ProHoster > Блог > internet vijesti > Gdje ići: predstojeći besplatni događaji za IT profesionalce u Moskvi (14.–18. januara)

Gdje ići: predstojeći besplatni događaji za IT profesionalce u Moskvi (14.–18. januara)

Gdje ići: predstojeći besplatni događaji za IT profesionalce u Moskvi (14.–18. januara)

Događaji sa otvorenom prijavom:


AI i mobilni

14. januar, 19:00-22:00, utorak

Pozivamo vas na sastanak o umjetnoj inteligenciji, njenoj primjeni na mobilnim uređajima i najvažnijim tehnološkim i poslovnim trendovima nove decenije. Program uključuje zanimljive reportaže, diskusije, pizzu i dobro raspoloženje.

Jedan od govornika je pionir u uvođenju najnovijih tehnologija u Hollywoodu, Bijeloj kući; njegovu knjigu „Prošireno: život u pametnoj ulici“ predsednik Kine je u svom novogodišnjem obraćanju spomenuo kao jednu od njegovih omiljenih referenci.

NeurIPS novogodišnji afterparty

15. januar sa početkom u 18:00, srijeda

  • 18:00 Registracija
  • 19:00 Otvaranje - Mikhail Bilenko, Yandex
  • 19:05 Učenje s pojačavanjem na NeurIPS 2019: kako je bilo - Sergej Kolesnikov, TinkoffSvake godine tema učenja s pojačanjem (RL) postaje sve vruća i popularnija. I svake godine, DeepMind i OpenAI doliju ulje na vatru objavljivanjem novog bota za nadljudske performanse. Postoji li nešto zaista vrijedno iza ovoga? A koji su najnoviji trendovi u cijeloj RL raznolikosti? Saznajmo!
  • 19:25 Pregled rada NLP-a na NeurIPS 2019 - Mihail Burcev, MIPTDanas su najprobojniji trendovi u oblasti obrade prirodnog jezika povezani sa izgradnjom arhitektura zasnovanih na jezičkim modelima i grafovima znanja. Izveštaj će dati pregled radova u kojima se ove metode koriste za izgradnju sistema dijaloga za implementaciju različitih funkcija. Na primjer, za komunikaciju o općim temama, povećanje empatije i vođenje dijaloga usmjerenog na ciljeve.
  • 19:45 Načini razumevanja vrste površine funkcije gubitka - Dmitrij Vetrov, Fakultet računarskih nauka, Visoka ekonomska škola Nacionalnog istraživačkog univerzitetaRazgovarat ću o nekoliko radova koji istražuju neobične efekte dubokog učenja. Ovi efekti bacaju svjetlo na izgled površine funkcije gubitka u prostoru težine i omogućavaju nam da iznesemo brojne hipoteze. Ako se potvrdi, biće moguće efikasnije regulisati veličinu koraka u metodama optimizacije. Ovo će također omogućiti da se predvidi dostižna vrijednost funkcije gubitka na probnom uzorku mnogo prije kraja obuke.
  • 20:05 Pregled radova na kompjuterskom vidu na NeurIPS 2019 - Sergej Ovčarenko, Konstantin Lakhman, YandexPogledaćemo glavne oblasti istraživanja i rada u kompjuterskom vidu. Pokušajmo shvatiti da li su svi problemi već riješeni sa stajališta akademije, nastavlja li se pobjednički pohod GAN-a u svim oblastima, ko mu pruža otpor i kada će se desiti nenadzirana revolucija.
  • 20:25 Pauza za kafu
  • 20:40 Modeliranje sekvenci s neograničenim redoslijedom generiranja - Dmitrij Emelianenko, YandexPredlažemo model koji može umetnuti riječi na proizvoljna mjesta u generiranoj rečenici. Model implicitno uči pogodan redosled dekodiranja na osnovu podataka. Najbolji kvalitet se postiže na nekoliko skupova podataka: za mašinsko prevođenje, upotreba u LaTeX-u i opis slike. Izvještaj je posvećen članku u kojem pokazujemo da naučeni redosljed dekodiranja zapravo ima smisla i specifičan je za problem koji se rješava.
  • 20:55 Obuka o obrnutoj KL-divergenciji prethodnih mreža: poboljšana nesigurnost i otpornost na suparničku snagu - Andrej Malinin, YandexAnsambl pristupi za procjenu nesigurnosti nedavno su primijenjeni na zadatke otkrivanja pogrešne klasifikacije, otkrivanja ulaza izvan distribucije i otkrivanja adversarnih napada. Prethodne mreže su predložene kao pristup za efikasnu emulaciju ansambla modela za klasifikaciju parametriranjem Dirichletove prethodne distribucije preko izlaznih distribucija. Pokazalo se da ovi modeli nadmašuju alternativne pristupe ansambla, kao što je Monte-Carlo Dropout, na zadatku otkrivanja ulaza van distribucije. Međutim, skaliranje Prethodnih mreža na složene skupove podataka s mnogo klasa je teško korištenjem prvobitno predloženih kriterija obuke. Ovaj rad daje dva priloga. Prvo, pokazujemo da je odgovarajući kriterij obuke za prethodne mreže obrnuta KL-divergencija između Dirichletovih distribucija. Ovo pitanje se bavi u prirodi distribucije ciljnih podataka za obuku, omogućavajući prethodnim mrežama da budu uspješno obučene za zadatke klasifikacije sa proizvoljno mnogo klasa, kao i poboljšanje performansi detekcije izvan distribucije. Drugo, koristeći prednosti ovog novog kriterija obuke, ovaj rad istražuje korištenje prethodnih mreža za otkrivanje neprijateljskih napada i predlaže generalizirani oblik kontradiktorne obuke. Pokazano je da konstrukcija uspješnih adaptivnih napada na bijelo polje, koji utječu na predviđanje i otkrivanje izbjegavanja, protiv prijašnjih mreža obučenih na CIFAR-10 i CIFAR-100 korištenjem predloženog pristupa zahtijeva veći računski napor nego protiv mreža branjenih standardnim adversarial trening ili MC-ispadanje.
  • 21:10 Panel diskusija: “NeurlPS, koji je previše narastao: ko je kriv i šta da se radi?” — Aleksandar Krajnov, Yandex
  • 21:40 Afterparty

R Moskva Meetup #5

16. januar, 18:30-21:30, četvrtak

  • 19:00-19:30 “Rešavanje operativnih problema korišćenjem R za lutke” - Konstantin Firsov (Netris JSC, glavni inženjer implementacije).
  • 19:30-20:00 “Optimizacija zaliha u maloprodaji” - Genrikh Ananyev (PJSC Beluga Group, šef automatizacije izvještavanja).
  • 20:00-20:30 „BMS u X5: kako izvršiti rudarenje poslovnih procesa na nestrukturiranim POS evidencijama koristeći R” - Evgeniy Roldugin (X5 Retail Group, šef odjela za alate za kontrolu kvalitete usluga), Ilya Shutov (Media Tel, Head naučnika odsjeka za podatke).

Frontend Meetup u Moskvi (Gastromarket Balchug)

18. januar, 12:00-18:00, subota

  • „Kada se isplati pisati aplikaciju od nule i kako u to uvjeriti posao“ - Alexey Pyzhyanov, programer, SiburPrava priča o tome kako smo se na najradikalniji način nosili sa tehničkim dugom. reći ću vam o tome:
    1. Zašto se dobra aplikacija pretvorila u užasno naslijeđe.
    2. Kako smo donijeli tešku odluku da sve prepišemo.
    3. Kako smo ovu ideju prodali vlasniku proizvoda.
    4. Šta je na kraju proizašlo iz ove ideje i zašto ne žalimo zbog odluke koju smo donijeli.

  • „Vuejs API sprdnje“ — Vladislav Prusov, Frontend developer, AGIMA

Obuka mašinskog učenja u Avitu 2.0

18. januar, 12:00-15:00, subota

  • 12:00 “Zindi Sendy Logistics Challenge (rus)” - Roman Pyankov
  • 12:30 “Data Souls Wildfire AI (rus)” - Ilja Plotnikov
  • 13:00 Pauza za kafu
  • 13:20 “Topcoder SpaceNet 5 Challenge & Signate The 3rd Tellus Satellite Challenge (eng)” - Ilya Kibardin
  • 14:00 Pauza za kafu
  • 14:10 “Codalab Automated Time Series Regression (eng)” — Denis Vorotyntsev

izvor: www.habr.com

Dodajte komentar