С точностью до сотых: топ-10 докладов SmartData 2017

2018-07-15 18:20

Зрители конференции SmartData — люди, которые любят работать с данными. Надо полагать, что и оценки докладам после прошлогодней конференции они выставляли очень вдумчиво.
А теперь по этим оценкам мы составили топ-10 видеозаписей. И заодно, чтобы порадовать любителей данных, указали по каждому из десяти докладов все сопутствующие числа: место в топе, точный зрительский рейтинг, количество зрителей.

Вообще говоря, зачастую у соседних позиций в топе рейтинги различаются незначительно. Так что, пожалуй, не стоит придавать много значения «кто идёт за кем» — важнее, что все эти доклады получили высокие оценки. Но с другой стороны, как же это не придавать много внимания числам, когда это так увлекательно!

Neurona: зачем мы научили нейронную сеть писать стихи в духе Курта Кобейна?

Спикер: Иван Ямщиков
Место: 1
Рейтинг: 4,51 ± 0,08
Число зрителей: ~200
Презентация доклада Явным лидером конференции стал закрывающий кейноут от создателя проектов «Нейронная Оборона» и Neurona. Это доступное выступление, не требующее от зрителя гигантской подготовки — но в то же время это и не просто стотысячное объяснение «как работают нейронные сети». Это вроде бы «развлекательный» формат (вряд ли услышанное немедленно скажется на вашем рабочем проекте) — но в долгосрочной перспективе всё это может быть не только очень интересно, но и полезно. В общем, стоит ли удивляться, что мы позвали Ивана участвовать и в приближающейся SmartData 2018.

От клика к прогнозу и обратно: Data Science-пайплайны в Одноклассниках

Спикер: Дмитрий Бугайченко
Место: 2
Рейтинг: 4,36 ± 0,08
Число зрителей: ~140
Презентация доклада А вот тут всё наоборот. Во-первых, это не общее «что может нам дать машинное обучение», а конкретика «как именно мы всё реализуем». И доклад не о ML самом по себе (персонализация новостной ленты приведена просто в качестве примера), а о всём сопутствующем: «что надо сделать, чтобы вся эта ML-красота работала». В общем, если выступление Ямщикова может заинтересовать даже широкую аудиторию, то здесь интересно будет только лично связанным с машинным обучением, зато они могут многое для себя вынести.

CatBoost — следующее поколение градиентного бустинга

Спикер: Анна Вероника Дорогуш
Место: 3
Рейтинг: 4,32 ± 0,12
Число зрителей: ~100
Презентация доклада Если градиентный бустинг — не ваша специализация, и тема доклада вызвала ощущение «там небось нюансы для тех, кто уже этим вовсю занимается», развеем опасения. Доклад дружелюбен к новичкам и не ныряет сразу в омут с головой, а объясняет сначала базовые вещи. А учитывая, что за прошедший год библиотека CatBoost от Яндекса стала краше и популярнее прежнего, иметь представление о ней полезно, даже если прямо сейчас вам не приходится иметь с ней дело — и доклад как раз может стать хорошим введением.

Назад в будущее современной банковской системы

Спикер: Владимир Красильщик
Место: 4
Рейтинг: 4,31 ± 0,17
Число зрителей: ~80
Презентация доклада Как быть, если из-за eventually consistency у вас данные квартального отчёта расходятся с ежемесячными, и у аудиторов с регуляторами возникают вопросы? Владимир Красильщик объясняет, что ключевым понятием тут становится битемпоральность: есть «когда событие произошло», а есть «когда система о нём узнала», необходимо работать с обеими этими шкалами и демонстрировать сторонним проверяющим обе сразу. Этим доклад не ограничивается, там ещё много всего — например, думали ли вы, что на IT-конференции услышите фразу «справедливости нет, и не надо пытаться её создать»?

Имя — это фича

Спикер: Виталий Худобахшов
Место: 5
Рейтинг: 4,28 ± 0,08
Число зрителей: ~280
Презентация доклада Самое парадоксальное выступление конференции, заставляющее недоумённо чесать в затылке. С одной стороны, любому разумному человеку совершенно очевидно: нет никаких заметных причин для корреляции имени человека (если речь о популярных русских именах) и того, будет ли этот человек состоять в отношениях. С другой стороны, Виталий предъявляет данные, показывающие обратное. Точного объяснения нет у него самого, но по-настоящему убедительных возражений тоже ни у кого не нашлось. Можете попробовать поискать сами.

Нет данных? Нет проблем! Deep Learning на CGI

Спикер: Иван Дрокин
Место: 6
Рейтинг: 4,26 ± 0,18
Число зрителей: ~40
Презентация доклада Как известно, для глубинного обучения недостаточно алгоритмов — нужны начальные данные для обучения. В итоге хороший дата-сет стал ценнейшим ресурсом. Но что делать, если сейчас его у вас нет, а вы не Google и не можете вкладывать гигантские ресурсы? Оказывается, не всегда требуется брать «настоящие» данные из реального мира, и при определённых условиях их можно в прямом смысле слова генерировать. В докладе разобран конкретный подобный случай.

Глубокие свёрточные сети для обнаружения объектов и сегментации изображений

Спикер: Сергей Николенко
Место: 7
Рейтинг: 4,24 ± 0,17
Число зрителей: ~80
Презентация доклада Если вы ещё далеки от машинного/глубокого обучения в целом, то могут хорошо подойти первые 20 минут этого доклада: там обстоятельное введение в тему с историческим экскурсом, начинающимся ещё с 50-х. А если про это в целом всё понимаете, но вот конкретно в подтеме глубоких свёрточных сетей не разбираетесь, тогда можете сразу пропускать вступление и обращать внимание на вторую половину доклада, где переходят именно к convoluted neural networks.

Hadoop high availability: опыт Badoo

Спикер: Александр Крашенников
Место: 8
Рейтинг: 4,22 ± 0,14
Число зрителей: ~100
Презентация доклада Кажется, помимо понятия «большие данные», пригодилось бы ещё «растущие данные», потому что рост диктует свою специфику. Когда-то у Badoo были на порядки меньшие объёмы данных и один подход к ним, затем объёмы возросли и потребовались изменения — а при этом надо учитывать, что завтра всё может вырасти ещё сильнее, делая всё «с запасом». В компании заинтересовались сочетанием «Hadoop» и «реалтайм» ещё тогда, когда между этими двумя словами обычно писали «несовместимо», а теперь рассказали о своём опыте работы с Hadoop и обеспечения в его случае high availability. Бонус: немного творчества Василия Ложкина на слайдах.

Сегментируем 600 миллионов пользователей в режиме реального времени каждый день

Спикер: Артём Маринов
Место: 9
Рейтинг: 4,21 ± 0,09
Число зрителей: ~120
Презентация доклада Тут проект очень отличается от Badoo: не дейтинг, а DMP (data management platform), где требуется выделять среди аудитории сегменты вроде «домохозяйки с автомобилем старше пяти лет». Но, во-первых, тут тоже большие масштабы (порядка ста тысяч событий в секунду). А во-вторых, тут нужно быть ещё более готовым к росту: «среди источников данных — установки пикселя, если вдруг завтра сверхпопулярный сайт поставит к себе ваш пиксель — пойдёт громадный поток, с которым надо будет справиться». С помощью каких технологий справляются и как именно их используют? Ответы в докладе.

Распределённое ML на больших данных: опыт построения рекомендательной системы в ivi

Спикер: Борис Шминке
Место: 10
Рейтинг: 4,21 ± 0,09
Число зрителей: ~100
Презентация доклада Наконец, последний доклад — тоже «про инфраструктуру, а не алгоритмы», и тоже на основе опыта крупного продукта. Когда-то ivi начинали внедрять рекомендации с использования стороннего сервиса, предоставлявшего «recommendations-as-a-service». Затем «выросли» из него и начали делать собственную систему. На Хабре компания писала о ней ещё в 2014-м, а из доклада можно узнать об актуальном положении вещей.

Если эти доклады заинтересовали, обращаем внимание: этой осенью состоится SmartData 2018. Отдельные спикеры из этого топ-10 вернутся с новыми докладами, будут и совершенно новые имена. Самую актуальную информацию о программе всегда можно увидеть на сайте, там же можно купить билеты — и их цена постепенно растёт, так что стоит задуматься уже сейчас.

Источник: habr.com



		С точностью до сотых: топ-10 докладов SmartData 2017
МЕНЮ Искусственный интеллект Поиск Регистрация на сайте Помощь проекту ТЕМЫ Новости ИИ Искусственный интеллект Голосовой помощник Городские сумасшедшие ИИ в медицине ИИ проекты Искусственные нейросети Слежка за людьми Угроза ИИ Разработка ИИ ИИ теория Компьютерные науки Машинное обуч. (Ошибки) Машинное обучение Машинный перевод Реализация ИИ Реализация нейросетей Создание беспилотных авто Трезво про ИИ Философия ИИ Внедрение ИИ Big data Генетические алгоритмы Капсульные нейросети Основы нейронных сетей Распознавание лиц Распознавание образов Распознавание речи Техническое зрение Чат-боты Работа разума и сознание Изучение сна Изучение сознания Психология Работа головного мозга Работа памяти Работа разума Модель мозга Модель мозга Робототехника, БПЛА Беспилотные автомобили БПЛА Робототехника Трансгуманизм Трансгуманизм Обработка текста Анализ социальных сетей Компьютерная лингвистика Лингвистика Поисковые алгоритмы Теория эволюции Головной мозг Нейронные сети Поведение животных Теория эволюции Дополненная реальность Виртулаьная реальность Дополненная реальность Железо Интернет вещей Квантовые компьютеры Нейронные процессоры облачные вычисления Суперкомпьютеры Киберугрозы Кибербезопасность Научный мир Методы исследования Наука и образование Семинары ИТ индустрия ИТ-гиганты Новости ит Разработка ПО Разработка ПО Теория алгоритмов Теория информации Кластеризация Математика Актуальная математика Статистика Теория вероятности Теория информации Теория хаоса Цифровая экономика Технология блокчейн Цифровая экономика Авторизация RSS RSS новости		2018-07-15 18:20 Семинары, большие данные big data Зрители конференции SmartData — люди, которые любят работать с данными. Надо полагать, что и оценки докладам после прошлогодней конференции они выставляли очень вдумчиво. А теперь по этим оценкам мы составили топ-10 видеозаписей. И заодно, чтобы порадовать любителей данных, указали по каждому из десяти докладов все сопутствующие числа: место в топе, точный зрительский рейтинг, количество зрителей. Вообще говоря, зачастую у соседних позиций в топе рейтинги различаются незначительно. Так что, пожалуй, не стоит придавать много значения «кто идёт за кем» — важнее, что все эти доклады получили высокие оценки. Но с другой стороны, как же это не придавать много внимания числам, когда это так увлекательно! Neurona: зачем мы научили нейронную сеть писать стихи в духе Курта Кобейна? Спикер: Иван Ямщиков Место: 1 Рейтинг: 4,51 ± 0,08 Число зрителей: ~200 Презентация доклада Явным лидером конференции стал закрывающий кейноут от создателя проектов «Нейронная Оборона» и Neurona. Это доступное выступление, не требующее от зрителя гигантской подготовки — но в то же время это и не просто стотысячное объяснение «как работают нейронные сети». Это вроде бы «развлекательный» формат (вряд ли услышанное немедленно скажется на вашем рабочем проекте) — но в долгосрочной перспективе всё это может быть не только очень интересно, но и полезно. В общем, стоит ли удивляться, что мы позвали Ивана участвовать и в приближающейся SmartData 2018. От клика к прогнозу и обратно: Data Science-пайплайны в Одноклассниках Спикер: Дмитрий Бугайченко Место: 2 Рейтинг: 4,36 ± 0,08 Число зрителей: ~140 Презентация доклада А вот тут всё наоборот. Во-первых, это не общее «что может нам дать машинное обучение», а конкретика «как именно мы всё реализуем». И доклад не о ML самом по себе (персонализация новостной ленты приведена просто в качестве примера), а о всём сопутствующем: «что надо сделать, чтобы вся эта ML-красота работала». В общем, если выступление Ямщикова может заинтересовать даже широкую аудиторию, то здесь интересно будет только лично связанным с машинным обучением, зато они могут многое для себя вынести. CatBoost — следующее поколение градиентного бустинга Спикер: Анна Вероника Дорогуш Место: 3 Рейтинг: 4,32 ± 0,12 Число зрителей: ~100 Презентация доклада Если градиентный бустинг — не ваша специализация, и тема доклада вызвала ощущение «там небось нюансы для тех, кто уже этим вовсю занимается», развеем опасения. Доклад дружелюбен к новичкам и не ныряет сразу в омут с головой, а объясняет сначала базовые вещи. А учитывая, что за прошедший год библиотека CatBoost от Яндекса стала краше и популярнее прежнего, иметь представление о ней полезно, даже если прямо сейчас вам не приходится иметь с ней дело — и доклад как раз может стать хорошим введением. Назад в будущее современной банковской системы Спикер: Владимир Красильщик Место: 4 Рейтинг: 4,31 ± 0,17 Число зрителей: ~80 Презентация доклада Как быть, если из-за eventually consistency у вас данные квартального отчёта расходятся с ежемесячными, и у аудиторов с регуляторами возникают вопросы? Владимир Красильщик объясняет, что ключевым понятием тут становится битемпоральность: есть «когда событие произошло», а есть «когда система о нём узнала», необходимо работать с обеими этими шкалами и демонстрировать сторонним проверяющим обе сразу. Этим доклад не ограничивается, там ещё много всего — например, думали ли вы, что на IT-конференции услышите фразу «справедливости нет, и не надо пытаться её создать»? Имя — это фича Спикер: Виталий Худобахшов Место: 5 Рейтинг: 4,28 ± 0,08 Число зрителей: ~280 Презентация доклада Самое парадоксальное выступление конференции, заставляющее недоумённо чесать в затылке. С одной стороны, любому разумному человеку совершенно очевидно: нет никаких заметных причин для корреляции имени человека (если речь о популярных русских именах) и того, будет ли этот человек состоять в отношениях. С другой стороны, Виталий предъявляет данные, показывающие обратное. Точного объяснения нет у него самого, но по-настоящему убедительных возражений тоже ни у кого не нашлось. Можете попробовать поискать сами. Нет данных? Нет проблем! Deep Learning на CGI Спикер: Иван Дрокин Место: 6 Рейтинг: 4,26 ± 0,18 Число зрителей: ~40 Презентация доклада Как известно, для глубинного обучения недостаточно алгоритмов — нужны начальные данные для обучения. В итоге хороший дата-сет стал ценнейшим ресурсом. Но что делать, если сейчас его у вас нет, а вы не Google и не можете вкладывать гигантские ресурсы? Оказывается, не всегда требуется брать «настоящие» данные из реального мира, и при определённых условиях их можно в прямом смысле слова генерировать. В докладе разобран конкретный подобный случай. Глубокие свёрточные сети для обнаружения объектов и сегментации изображений Спикер: Сергей Николенко Место: 7 Рейтинг: 4,24 ± 0,17 Число зрителей: ~80 Презентация доклада Если вы ещё далеки от машинного/глубокого обучения в целом, то могут хорошо подойти первые 20 минут этого доклада: там обстоятельное введение в тему с историческим экскурсом, начинающимся ещё с 50-х. А если про это в целом всё понимаете, но вот конкретно в подтеме глубоких свёрточных сетей не разбираетесь, тогда можете сразу пропускать вступление и обращать внимание на вторую половину доклада, где переходят именно к convoluted neural networks. Hadoop high availability: опыт Badoo Спикер: Александр Крашенников Место: 8 Рейтинг: 4,22 ± 0,14 Число зрителей: ~100 Презентация доклада Кажется, помимо понятия «большие данные», пригодилось бы ещё «растущие данные», потому что рост диктует свою специфику. Когда-то у Badoo были на порядки меньшие объёмы данных и один подход к ним, затем объёмы возросли и потребовались изменения — а при этом надо учитывать, что завтра всё может вырасти ещё сильнее, делая всё «с запасом». В компании заинтересовались сочетанием «Hadoop» и «реалтайм» ещё тогда, когда между этими двумя словами обычно писали «несовместимо», а теперь рассказали о своём опыте работы с Hadoop и обеспечения в его случае high availability. Бонус: немного творчества Василия Ложкина на слайдах. Сегментируем 600 миллионов пользователей в режиме реального времени каждый день Спикер: Артём Маринов Место: 9 Рейтинг: 4,21 ± 0,09 Число зрителей: ~120 Презентация доклада Тут проект очень отличается от Badoo: не дейтинг, а DMP (data management platform), где требуется выделять среди аудитории сегменты вроде «домохозяйки с автомобилем старше пяти лет». Но, во-первых, тут тоже большие масштабы (порядка ста тысяч событий в секунду). А во-вторых, тут нужно быть ещё более готовым к росту: «среди источников данных — установки пикселя, если вдруг завтра сверхпопулярный сайт поставит к себе ваш пиксель — пойдёт громадный поток, с которым надо будет справиться». С помощью каких технологий справляются и как именно их используют? Ответы в докладе. Распределённое ML на больших данных: опыт построения рекомендательной системы в ivi Спикер: Борис Шминке Место: 10 Рейтинг: 4,21 ± 0,09 Число зрителей: ~100 Презентация доклада Наконец, последний доклад — тоже «про инфраструктуру, а не алгоритмы», и тоже на основе опыта крупного продукта. Когда-то ivi начинали внедрять рекомендации с использования стороннего сервиса, предоставлявшего «recommendations-as-a-service». Затем «выросли» из него и начали делать собственную систему. На Хабре компания писала о ней ещё в 2014-м, а из доклада можно узнать об актуальном положении вещей. Если эти доклады заинтересовали, обращаем внимание: этой осенью состоится SmartData 2018. Отдельные спикеры из этого топ-10 вернутся с новыми докладами, будут и совершенно новые имена. Самую актуальную информацию о программе всегда можно увидеть на сайте, там же можно купить билеты — и их цена постепенно растёт, так что стоит задуматься уже сейчас. Источник: habr.com Комментарии:

С точностью до сотых: топ-10 докладов SmartData 2017

Комментарии: