کجا برویم: رویدادهای رایگان آینده برای متخصصان فناوری اطلاعات در مسکو (14 تا 18 ژانویه)

رویدادهای با ثبت نام آزاد:

• هوش مصنوعی و موبایل
• جشن سال نو NeurIPS
• جلسه آر مسکو شماره 5
• جلسه Frontend در مسکو (Gastromarket Balchug)
• آموزش یادگیری ماشین در Avito 2.0

هوش مصنوعی و موبایل

14 ژانویه، 19:00 الی 22:00، سه شنبه

شما را به جلسه ای در مورد هوش مصنوعی، کاربرد آن در دستگاه های تلفن همراه و مهم ترین روندهای تکنولوژیکی و تجاری دهه جدید دعوت می کنیم. این برنامه شامل گزارش های جالب، بحث، پیتزا و روحیه خوب است.

یکی از سخنرانان پیشگام در معرفی جدیدترین فناوری ها در هالیوود، کاخ سفید است. رئیس‌جمهور چین در سخنرانی سال نو خود از کتاب «افزوده شده: زندگی در خط هوشمند» به عنوان یکی از کتاب‌های مرجع مورد علاقه‌اش یاد کرد.

جشن سال نو NeurIPS

15 ژانویه، از ساعت 18:00 چهارشنبه

• 18:00 ثبت نام
• 19:00 افتتاحیه - میخائیل بیلنکو، Yandex
• 19:05 یادگیری تقویتی در NeurIPS 2019: چگونه بود - سرگئی کولسنیکوف، تینکوفهر سال موضوع یادگیری تقویتی (RL) داغ تر و پرهیجان تر می شود. و هر سال، DeepMind و OpenAI با انتشار یک ربات عملکرد فوق‌انسانی جدید، به آتش می‌افزایند. آیا واقعاً چیز ارزشمندی پشت این موضوع وجود دارد؟ و آخرین روندها در همه تنوع RL چیست؟ بیایید دریابیم!
• 19:25 بررسی کار NLP در NeurIPS 2019 - Mikhail Burtsev، MIPTامروزه، بیشترین روند پیشرفت در زمینه پردازش زبان طبیعی با ساخت معماری بر اساس مدل های زبان و نمودارهای دانش مرتبط است. این گزارش یک نمای کلی از کارهایی را ارائه می دهد که در آنها از این روش ها برای ایجاد سیستم های گفتگو برای اجرای عملکردهای مختلف استفاده می شود. به عنوان مثال، برای برقراری ارتباط در موضوعات کلی، افزایش همدلی و انجام گفتگوی هدفمند.
• 19:45 راه هایی برای درک نوع سطح تابع ضرر - دیمیتری وتروف، دانشکده علوم کامپیوتر، دانشکده عالی اقتصاد دانشگاه تحقیقات ملیمن در مورد چندین مقاله بحث خواهم کرد که اثرات غیرعادی در یادگیری عمیق را بررسی می کند. این تأثیرات ظاهر سطح تابع کاهش را در فضای وزن روشن می کند و به ما اجازه می دهد تا تعدادی فرضیه را مطرح کنیم. در صورت تایید، تنظیم موثرتر اندازه گام در روش های بهینه سازی امکان پذیر خواهد بود. این امر همچنین امکان پیش‌بینی ارزش قابل دستیابی تابع ضرر را در نمونه آزمایشی مدت‌ها قبل از پایان آموزش ممکن می‌سازد.
• 20:05 بررسی آثار بینایی کامپیوتر در NeurIPS 2019 - سرگئی اوچارنکو، کنستانتین لخمان، یاندکسما به زمینه های اصلی تحقیق و کار در بینایی کامپیوتر خواهیم پرداخت. بیایید سعی کنیم بفهمیم که آیا همه مشکلات از نظر آکادمی حل شده است، آیا راهپیمایی پیروزمندانه GAN در همه عرصه ها ادامه دارد، چه کسی در برابر آن مقاومت می کند و انقلاب بدون نظارت کی رخ می دهد؟
• 20:25 استراحت قهوه
• 20:40 سکانس های مدل سازی با ترتیب تولید نامحدود - دیمیتری املیاننکو، یاندکسما مدلی را پیشنهاد می کنیم که می تواند کلمات را در مکان های دلخواه در جمله تولید شده درج کند. مدل به طور ضمنی یک ترتیب رمزگشایی راحت را بر اساس داده ها می آموزد. بهترین کیفیت در چندین مجموعه داده به دست می آید: برای ترجمه ماشینی، استفاده در LaTeX و توضیحات تصویر. این گزارش به مقاله ای اختصاص داده شده است که در آن نشان می دهیم که ترتیب رمزگشایی آموخته شده در واقع منطقی است و مختص مشکلی است که حل می شود.
• 20:55 آموزش واگرایی معکوس KL شبکه های قبلی: عدم قطعیت بهبود یافته و استحکام دشمن - آندری مالینین، Yandexرویکردهای گروهی برای تخمین عدم قطعیت اخیراً برای وظایف تشخیص طبقه‌بندی اشتباه، تشخیص ورودی خارج از توزیع و تشخیص حمله خصمانه استفاده شده است. شبکه‌های قبلی به عنوان رویکردی برای تقلید کارآمد مجموعه‌ای از مدل‌ها برای طبقه‌بندی با پارامترسازی توزیع قبلی دیریکله بر توزیع‌های خروجی پیشنهاد شده‌اند. نشان داده شده است که این مدل‌ها در تشخیص ورودی خارج از توزیع، از رویکردهای گروه جایگزین، مانند ترک مونت کارلو، بهتر عمل می‌کنند. با این حال، مقیاس کردن شبکه‌های قبلی به مجموعه داده‌های پیچیده با کلاس‌های زیاد با استفاده از معیارهای آموزشی که در ابتدا پیشنهاد شده بود، دشوار است. این مقاله دو مشارکت دارد. اول، نشان می‌دهیم که معیار آموزشی مناسب برای شبکه‌های قبلی، واگرایی KL معکوس بین توزیع دیریکله است. این مسائل در ماهیت توزیع‌های هدف داده‌های آموزشی مورد بررسی قرار می‌گیرد و شبکه‌های قبلی را قادر می‌سازد تا با موفقیت در وظایف طبقه‌بندی با کلاس‌های خودسرانه زیاد آموزش ببینند، و همچنین عملکرد تشخیص خارج از توزیع را بهبود بخشد. دوم، با بهره‌گیری از این معیار آموزشی جدید، این مقاله استفاده از شبکه‌های قبلی را برای شناسایی حملات خصمانه بررسی می‌کند و شکل تعمیم‌یافته‌ای از آموزش خصمانه را پیشنهاد می‌کند. نشان داده شده است که ساخت حملات جعبه سفید تطبیقی ​​موفق، که بر پیش‌بینی و تشخیص فرار تأثیر می‌گذارد، در برابر شبکه‌های قبلی آموزش‌دیده شده در CIFAR-10 و CIFAR-100 با استفاده از رویکرد پیشنهادی، به تلاش محاسباتی بیشتری نسبت به شبکه‌هایی که با استفاده از دشمن استاندارد دفاع می‌شوند، نیاز دارد. آموزش یا ترک تحصیل.
• 21:10 بحث پانل: "NeurlPS، که بیش از حد رشد کرده است: چه کسی مقصر است و چه باید کرد؟" - الکساندر کراینوف، یاندکس
• 21:40 بعد از مهمانی

جلسه آر مسکو شماره 5

16 ژانویه، 18:30 الی 21:30، پنجشنبه

• 19:00-19:30 "حل مشکلات عملیاتی با استفاده از R برای آدمک ها" - کنستانتین فیرسوف (Netris JSC، مهندس ارشد اجرایی).
• 19:30-20:00 "بهینه سازی موجودی در خرده فروشی" - Genrikh Ananyev (PJSC Beluga Group، رئیس اتوماسیون گزارش دهی).
• 20:00-20:30 "BMS در X5: نحوه انجام استخراج فرآیندهای کسب و کار در گزارش های POS بدون ساختار با استفاده از R" - Evgeniy Roldugin (گروه خرده فروشی X5، رئیس بخش ابزارهای کنترل کیفیت خدمات)، ایلیا شوتوف (تلفن رسانه، رئیس دانشمند داده گروه).

جلسه Frontend در مسکو (Gastromarket Balchug)

18 ژانویه، 12:00 الی 18:00، شنبه

• "چه زمانی ارزش بازنویسی یک برنامه از ابتدا را دارد و چگونه می توان تجارت را در این مورد متقاعد کرد" - الکسی پیژیانوف، توسعه دهنده، Siburداستان واقعی نحوه برخورد ما با بدهی فنی به رادیکال ترین روش. من در مورد آن به شما خواهم گفت:
  1. چرا یک برنامه خوب به یک میراث وحشتناک تبدیل شد.
  2. چگونه تصمیم سختی گرفتیم که همه چیز را بازنویسی کنیم.
  3. چگونه این ایده را به صاحب محصول فروختیم.
  4. در نهایت چه چیزی از این ایده بیرون آمد و چرا از تصمیمی که گرفتیم پشیمان نیستیم.

• "Vuejs API mocks" - Vladislav Prusov، توسعه دهنده Frontend، AGIMA

آموزش یادگیری ماشین در Avito 2.0

18 ژانویه، 12:00 الی 15:00، شنبه

• 12:00 "چالش لجستیک Zindi Sendy (روسی)" - رومن پیانکوف
• 12:30 "Data Souls Wildfire AI (rus)" - ایلیا پلوتنیکوف
• 13:00 استراحت قهوه
• 13:20 "چالش Topcoder SpaceNet 5 و سومین چالش ماهواره تلوس (eng)" - ایلیا کیباردین
• 14:00 استراحت قهوه
• 14:10 "رگرسیون سری زمانی خودکار Codalab (eng)" - دنیس وروتینتسف

منبع: www.habr.com