Отчет с Data Fest⁴ 11-12 февраля
11–12 февраля в нашем московском офисе состоялась четвертая конференция Data Fest⁴, объединившая исследователей, инженеров и разработчиков, связанных с Data Science во всех его проявлениях. Под катом мы подготовили для вас видеоматериалы с конференции.
Выступления 11 февраля
«ML-соревнования». Что дают конкурсы по машинному обучению и чему никогда не научат в университете?
— «Чему учит kaggle»
Стас Семенов, Top-1 Kaggle
— «Соревнования по Machine Learning: возможности, ограничения, подводные камни»
Александр Фонарев, Rubbles SBDA Group
«ML в индустрии». Как машинное обучение решает реальные практические задачи компаний?
— «Технологии гиперлокальных прогнозов погоды»
Дмитрий Соломенцев, Яндекс
— «Сегментация юзеров в пространственно-денежных измерениях»
Евгений Некрасов и Дмитрий Болкунов, Mail.Ru Group
— «Machine Learning in engineering and industrial applications»
Евгений Бурнаев, Сколтех, ИППИ
«ML в социальных сетях». От первого лица: как выглядит машинное обучение в двух самых популярных в России социальных сетях?
— «Machine Learning at VK»
Павел Калайдин, Вконтакте
— «Machine Learning at OK»
Дмитрий Бугайченко, Mail.Ru Group
«NLP». Последние достижения и результаты новых подходов машинного обучения в задачах работы с текстами.
— «Deep Architectures for Natural Language Processing»
Сергей Николенко, ВШЭ
— «Machine Learning behind Google Translate»
Mike Schuster, Google Brain
«NLP-инструменты». Обзоры и мастер-классы по современным методам анализа и обработки текста и практическому решению задач в NLP.
— «Векторные представления слов и документов»
Анна Потапенко, ВШЭ
— «BigARTM workshop»
Александр Романенко, МФТИ
«Скрапинг и сбор данных». С помощью каких инструментов можно добывать данные?
— «Как собрать датасет из интернета в 2 частях»
Михаил Коробов, Константин Лопухин, Scrapinghub
— «Написание пауков, или что делать, когда тебя вычисляют по IP»
Дмитрий Сергеев, Zeptolab
Программа на 12 февраля
«Data & Science». Как применяют машинное обучение в различных научных отраслях?
— «Научные вызовы анализу данных»
Олег Бартунов, ГАИШ-МГУ
— «Обучение машинному обучению на задачах Большого Адронного Коллайдера»
Андрей Устюжанин, Яндекс
«Make ML great again!». Разбор известных мифов, предрассудков и плохих практик, захлестнувших на волне популярности DS, ML, BigData и AI. Серия из 5 коротких выступлений:
Вячеслав Баранов, MyMind
Юрий Кашницкий, Mail.Ru Group
Михаил Трофимов, ML Works
Павел Нестеров, фриланс
«Artistic Intelligence». Обзоры и демонстрации последних исследований и разработок в машинном преобразовании медийного контента.
— «Neural style transfer for music»
Дмитрий Ульянов, Яндекс, Сколтех
— «Нейросети и творчество. Кто виноват и где грань?»
Иван Ямщиков, Яндекс
«ML в науке». В продолжение секции Data & Science, мы разберем кейсы, инструменты и решения с машинным обучением в науке.
— «Задачи нейронауки, разбор нейрохакатона»
Алексей Осадчий, ВШЭ
(нет видео)
— «ML vs онкология: задачи дизайна и оптимизации терапевтических белков»
Елена Еричева, BrainGarden
— «Путь из экономики в Data Science»
Леонид Данильченко, Game Insight
«ML Failconf». Спикеры разбирают кейсы, когда машинное обучение оказывалось в роли микроскопа, которым забивали гвозди.
— «Как собрать датасет из интернета в 2 частях»
Илья Сайтанов, DSM Group
— «RL и застенчивый market maker»
Андрей Черток, Сбертех
— «Fedor score vs Machine Learning»
Дмитрий Бугайченко, Mail.Ru Group
— «Анализ данных в командной строке»
Николай Марков, Aligned Research
