Запрошуємо на конференцію по штучному інтелекту і великим даними AI&BigData Lab 4 червня



4 червня в Одесі, наша команда FlyElephant спільно з GeeksLab буде проводити третю щорічну технічну конференцію по штучному інтелекту і великим даними — AI&BigData Lab.

На конференції розробники обговорять питання реалізації та застосування різних алгоритмів, інструментів та нових технологій для роботи з великими даними і штучним інтелектом. Будуть представлені втілені в життя проекти, розказано про функціоналі і принципи їх роботи.

Програма конференції AI&BigData Lab вже частково сформована. Серед прийнятих доповідей можна відзначити:

  • Як ми навчили думати digital. (Діана Лиманська, координатор відділу аналітиків в VertaMedia)
    Коли ви заходите на сайт, що б подивитися улюблений фільм або серіал, ви чекаєте кілька секунд, перш ніж вам буде показана реклама. В ці кілька секунд до показу реклами відбуваються сотні складних процесів. Я хочу розповісти як ми створили самонавчальну систему для digital-маркетинг платформи на основі математичних методик, які етапи пройшли у її розвиток і з якими проблемами зіткнулися.
  • Переклад з «поганого» англійської на «хороший». (Анатолій Востряков, дослідник в Grammarly)
    На початку я хочу дати невеликий історичний екскурс у способи автоматичної корекції помилок у тестах. В основній частині доповіді я хотів би висвітлити найновіші методи корекції помилок з використання, те що зараз називається neural machine translation. Тобто ми переводимо англійський текст у англійська, але з виправленими помилками на виході. На жаль я обмежений у конкретних прикладах з практики Грэммэрли, тому доповідь буде у формі огляду алгоритмів, які є вже зараз або з'являться до моменту доповіді.
  • Ефективне обчислення k середніх величин для розподіленого потоку великих даних. (Артем Баргер, Research Engineer в IBM, Ізраїль)
    На доповіді я надам детермінований алгоритм дозволяє ефективного обчислювати k середніх велечин (k-means) в безперервному потоці даних в режимі реального часу. Сублінійний алгоритм використовує лише logn*k^O(1) пам'яті, також легко адаптується під розподілені системи підрахунків дозволяє з зменшити час обчислення прямопропорційно доступних обчислювальних потужностей. В кінці будуть предсталені емпіричні результати популярних наборів даних.
  • #DataForGood — як змінити світ на краще за допомогою аналізу даних. (Максим Терещенко, Product Owner в Zoomdata)
    Про застосування Big Data для оптимізації і поліпшення ефективності прийняття рішень в бізнесі йдеться вже не мало. Практично кожна велика корпорація має у своєму арсеналі Big Data платформу. Але в рамках доповіді хотілося б відійти від бізнесу і розглянути тему застосування AI і Big Data для соціальних проектів. Сотні і тисячі аналітиків, Data Scientists, Big Data інженерів об'єднуються і реалізують проекти, які змінюють життя простих людей у всьому світі і, особливо, допомагають мешканцям слабко-розвинутих країн. Тут ідеться про зовсім іншому рівні мотивації та командної роботи. В рамках доповіді, хотілося б обговорити, що рухає цими людьми, які реальні проекти з якими технологіями були реалізовані і як вони змінили життя людей. 
  • Методологія Data Science проектів. (Сергій Шельпук, Head of Data Science в V. I. Tech)
    Проекти в області аналізу даних — виклик не тільки для інженерів, але і для менеджерів. Доповідь буде присвячена особливостям таких проектів порівняно із звичайною розробкою, ролями в команді і побудови взаємодії з замовником в умовах невизначеності R&D
  • Навчання глибоких, дуже глибоких і рекурентних мереж. (Артем Чорнодуб, н. с. в ІПММС НАНУ)
    У доповіді представлений огляд нових підходів до навчання глибоких і рекурентних нейромереж. Обговорюються ортогональная ініціалізація ваг для згорткових і рекурентних нейромереж та її вплив на проблему зникнення градієнтів (vanishing gradient effect), нормалізацію міні-пакетів (batch normalization),  різницеве навчання (residual learning).
  • MOLAP: Нові межі можливого. (Костянтин Герасименко, CEO Easy MOLAP, Німеччина)    
    Розповідь про те що таке MOLAP. Порівняння з традиційними підходами. Переваги і недоліки. 
  • Спайковые і біонічні нейронні мережі: проблеми і перспекитвы. (Дмитро Новицький, ст. науковий співробітник, доцент Інститут Кібернетики НАНУ)
    У світі машинного навчання багато років домінують нейронні мережі прямого поширення (feed-forward), які майже нічого спільного не мають з нейронами і мережами нашого мозку. У цій доповіді ми познайомимося з біонічними (biologically plausible) нейронними мережами. У більшості з них нейрони виділяють і беруть імпульси (спайки). Які виникають проблеми і складності навчання таких мереж? В яких традиційно нерозв'язних (або погано розв'язуваних) завдання вони можуть бути ефективні, як ефективний у них мозок людини і тварин? Як можна реалізувати такі мережі апаратно, і що таке нейроморфный комп'ютинг? — Ось питання, яким присвячена дана презентація.
Реєстрація і всі подробиці на сайті конференції. Для читачів нашого блогу діє знижковий промокод на 15%: FlyElephantHabrahabr.

Джерело: Хабрахабр

0 коментарів

Тільки зареєстровані та авторизовані користувачі можуть залишати коментарі.