगह है। एकमात्र सवाल यह है कि उन्हें कैसे खोजना है।

कुछ डेटा सीधे डेटाबेस में समाहित होते हैं, कुछ कम्प्यूटेड होते हैं। अच्छी तरह से खोजने के लिए, आपको डेटा के बीच संबंध का एक मॉडल बनाना होगा। अब यह पहले से ही USE पर आधारित एक न्यूरल नेटवर्क मॉडल है। व्लादिमीर गैर-मानक डेटा का उपयोग करके एक खोज विकसित करने में कई महत्वपूर्ण चरणों के बारे में बात करेगा : कैसे तैयार किए गए घटकों से इस तरह की खोज को अपेक्षाकृत जल्दी से इकट्ठा किया जाए, कैसे अपनी अतिरिक्त जानकारी का उपयोग करके इसे वापस लेना है, उदाहरण के लिए, क्लिक, सूचकांक के आकार को कैसे कम करें और अन्य बाधाओं को अनुकूलित करें।

निर्णय लेने की प्रणाली

आधुनिक तंत्रिका शुद्ध वास्तुकला / वर्ष 2019 संस्करण
ग्रिगोरी सैपुनोव, इंटेंटो

ग्रेगरी, ऐसा लगता है, कोई परिचय की जरूरत है। वह Intento के सह-संस्थापक, मशीन सीखने के सम्मेलनों में एक नियमित वक्ता और अनुभाग नेता, एक व्यक्ति जो उद्योग का अनुसरण करता है और इसे चलाता है। नवीनतम रीगलिया, जो सभी ने अभी तक नहीं सुना है, सूची में मशीन लर्निंग श्रेणी में Google डेवलपर विशेषज्ञ का समावेश है। इस लेखन के समय, सूची में केवल 109 लोग हैं, और उनमें से केवल एक रूस से है। ग्रिशा, बधाई!

यह बिल्कुल विशेषज्ञता का स्तर है जिस पर आप पिछले कुछ वर्षों में तंत्रिका नेटवर्क की दुनिया में नए उत्पादों की एक दिलचस्प समीक्षा कर सकते हैं। नेटवर्क ने किन नए कार्यों को हल करना सीखा? इसके लिए आपको क्या करना पड़ा? अगली सफलताओं के लिए हम किन दिशाओं में इंतजार कर रहे हैं?

क्या अच्छा है और क्या बुरा है: सिफारिश प्रणालियों के लिए मैट्रिक्स
इरीना पचलिनसेवा, यैंडेक्स

फिल्मों के लिए एक सिफारिश प्रणाली की प्रभावशीलता को कैसे मापें? भविष्यवाणी करें कि कोई विशेष दर्शक किस रेटिंग को एक विशेष फिल्म देगा, और रेटिंग अधिक होने पर ही इसे देखने की पेशकश करेगा। लेकिन बारीकियां हैं।

अधिकांश निश्चित रूप से कहेंगे कि द गॉडफादर या शिंडलर्स लिस्ट अच्छी फिल्में हैं, भले ही उन्होंने खुद उन्हें नहीं देखा हो। लेकिन कल्पना कीजिए कि आप काम से कैसे वापस आते हैं। दिन कठिन था: परियोजना छड़ी नहीं करती है, बॉस ने पूरे मस्तिष्क को खा लिया है, और कल यह वही होगा। इस स्थिति में, यह संभावना नहीं है कि वह एक स्मार्ट और गहरी फिल्म देखना चाहता है, और एक बेवकूफ एक्शन फिल्म, जिसके लिए लाल मूल्य दस में से छह है, नीचे जाएगा। इसलिए, सिफारिश प्रणाली को वह पेश करना चाहिए जो आप देखते हैं , न कि प्रशंसा करने के लिए प्रथागत ।

यह कार्य के अनपेक्षित पक्षों में से एक है, और ऐसे कई पक्ष हैं। उनके बारे में जानने के लिए, इरीना के भाषण में आएं।

बुद्धिमान एजेंटों का विकास और कार्यान्वयन
एंड्रे इवानोव, टिंकॉफ

एक बुद्धिमान एजेंट एक प्रणाली का एक हिस्सा है जो किसी व्यक्ति के लिए एक बौद्धिक कार्य को हल करता है। एजेंट को मशीन लर्निंग विशेषज्ञ द्वारा विकसित किया जाता है, जिसके कुछ कार्य एजेंट लेगा। उदाहरण के लिए, एक बैंक के लिए, यह एक सिफारिश प्रणाली है जो उपयोगकर्ता के बारे में ज्ञात के आधार पर ऋण, जमा, कार्ड या अन्य उत्पाद पेश कर सकती है।

आंद्रेई की एक बहुत ही व्यावहारिक प्रस्तुति है : टिंकऑफ़ में बौद्धिक एजेंटों का उपयोग कैसे किया जाता है (उदाहरण के लिए, "कहानियाँ"), उनके विकास में क्या कठिनाइयाँ आती हैं और कौन से उपकरण इसमें मदद करते हैं।

ड्रिलिंग घटना भविष्यवाणी
इवान येशेव, अल्टारिक्स

एक बार फिर असली क्षेत्र और तेल के बारे में। इवान ग्राहक से थोड़ा डेटा कैसे प्राप्त करें, इसके आधार पर एक उपयोगी मॉडल बनाएं, उसके बाद अधिक डेटा प्राप्त करें, और उन पर एक सभ्य परिणाम प्राप्त करें, इसके बारे में एक अच्छी व्यावहारिक कहानी बताएंगे ।

मशीन लर्निंग बेस्ड ऑटोनॉमस कार ड्राइविंग एल्गोरिदम
सलोनी गर्ग

यह कहानी वह नहीं है जो यह दिखती है। सलोनी समस्याओं को हल करने के लिए हुई, जिसके अस्तित्व से हम में से अधिकांश अनजान हैं।

एक गरीब क्षेत्र में, बस के लिए ईंधन एक मूल्यवान संसाधन है। ड्राइवर इसे कई अद्भुत तकनीकों की मदद से बचाते हैं: वे हेडलाइट्स चालू नहीं करते हैं, न्यूट्रल पर ड्राइव करते हैं, और लाइन का पालन नहीं करते हैं। ऐसी परिस्थितियों में, उसे सुरक्षित रूप से चलाने के लिए कैसे मजबूर किया जाए?

चारों ओर बहुत पैसा नहीं है, इसलिए समस्या को हल करने के लिए हार्डवेयर सबसे आदिम है, अधिकांश अनुमानों को स्थानीय रूप से निर्मित करने की आवश्यकता है, कैमरे से सर्वर तक वीडियो स्थानांतरित नहीं किया जा सकता है। ऐसी परिस्थितियों में कैसे काम करना है, और सलोनी गर्ग को बताता है ।

मशीन लर्निंग फ्रेमवर्क और टूल्स

एमएल पाइपलाइन में डेटा नियंत्रण जोड़ें
आर्टीम सेलेज़नेव, मेगापोन

आप मेगाफॉन से या तो नई सेवाओं और टैरिफ के साथ सिफारिश प्रणाली या ऐलेना के बारे में कहानियों से उम्मीद करते हैं। लेकिन नहीं, इस बार Artyom DVC टूल को लागू करने के अनुभव और इसके ऊपर बनी अतिरिक्त घंटियाँ और सीटी के बारे में बताएगा । घंटियाँ और सीटी दिलचस्प और गैर-तुच्छ हैं। यदि आप मशीन सीखने के प्रयोगों के प्रतिलिपि प्रस्तुत करने योग्य हैं, तो बात करें।

AWS दीप रेजर: खेल के माध्यम से चुनौतियों को सीखना
अलेक्जेंडर पेत्रुशेव, AWS

सच है, एक मानव रहित कार पर रेसिंग के लिए एक मॉडल को प्रशिक्षित करना दिलचस्प होगा? और फिर भी कम से कम कारों के साथ तोड़ने के लिए। आदर्श रूप से, मैं एक आभासी वातावरण को वास्तविकता के करीब रखना चाहता हूं, जिसमें अधिकांश कीड़े को पकड़ना है। ऐसे वातावरण के लिए एक विकल्प मॉडल का उपयोग है। 1 से 18 के पैमाने पर खिलौना कारों का उपयोग एल्गोरिदम को प्रशिक्षित करने के लिए किया जाता है। अलेक्जेंडर AWS दीप रेजर बनाने और एक आभासी सीखने के माहौल को विकसित करने और एक मॉडल को वास्तविक उपकरण में स्थानांतरित करते समय आने वाली कठिनाइयों को साझा करेगा ।

ऑफ-सेक्शन प्रबंधन रिपोर्ट

परियोजना प्रबंधन 2.0: एआई परिवर्तन
एडुआर्ड टायंटोव, Mail.ru समूह

दुनिया बदल रही है और एमएल मॉडल तेजी से हमारे उत्पादों में प्रवेश कर रहे हैं, और कभी-कभी वे उनका केंद्रीय हिस्सा बन जाते हैं। क्या तुमने कभी गुस्सा "क्यों? !!" अधिकारियों से, जवाब देने के लिए दोषी है "ठीक है, मॉडल बहुत ट्यून है ..."? पिछली शताब्दी के अंत में सॉफ्टवेयर विकास प्रथाओं में पले-बढ़े बॉस अक्सर यह नहीं समझ पाते कि मशीन लर्निंग से क्या उम्मीद की जाए और इस जादू की कीमत क्या है।

अपनी रिपोर्ट में एडवर्ड टीम और उत्पाद के नेतृत्व से समस्या को देखेंगे। गुणवत्ता नियंत्रण में, कार्यों की सेटिंग में, विकास चक्र में क्या बदलाव आते हैं? वह सिर्फ वह व्यक्ति है जो इस बारे में बहुत कुछ कह सकता है, क्योंकि कई वर्षों से वह Mail.net पर मशीन सीखने पर आधारित परियोजनाओं का सफलतापूर्वक संचालन कर रहा है। मेरी राय में, सबसे प्रसिद्ध परियोजना, आर्टिस्टो, एक वीडियो स्टाइल एप्लीकेशन है।

बोनस ट्रैक

और हमारे पास Yandex.Tolki का उपयोग करके डेटा एकत्र करने पर Yandex से तीन घंटे की हैंड्स-ऑन वर्कशॉप भी होगी! इसका नेतृत्व टोलोका विकसित करने वाले लोग करेंगे, और जो इसका उपयोग निरंतर आधार पर कर रहे हैं: अलेक्सी ड्रुटा और ओल्गा मेगोरसकाया।

आपको एक सामान्य विचार मिलेगा कि टोलाका या मैकेनिकल तुर्क जैसे क्राउडसोर्सिंग तंत्र कैसे काम करते हैं। फिर आप डेटा को चिह्नित करने के लिए कई प्रस्तावित कार्यों में से एक चुन सकते हैं, टोलर्स के लिए एक कार्य बना सकते हैं, परीक्षण कार्यों को तैयार कर सकते हैं और थिएटरों के लिए "जाल" बना सकते हैं। अंत में, आप सिस्टम द्वारा प्रदान किए गए एल्गोरिदम का उपयोग करके परिणामी मार्कअप और संदिग्ध टॉकर्स से सही अनुमान निर्धारित करने का प्रयास करेंगे।

कार्यशाला उन लोगों के लिए उपयोगी होगी जिन्होंने टॉलोका के माध्यम से डेटा एकत्र करने के बारे में सोचा था, लेकिन पूरे बजट को बिना तैयारी के खर्च करने के खतरे के कारण हिम्मत नहीं की।

एक वैक्यूम और वास्तविक में एल्गोरिदम के बीच की खाई को पार करने के लिए, हम 16 सितंबर का इंतजार कर रहे हैं। रिपोर्ट्स, मीटिंग्स, कम्युनिकेशन, मशीन लर्निंग और केस स्टडीज़ का पूरा दिन - ब्यूटी! UseData Conf 2019 के लिए अगला और अंतिम मूल्य वृद्धि पहले से ही 9 सितंबर है, इसलिए कीमत तय करने के लिए अब अपने टिकट बुक करें । इन्फ़्रासस्पेस में मिलते हैं!