Приглашаем на конференцию по искусственному интеллекту и большим данным AI&BigData Lab 4 июня27.04.2016 12:03

4 июня в Одессе, наша команда FlyElephant совместно с GeeksLab будет проводить третью ежегодную техническую конференцию по искусственному интеллекту и большим данным — AI&BigData Lab.

На конференции разработчики обсудят вопросы реализации и применения различных алгоритмов, инструментов и новых технологий для работы с большими данными и искусственным интеллектом. Будут представлены воплощенные в жизнь проекты, рассказано о функционале и принципах их работы.

Программа конференции AI&BigData Lab уже частично сформирована. Среди принятых докладов можно отметить:

• Как мы научили думать digital. (Диана Лиманская, координатор отдела аналитиков в VertaMedia)
  Когда вы заходите на сайт, что бы посмотреть любимый фильм или сериал, вы ждете несколько секунд прежде, чем вам будет показана реклама. В эти несколько секунд до показа рекламы происходят сотни сложных процессов. Я хочу рассказать как мы создали самообучающуюся систему для digital-маркетинг платформы на основе математических методик, какие этапы мы прошли в ее развитие и с какими проблемами столкнулись.
  
• Перевод с «плохого» английского на «хороший». (Анатолий Востряков, исследователь в Grammarly)
  В начале я хочу дать небольшой исторический экскурс в способы автоматической коррекции ошибок в тестах. В основной части доклада я хотел бы осветить самые последние методы коррекции ошибок с использование, то что сейчас называется neural machine translation. То есть мы, переводим английский текст в английский, но с исправленными ошибками на выходе. К сожалению я ограничен в конкретных примерах из практики Грэммэрли, поэтому доклад будет в форме обзора алгоритмов, которые есть уже сейчас или появятся к моменту доклада.
  
• Эффективное вычисление k средних величин для распределенного потока больших данных. (Артем Баргер, Research Engineer в IBM​​, Израиль)
  На докладе я предоставлю детерминированный алгоритм позволяющий эффективного вычислять k средних велечин (k-means) в непрерывном потоке данных в режиме реального времени. Сублинейный алгоритм использует только logn*k^O (1) памяти, также легко адаптируется под распределенные системы вычеслений позволя с уменьшить время вычисление прямопропорционально доступным вычислительным мощностям. В конце будут предсталены эмпирические результаты для популярных наборов данных.
  
• #DataForGood — как изменить мир к лучшему с помощью анализа данных.(Максим Терещенко, Product Owner в Zoomdata​)
  О применении Big Data для оптимизации и улучшения эффективности принятия решений в бизнесе говорится уже не мало. Практически каждая крупная корпорация имеет в своем арсенале Big Data платформу. Но в рамках доклада хотелось бы отойти от бизнеса и рассмотреть тему применения AI и Big Data для социальных проектов. Сотни и тысячи аналитиков, Data Scientists, Big Data инженеров объединяются и реализуют проекты, которые меняют жизнь простых людей во всем мире и, особенно, помогают жителям слабо-развитых стран. Здесь идет речь о совсем другом уровне мотивации и командной работы. В рамках доклада, хотелось бы обсудить, что движет этими людьми, какие реальные проекты с какими технологиями были реализованы и как они поменяли жизнь людей. 
  
• Методология Data Science проектов. (Сергей Шельпук, Head of Data Science в V.I. Tech)
  Проекты в области анализа данных — вызов не только для инженеров, но и для менеджеров. Доклад будет посвящён особенностям таких проектов по сравнению с обычной разработкой, ролям в команде и построению взаимодействия с заказчиком в условиях неопределённости R&D.
  
• Обучение глубоких, очень глубоких и рекуррентных сетей. (Артем Чернодуб, н.с. в ИПММС НАНУ)
  В докладе представлен обзор новых подходов к обучению глубоких и рекуррентных нейросетей. Обсуждаются ортогональная инициализация весов для сверточных и рекуррентных нейросетей и ее влияние на проблему исчезновения градиентов (vanishing gradient effect), нормализацию мини-пакетов (batch normalization),  разностное обучение (residual learning).
  
• MOLAP: Новые границы возможного. (Константин Герасименко, CEO в Easy MOLAP​, Германия)    
  Рассказ о том что такое MOLAP. Сравнение с традиционными подходами. Преимущества и недостатки. 
  
• Спайковые и бионические нейронные сети: проблемы и перспекитвы. (Дмитрий Новицкий, ст. научный сотрудник, доцент в Институт Кибернетики НАНУ)
  В мире машинного обучения многие годы доминируют нейронные сети прямого распространения (feed-forward), которые почти ничего общего не имеют с нейронами и сетями нашего мозга. В этом докладе мы познакомимся с бионическими (biologically plausible) нейронными сетями. В большинстве из них нейроны испускают и принимают импульсы (спайки). Какие возникают проблемы и сложности обучения таких сетей? В каких традиционно нерешаемых (или плохо решаемых) задачах они могут быть эффективны, как эффективен в них мозг человека и животных? Как можно реализовать такие сети аппаратно, и что такое нейроморфный компьютинг? — Вот вопросы, которым посвящена данная презентация.
  

Для читателей нашего блога действует скидочный промокод на 15%: FlyElephantHabrahabr.

• ↑

  —

  ↓

• 253

• Добавить в избранное 0