Eventos con inscrición aberta:
14 de xaneiro, 19:00-22:00, martes
Convidámoste a un encontro sobre a intelixencia artificial, a súa aplicación en dispositivos móbiles e as tendencias tecnolóxicas e empresariais máis importantes da nova década. O programa inclúe interesantes reportaxes, debates, pizza e bo humor.
Un dos relatores é pioneiro en introducir as últimas tecnoloxías en Hollywood, a Casa Branca; o seu libro "Augmented: Life in the Smart Lane" foi mencionado como un dos seus libros de referencia favoritos polo presidente de China no seu discurso de Ano Novo.
15 de xaneiro, a partir das 18:00 horas, mércores
- 18:00 Inscrición
- 19:00 Inauguración - Mikhail Bilenko, Yandex
- 19:05 Aprendizaxe de reforzo en NeurIPS 2019: como foi - Sergey Kolesnikov, TinkoffCada ano o tema da aprendizaxe por reforzo (RL) é cada vez máis quente e promocionado. E cada ano, DeepMind e OpenAI engaden combustible ao lume lanzando un novo bot de rendemento sobrehumano. Hai algo realmente valioso detrás disto? E cales son as últimas tendencias en toda a diversidade de RL? Imos descubrir!
- 19:25 Revisión do traballo de PNL en NeurIPS 2019 - Mikhail Burtsev, MIPTHoxe, as tendencias máis innovadoras no campo do procesamento da linguaxe natural están asociadas á construción de arquitecturas baseadas en modelos lingüísticos e gráficos de coñecemento. O informe ofrecerá unha visión xeral dos traballos nos que se utilizan estes métodos para construír sistemas de diálogo para implementar varias funcións. Por exemplo, para comunicarse sobre temas xerais, aumentar a empatía e manter un diálogo orientado a obxectivos.
- 19:45 Formas de entender o tipo de superficie da función de perda - Dmitry Vetrov, Facultade de Ciencias da Computación, Escola Superior de Economía da Universidade Nacional de InvestigaciónDiscutirei varios artigos que exploran efectos pouco habituais na aprendizaxe profunda. Estes efectos arroxan luz sobre o aspecto da superficie da función de perda no espazo de peso e permítennos presentar unha serie de hipóteses. Se se confirma, será posible regular de forma máis eficaz o tamaño do paso nos métodos de optimización. Isto tamén permitirá predecir o valor alcanzable da función de perda na mostra de proba moito antes do final do adestramento.
- 20:05 Revisión dos traballos sobre visión por ordenador en NeurIPS 2019 - Sergey Ovcharenko, Konstantin Lakhman, YandexObservaremos as principais áreas de investigación e traballo en visión por ordenador. Intentemos entender se xa se resolveron todos os problemas dende o punto de vista da academia, se a marcha vitoriosa da GAN continúa en todos os ámbitos, quen lle resiste, e cando se producirá a revolución sen vixilancia.
- 20:25 Pausa café
- 20:40 Modelado de secuencias con orde de xeración ilimitada - Dmitry Emelianenko, YandexPropoñemos un modelo que pode inserir palabras en lugares arbitrarios da oración xerada. O modelo aprende implicitamente unha orde de decodificación conveniente baseada nos datos. A mellor calidade conséguese en varios conxuntos de datos: para tradución automática, uso en LaTeX e descrición da imaxe. O informe está dedicado a un artigo no que demostramos que a orde de decodificación aprendida realmente ten sentido e é específica para o problema que se está a resolver.
- 20:55 Adestramento inverso de KL-Divergence de redes anteriores: mellora da incerteza e da solidez adversaria - Andrey Malinin, YandexRecentemente aplicáronse enfoques de conxunto para a estimación da incerteza ás tarefas de detección de clasificación errónea, detección de entradas fóra da distribución e detección de ataques adversarios. As redes anteriores propuxéronse como un enfoque para emular de forma eficiente un conxunto de modelos para a clasificación parametrizando unha distribución previa de Dirichlet sobre distribucións de saída. Demostrouse que estes modelos superan os enfoques de conxunto alternativos, como Monte-Carlo Dropout, na tarefa de detección de entrada fóra da distribución. Non obstante, é difícil escalar as redes anteriores a conxuntos de datos complexos con moitas clases utilizando os criterios de adestramento propostos orixinalmente. Este traballo fai dúas contribucións. En primeiro lugar, mostramos que o criterio de adestramento axeitado para as redes previas é a diverxencia KL inversa entre distribucións de Dirichlet. Este problema aborda a natureza das distribucións de destino de datos de adestramento, o que permite que as redes anteriores sexan adestradas con éxito en tarefas de clasificación con moitas clases arbitrariamente, así como mellorar o rendemento da detección fóra da distribución. En segundo lugar, aproveitando este novo criterio de adestramento, este traballo investiga o uso de Redes previas para detectar ataques adversarios e propón unha forma xeneralizada de adestramento adversario. Está demostrado que a construción de ataques de caixa branca adaptativa exitosa, que afectan á predición e evitan a detección, contra redes previas adestradas en CIFAR-10 e CIFAR-100 utilizando o enfoque proposto require un maior esforzo computacional que contra redes defendidas mediante o estándar adversario. formación ou abandono de MC.
- 21:10 Mesa redonda: "NeurlPS, que creceu demasiado: quen ten a culpa e que facer?" - Alexander Krainov, Yandex
- 21:40 Festa posterior
16 de xaneiro, 18:30-21:30, xoves
- 19:00-19:30 "Resolver problemas operativos usando R para maniquíes" - Konstantin Firsov (Netris JSC, Enxeñeiro Xefe de Implementación).
- 19:30-20:00 "Optimización do inventario no comercio polo miúdo" - Genrikh Ananyev (PJSC Beluga Group, xefe de automatización de informes).
- 20:00-20:30 "BMS en X5: como facer minería de procesos comerciais en rexistros POS non estruturados usando R" - Evgeniy Roldugin (X5 Retail Group, Xefe do Departamento de Ferramentas de Control de Calidade do Servizo), Ilya Shutov (Media Tel, Xefe científico de datos del Departamento).
18 de xaneiro, 12:00-18:00, sábado
- "Cando paga a pena reescribir unha aplicación desde cero e como convencer a empresa diso" - Alexey Pyzhyanov, desenvolvedor, SiburA historia real de como tratamos a débeda técnica da forma máis radical. Vouvos falar:
- Por que unha boa aplicación se converteu nun terrible legado.
- Como tomamos a difícil decisión de reescribir todo.
- Como vendemos esta idea ao propietario do produto.
- Que saíu desta idea ao final e por que non nos arrepentimos da decisión que tomamos.
- "Vuejs API mocks" - Vladislav Prusov, desenvolvedor frontend, AGIMA
18 de xaneiro, 12:00-15:00, sábado
- 12:00 "Zindi Sendy Logistics Challenge (rus)" - Roman Pyankov
- 12:30 "Data Souls Wildfire AI (rus)" - Ilya Plotnikov
- 13:00 Pausa café
- 13:20 "Topcoder SpaceNet 5 Challenge & Signate The 3rd Tellus Satellite Challenge (eng)" - Ilya Kibardin
- 14:00 Pausa café
- 14:10 "Regresión de series temporales automatizadas de Codalab (eng)" - Denis Vorotyntsev
Fonte: www.habr.com