🥇Minne mennä: tulossa maksuttomia tapahtumia IT-asiantuntijoille Moskovassa (14.–18)

Tapahtumat avoimella ilmoittautumisella:

AI & mobiili
NeurIPS uudenvuoden afterparty
R Moscow Meetup #5
Frontend Meetup Moskovassa (Gastromarket Balchug)
Koneoppimiskoulutus Avito 2.0:ssa

AI & mobiili

14. tammikuuta 19-00 tiistaina

Kutsumme sinut tapaamiseen tekoälystä, sen soveltamisesta mobiililaitteisiin sekä uuden vuosikymmenen tärkeimmistä teknologisista ja liiketoiminnan trendeistä. Ohjelmassa mielenkiintoisia raportteja, keskusteluja, pizzaa ja hyvää mieltä.

Yksi puhujista on edelläkävijä uusimpien teknologioiden esittelyssä Hollywoodissa, Valkoisessa talossa; Kiinan presidentti mainitsi uudenvuodenpuheessaan hänen kirjansa "Augmented: Life in the Smart Lane" yhtenä hänen suosikkiviitteistään.

NeurIPS uudenvuoden afterparty

15. tammikuuta alkaen klo 18:00 keskiviikkona

18:00 Ilmoittautuminen
19:00 Avajaiset - Mikhail Bilenko, Yandex
19:05 Vahvistusoppiminen NeurIPS 2019:ssä: miten se oli - Sergey Kolesnikov, TinkoffJoka vuosi vahvistusoppimisen (RL) aihe on tulossa kuumemmaksi ja suositummaksi. Ja joka vuosi DeepMind ja OpenAI lisäävät öljyä tuleen julkaisemalla uuden superinhimillisen suorituskyvyn botin. Onko tämän takana jotain todella arvokasta? Ja mitkä ovat viimeisimmät trendit kaikessa RL-monimuotoisuudessa? Otetaan selvää!
19:25 Katsaus NLP-työhön NeurIPS 2019 -tapahtumassa - Mikhail Burtsev, MIPTNykyään luonnollisen kielen käsittelyn läpimurtoalueet liittyvät kielimalleihin ja tietograafiin perustuvien arkkitehtuurien rakentamiseen. Raportti antaa yleiskatsauksen töistä, joissa näiden menetelmien avulla rakennetaan dialogijärjestelmiä eri toimintojen toteuttamiseksi. Esimerkiksi yleisistä aiheista kommunikointiin, empatian lisäämiseen ja tavoitteelliseen vuoropuheluun.
19:45 Tapoja ymmärtää häviöfunktion pintatyyppi - Dmitri Vetrov, Tietojenkäsittelytieteen tiedekunta, Kansallisen tutkimusyliopiston kauppakorkeakouluKeskustelen useista kirjoituksista, jotka tutkivat epätavallisia vaikutuksia syväoppimisessa. Nämä vaikutukset valaisevat tappiofunktion pinnan ulkonäköä painotilassa ja antavat meille mahdollisuuden esittää useita hypoteeseja. Vahvistettuna on mahdollista säädellä askelkokoa tehokkaammin optimointimenetelmissä. Tämä mahdollistaa myös testinäytteen häviöfunktion saavutettavissa olevan arvon ennustamisen kauan ennen harjoituksen loppua.
20:05 Katsaus tietokonenäön töihin NeurIPS 2019 -tapahtumassa - Sergey Ovcharenko, Konstantin Lakhman, YandexTutustumme tietokonenäön tutkimuksen ja työn pääalueisiin. Yritetään ymmärtää, onko kaikki ongelmat jo ratkaistu akatemian näkökulmasta, jatkuuko GANin voittomarssi kaikilla alueilla, kuka vastustaa sitä ja milloin valvomaton vallankumous tapahtuu.
20:25 Kahvitauko
20:40 Sekvenssien mallinnus rajoittamattomalla sukupolvijärjestyksellä - Dmitry Emelianenko, YandexEhdotamme mallia, joka voi lisätä sanoja mielivaltaisiin paikkoihin luodussa lauseessa. Malli oppii implisiittisesti kätevän dekoodausjärjestyksen tietojen perusteella. Paras laatu saavutetaan useilla aineistoilla: konekäännös, käyttö LaTeX:ssä ja kuvan kuvaus. Raportti on omistettu artikkelille, jossa osoitamme, että opittu dekoodausjärjestys on itse asiassa järkevä ja koskee ratkaistavaa ongelmaa.
20:55 Käänteinen KL-divergenssikoulutus aikaisemmista verkostoista: parantunut epävarmuus ja vastustuskyky - Andrey Malinin, YandexEnsemble-lähestymistapoja epävarmuuden estimointiin on viime aikoina sovellettu virheellisen luokituksen havaitsemiseen, jakelun ulkopuolisen syötteen havaitsemiseen ja vastakkaisten hyökkäysten havaitsemiseen. Aikaisempia verkkoja on ehdotettu lähestymistavana mallien joukon tehokkaaseen emulointiin luokittelua varten parametroimalla Dirichlet-prioriteettijakaumaa lähtöjakaumien yli. Näiden mallien on osoitettu ylittävän vaihtoehtoiset ensemble-lähestymistavat, kuten Monte-Carlo Dropout, jakelun ulkopuolisen tulon havaitsemisessa. Aiempien verkkojen skaalaaminen monimutkaisiin tietojoukoihin, joissa on monia luokkia, on kuitenkin vaikeaa käyttämällä alun perin ehdotettuja koulutuskriteerejä. Tämä asiakirja sisältää kaksi panosta. Ensin osoitamme, että asianmukainen koulutuskriteeri aiemmille verkoille on käänteinen KL-divergenssi Dirichlet-jakaumien välillä. Tämä ongelma koskee opetusdatan kohdejakaumia, mikä mahdollistaa aiempien verkkojen onnistuneen koulutuksen luokittelutehtäviin mielivaltaisen monen luokan kanssa, sekä parantaa jakelun ulkopuolisen havaitsemisen suorituskykyä. Toiseksi, hyödyntäen tätä uutta koulutuskriteeriä, tässä artikkelissa tutkitaan Prior Networks -verkkojen käyttöä vihollisten hyökkäysten havaitsemiseen ja ehdotetaan yleistettyä kontradiktorisen harjoittelun muotoa. On osoitettu, että onnistuneiden adaptiivisten whitebox-hyökkäysten rakentaminen, jotka vaikuttavat ennustamiseen ja väistämiseen havaitsemisesta, aiempia verkkoja vastaan, jotka on koulutettu CIFAR-10:llä ja CIFAR-100:lla ehdotetun lähestymistavan avulla, vaatii enemmän laskennallista vaivaa kuin verkkoja vastaan, jotka on suojattu käyttämällä tavanomaista vastarintaa. koulutus tai MC-pudotus.
21:10 Paneelikeskustelu: "NeurlPS, joka on kasvanut liikaa: kuka on syyllinen ja mitä tehdä?" - Aleksanteri Krainov, Yandex
21:40 Afterparty

R Moscow Meetup #5

16. tammikuuta klo 18-30 torstaina

Klo 19-00 “Käyttöongelmien ratkaiseminen R:n avulla” - Konstantin Firsov (Netris JSC, toteutuspäällikkö).
19:30-20:00 “Varaston optimointi vähittäiskaupassa” - Genrikh Ananyev (PJSC Beluga Group, raportointiautomaation johtaja).
20:00-20:30 "BMS X5:ssä: kuinka tehdä liiketoimintaprosessien louhinta jäsentämättömissä myyntipistelokeissa R:n avulla" - Evgeniy Roldugin (X5 Retail Group, palvelun laadunvalvontatyökalujen osastopäällikkö), Ilja Shutov (mediapuh., päällikkö) osaston datatutkija).

Frontend Meetup Moskovassa (Gastromarket Balchug)

18. tammikuuta klo 12-00 lauantaisin

"Milloin kannattaa kirjoittaa sovellus uudelleen tyhjästä ja kuinka vakuuttaa liiketoiminnasta tämä" - Aleksei Pyzhyanov, kehittäjä, SiburTodellinen tarina siitä, kuinka käsittelimme teknistä velkaa radikaaleimmalla tavalla. Kerron sinulle siitä:
1. Miksi hyvästä sovelluksesta tuli kauhea perintö.
2. Kuinka teimme vaikean päätöksen kirjoittaa kaikki uudelleen.
3. Kuinka myimme tämän idean tuotteen omistajalle.
4. Mitä tästä ideasta lopulta syntyi ja miksi emme kadu tekemäämme päätöstä.
"Vuejs API mocks" — Vladislav Prusov, Frontend-kehittäjä, AGIMA

Koneoppimiskoulutus Avito 2.0:ssa