Pada tanggal 1 September, Grup Mail.Ru dan komunitas Open Data Science akan mengadakan pertemuan Mayor Ilmu Data Moskow terbesar. Acara ini terdiri dari lima blok tematik laporan, satu pelatihan ML dan seluruh ruang untuk jejaring dan kencan.
Kenali program ini dan
daftar ! Tiket masuk ke acara ini gratis, sesuai dengan pendaftaran yang disetujui.
Presentasi di Jurusan Ilmu Data Moskow akan diselenggarakan dalam dua aliran. Dalam tabel, Anda akan menemukan kotak dengan jadwal, dan di bawah ini - deskripsi laporan.
Jadwal:
Deskripsi presentasi:
"Masalah Pembicara Pembicara", Gregory Sterling, NeurodataLab LLCSaya akan berbicara singkat tentang pemrosesan pidato secara umum dan tentang tugas diarisasi pembicara (dengan merekam dialog, Anda perlu menentukan siapa yang berbicara kapan). Saya akan memberi tahu Anda tentang sejarah masalahnya, mengapa, mengapa, tentang masalah pesta koktail, yang memutuskan bagaimana caranya sulit. Bagian utama dari laporan ini akan dikhususkan untuk hasil 2017-2018, misalnya, tentang artikel Google yang menjelaskan solusi untuk masalah untuk video (di sana jaringan saraf tampaknya mencoba membaca bibir). Saya akhirnya akan melakukan apa ketika tidak ada video, tetapi hanya ada suara (dialog melalui telepon, misalnya), saya akan membaca artikel dan pendekatan kami.
Pemilih Jaringan Saraf Tiruan, Sergey Dukanov, Mail.Ru GroupPertama, akan ada perjalanan kecil ke dalam pendekatan modern untuk memecahkan masalah sintesis wicara, kemudian kita akan berbicara tentang vocoders, dan kemudian kita akan fokus pada salah satu yang paling menarik dari mereka (baik dari sudut pandang teori dan praktik).
“Pizza a la semi-diawasi”, Arthur Sepupu, DbrainMenggunakan contoh kontrol produk di Dodo Pizza, saya akan berbicara tentang teknik untuk bekerja dengan data saat melatih model. Secara khusus, saya akan menunjukkan bagaimana sidebox ditarik oleh segmentasi objek semantik, serta bagaimana melatih model dan mendapatkan markup dataset, menandai hanya beberapa sampel.
"Arsitektur OCR dan TD dalam pengakuan foto-foto dokumen yang dicetak", Alexey Goncharov, Ilya Zharikov, Nikitin Filipp, Laboratorium Intelijen Mesin MIPTLaporan ini menggambarkan struktur OCR (pengenalan karakter) dan TD (deteksi jendela dengan teks), yang digunakan tim kami dalam proyek-proyek untuk mengenali foto-foto dokumen cetak dari berbagai jenis. Mari kita bicara tentang arsitektur dan pelatihan sistem ini.
“Cara membuat adaptasi domain, dan ide-ide untuk meningkatkan kualitasnya”, Renat Bashirov, Samsung AILaporan ini adalah ide-ide dari beberapa lusin artikel. Artikel dipilih berdasarkan tingkat kegunaannya untuk menerapkan adaptasi domain untuk gambar: memiliki satu set mark-up, cara mendapatkan / meningkatkan markup pada set lain yang serupa.
Akan:
- banyak GAN
- beberapa arsitektur dengan selusin fungsi kerugian,
- diberitahu tentang
- bahwa hal-hal yang berbeda dapat disajikan dalam fungsi kerugian,
- transfer gaya
- aplikasi adaptasi domain untuk tugas yang berbeda: klasifikasi, segmentasi.
Jangan berpikir bahwa tidak akan ada yang jelas jika Anda mengerti, misalnya:
- apa fungsi kerugiannya
- bagaimana backprop bekerja,
- mengapa batchnorm diperlukan dan cara kerjanya
- berapa tensor ukuran yang diperoleh setelah pooling rata-rata global.
"Cari berdasarkan barang - organisasi pekerjaan", Dmitry Dremov, Analisis cekTentang tugas, pendekatan ke organisasi pekerjaan dan hasilnya.
"Menampilkan di jejaring sosial: bagaimana dan apa yang harus ditunjukkan," Sergey Boytsov, Teman SekelasKami akan beralih dari pengguna ke item tertentu di etalase yang ia lihat. Pengumpulan data, preprocessing, pemrosesan analitik, pengujian A / B.
“Sistem yang disarankan untuk tiket transportasi”, Artyom Prosvetov dan Konstantin Kotochigov, CleverDATADalam laporan itu, kita akan berbicara tentang penggunaan sistem rekomendasi di area yang tidak biasa bagi mereka: untuk penjualan tiket transportasi. Apa pendekatan tradisional dapat membantu dalam memecahkan masalah ini, yang heuristik tunjukkan dengan baik, dan penemuan apa yang telah kami buat untuk diri kami sendiri dalam proyek ini.
"Tuning Jupyter Notebook", Alexander Lifanov, MarketGuardCara mengkonfigurasi Notebook Jupyter untuk pekerjaan yang produktif dan nyaman.
“BigArtm - tidak hanya untuk teks”, Maxim Statsenko, Mail.Ru GroupBanyak yang terbiasa dengan fakta bahwa penyematan adalah tentang teks: kami menyematkan kata-kata, kalimat, dll. Dalam arti tertentu, pemodelan tematik juga tertanam. Dalam laporan saya, saya ingin menunjukkan bahwa dengan bantuan Python dan kecerdasan Anda dapat menggunakan pendekatan pemodelan tematik dan embedding dalam tugas-tugas di mana tidak ada teks sama sekali, yaitu dalam mengelompokkan pengguna berdasarkan sumber pendapatan dan minat.
"PID Controller intro, atau Cara menyeduh bir dengan PyData", Anton LebedevichPengantar langkah demi langkah untuk pengontrol otomatis paling populer menggunakan mashing beer malt sebagai contoh, dengan animasi dan kode Python. Selain pengontrol PID dasar, akan ada beberapa trik yang meningkatkan kerjanya di kehidupan nyata. Dalam praktiknya, regulasi otomatis seringkali diperlukan, dan hampir setiap implementasinya mengandung elemen-elemen PID beserta kekurangannya, yang perlu Anda ketahui dan dapat diperbaiki.
Gedung BioskopJaringan dan zona kencan. Di ruangan ini Anda dapat berkomunikasi dengan kolega dan peserta lain dalam acara tersebut dalam format gratis.
Untuk berpartisipasi, Anda harus
mendaftar . Jangan lupa paspor atau SIM Anda.
Mengumpulkan peserta dan pendaftaran : 10:00 - 11:00.
Awal laporan : 11:00.
Perkiraan akhir acara : 17:00.
Alamat : Moskow, Bandara metro, Leningradsky Prospekt, 39, hlm. 79.
Siaran