GrabDuck

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