Where to go: acara gratis sing bakal teka kanggo profesional IT ing Moskow (14-18 Januari)

Acara kanthi registrasi mbukak:

• AI & Mobile
• NeurIPS New Year Afterparty
• R Moscow Meetup #5
• Frontend Meetup ing Moskow (Gastromarket Balchug)
• Latihan sinau mesin ing Avito 2.0

AI & Mobile

14 Januari, 19:00-22:00, Selasa

Diundang sampeyan menyang rapat babagan intelijen buatan, aplikasi ing piranti seluler lan tren teknologi lan bisnis sing paling penting ing dekade anyar. Program kalebu laporan menarik, diskusi, pizza lan swasana ati apik.

Salah sawijining pamicara minangka pionir ngenalake teknologi paling anyar ing Hollywood, Gedung Putih; bukune "Augmented: Life in the Smart Lane" kasebut minangka salah sawijining buku referensi favorit dening Presiden China ing pidato Taun Anyar.

NeurIPS New Year Afterparty

15 Januari, wiwit jam 18:00, Rebo

• 18:00 Registrasi
• 19:00 Opening - Mikhail Bilenko, Yandex
• 19:05 Pembelajaran penguatan ing NeurIPS 2019: kepiye carane - Sergey Kolesnikov, TinkoffSaben taun topik reinforcement learning (RL) saya tambah panas lan tambah akeh. Lan saben taun, DeepMind lan OpenAI nambahake bahan bakar ing geni kanthi ngeculake bot kinerja superhuman anyar. Apa ana sing migunani ing mburi iki? Lan apa tren paling anyar ing kabeh keragaman RL? Ayo goleki!
• 19:25 Review karya NLP ing NeurIPS 2019 - Mikhail Burtsev, MIPTSaiki, tren paling terobosan ing bidang pangolahan basa alam digandhengake karo pambangunan arsitektur adhedhasar model basa lan grafik pengetahuan. Laporan kasebut bakal menehi ringkesan babagan karya sing nggunakake metode kasebut kanggo mbangun sistem dialog kanggo ngetrapake macem-macem fungsi. Contone, kanggo komunikasi babagan topik umum, nambah empati lan nindakake dialog sing berorientasi gol.
• 19:45 Cara kanggo mangerteni jinis lumahing fungsi mundhut - Dmitry Vetrov, Fakultas Ilmu Komputer, Universitas Riset Nasional Sekolah Tinggi EkonomiAku bakal ngrembug sawetara makalah sing njelajah efek sing ora biasa ing sinau jero. Efek kasebut menehi cahya ing tampilan permukaan fungsi mundhut ing papan bobot lan ngidini kita bisa nerusake sawetara hipotesis. Yen dikonfirmasi, bakal bisa luwih efektif ngatur ukuran langkah ing cara optimasi. Iki uga bakal nggawe iku bisa kanggo prédhiksi Nilai achievable saka fungsi mundhut ing sampel test dawa sadurunge mburi latihan.
• 20:05 Review karya babagan visi komputer ing NeurIPS 2019 - Sergey Ovcharenko, Konstantin Lakhman, YandexKita bakal ndeleng wilayah utama riset lan karya ing visi komputer. Ayo coba ngerti apa kabeh masalah wis dirampungake saka sudut pandang akademi, apa pawai kemenangan GAN terus ing kabeh wilayah, sapa sing nglawan, lan nalika revolusi sing ora diawasi bakal kedadeyan.
• 20:25 Kopi break
• 20:40 Urutan model kanthi urutan generasi tanpa wates - Dmitry Emelianenko, YandexKita ngusulake model sing bisa nglebokake tembung menyang panggonan sing sewenang-wenang ing ukara sing digawe. Model kasebut kanthi implisit sinau urutan dekoding sing trep adhedhasar data. Kualitas paling apik digayuh ing sawetara set data: kanggo terjemahan mesin, gunakake ing LaTeX lan deskripsi gambar. Laporan kasebut darmabakti kanggo artikel sing nuduhake manawa urutan dekoding sing dipelajari bener-bener cocog lan khusus kanggo masalah sing ditanggulangi.
• 20:55 Latihan Reverse KL-Divergence saka Jaringan Sadurunge: Ngapikake Ketidakpastian lan Kekuwatan Adversarial - Andrey Malinin, YandexPendekatan ensemble kanggo estimasi ketidakpastian bubar ditrapake kanggo tugas deteksi salah klasifikasi, deteksi input metu saka distribusi lan deteksi serangan musuh. Sadurunge Networks wis ngajokaken minangka pendekatan kanggo irit emulate gamelan saka model kanggo klasifikasi dening parameterizing a Dirichlet distribusi sadurunge liwat distribusi output. Model-model kasebut wis ditampilake ngluwihi pendekatan gamelan alternatif, kayata Monte-Carlo Dropout, babagan tugas deteksi input sing ora ana distribusi. Nanging, skala Jaringan Sadurunge dadi set data kompleks kanthi akeh kelas angel nggunakake kritéria latihan sing diusulake. Makalah iki nggawe rong kontribusi. Kaping pisanan, kita nuduhake yen kritéria latihan sing cocog kanggo Jaringan Sadurunge yaiku KL-divergence mbalikke antarane distribusi Dirichlet. Masalah iki alamat ing alam saka distribusi target data latihan, mbisakake jaringan sadurunge bisa kasil dilatih ing tugas klasifikasi kanthi sewenang-wenang akeh kelas, uga nambah kinerja deteksi out-saka-distribusi. Kapindho, njupuk kauntungan saka kritéria latihan anyar iki, kertas iki nyelidiki nggunakake Jaringan Sadurunge kanggo ndeteksi serangan adversarial lan ngusulake wangun umum saka latihan adversarial. Dituduhake yen pambangunan serangan whitebox adaptif sing sukses, sing mengaruhi prediksi lan nyingkiri deteksi, nglawan Jaringan Sadurunge sing dilatih ing CIFAR-10 lan CIFAR-100 nggunakake pendekatan sing diusulake mbutuhake upaya komputasi sing luwih gedhe tinimbang jaringan sing dibela nggunakake adversarial standar. latihan utawa MC-dropout.
• 21:10 Diskusi panel: "NeurlPS, sing wis akeh banget: sapa sing kudu disalahake lan apa sing kudu ditindakake?" - Alexander Krainov, Yandex
• 21:40 Sawise pesta

R Moscow Meetup #5

16 Januari, 18:30-21:30, ana

• 19:00-19:30 "Ngatasi masalah operasional nggunakake R kanggo dummies" - Konstantin Firsov (Netris JSC, Chief Implementation Engineer).
• 19:30-20:00 "Optimization of inventory in retail" - Genrikh Ananyev (PJSC Beluga Group, Kepala otomatisasi laporan).
• 20:00-20:30 "BMS ing X5: carane nindakake pertambangan proses bisnis ing log POS sing ora terstruktur nggunakake R" - Evgeniy Roldugin (X5 Retail Group, Kepala Departemen Alat Kontrol Kualitas Layanan), Ilya Shutov (Media Tel, Kepala saka departemen data scientist).

Frontend Meetup ing Moskow (Gastromarket Balchug)

18 Januari, 12:00-18:00, ana

• "Nalika iku worth nulis maneh aplikasi saka ngeruk, lan carane gawe uwong yakin bisnis iki" - Alexey Pyzhyanov, pangembang, SiburCrita nyata babagan cara ngatasi utang teknis kanthi cara sing paling radikal. Aku bakal ngandhani sampeyan babagan iki:
  1. Napa aplikasi sing apik dadi warisan sing nggegirisi.
  2. Kepiye carane nggawe keputusan sing angel kanggo nulis maneh kabeh.
  3. Carane kita adol idea iki kanggo pemilik produk.
  4. Apa metu saka idea iki ing pungkasan, lan apa kita ora Getun kaputusan kita digawe.

• "Vuejs API mocks" - Vladislav Prusov, pangembang Frontend, AGIMA

Latihan sinau mesin ing Avito 2.0

18 Januari, 12:00-15:00, ana

• 12:00 "Zindi Sendy Logistics Challenge (rus)" - Roman Pyankov
• 12:30 "Data Jiwa Wildfire AI (rus)" - Ilya Plotnikov
• 13:00 Kopi break
• 13:20 "Topcoder SpaceNet 5 Challenge & Signate The 3rd Tellus Satellite Challenge (eng)" - Ilya Kibardin
• 14:00 Kopi break
• 14:10 "Codalab Automated Time Series Regression (eng)" - Denis Vorotyntsev

Source: www.habr.com