🥇จะไปที่ไหน: กิจกรรมฟรีสำหรับผู้เชี่ยวชาญด้านไอทีที่กำลังจะมีขึ้นในมอสโก (14-18 มกราคม)

กิจกรรมที่มีการลงทะเบียนแบบเปิด:

เอไอและมือถือ
อาฟเตอร์ปาร์ตี้ปีใหม่ของ NeurIPS
R มอสโก มีตติ้ง #5
Frontend Meetup ในมอสโก (Gastromarket Balchug)
การฝึกอบรมการเรียนรู้ของเครื่องใน Avito 2.0

เอไอและมือถือ

14 มกราคม 19-00 น. วันอังคาร

เราขอเชิญคุณเข้าร่วมการประชุมเกี่ยวกับปัญญาประดิษฐ์ การใช้งานบนอุปกรณ์เคลื่อนที่ และแนวโน้มทางเทคโนโลยีและธุรกิจที่สำคัญที่สุดในทศวรรษใหม่ โปรแกรมนี้ประกอบด้วยรายงานที่น่าสนใจ การสนทนา พิซซ่า และอารมณ์ดี

หนึ่งในวิทยากรเป็นผู้บุกเบิกการแนะนำเทคโนโลยีล่าสุดในฮอลลีวูด นั่นคือทำเนียบขาว หนังสือของเขา “Augmented: Life in the Smart Lane” ได้รับการกล่าวถึงว่าเป็นหนึ่งในหนังสืออ้างอิงที่เขาชื่นชอบโดยประธานาธิบดีจีนในคำปราศรัยปีใหม่ของเขา

อาฟเตอร์ปาร์ตี้ปีใหม่ของ NeurIPS

วันที่ 15 มกราคม เริ่มเวลา 18 น. วันพุธ

18 น. ลงทะเบียน
19:00 น. เปิด - มิคาอิล Bilenko, Yandex
19:05 การเรียนรู้แบบเสริมกำลังที่ NeurIPS 2019: เป็นอย่างไร - Sergey Kolesnikov, Tinkoffทุกปีหัวข้อการเรียนรู้แบบเสริมกำลัง (RL) กำลังร้อนแรงและเป็นที่ฮือฮามากขึ้น และทุกๆ ปี DeepMind และ OpenAI จะเติมเชื้อเพลิงให้กับกองไฟด้วยการปล่อยบอทประสิทธิภาพเหนือมนุษย์ตัวใหม่ มีอะไรที่คุ้มค่าเบื้องหลังเรื่องนี้ไหม? และเทรนด์ล่าสุดของความหลากหลายของ RL ทั้งหมดคืออะไร? มาหาคำตอบกัน!
19:25 การทบทวนงาน NLP ที่ NeurIPS 2019 - Mikhail Burtsev, MIPTปัจจุบัน แนวโน้มที่ก้าวหน้าที่สุดในด้านการประมวลผลภาษาธรรมชาตินั้นเกี่ยวข้องกับการสร้างสถาปัตยกรรมตามแบบจำลองภาษาและกราฟความรู้ รายงานจะให้ภาพรวมของงานที่ใช้วิธีเหล่านี้เพื่อสร้างระบบโต้ตอบเพื่อใช้งานฟังก์ชันต่างๆ ตัวอย่างเช่น สำหรับการสื่อสารในหัวข้อทั่วไป การเพิ่มความเห็นอกเห็นใจ และดำเนินการสนทนาโดยมุ่งเน้นเป้าหมาย
19:45 วิธีทำความเข้าใจประเภทของพื้นผิวของฟังก์ชันการสูญเสีย - Dmitry Vetrov คณะวิทยาการคอมพิวเตอร์ National Research University Higher School of Economicsฉันจะพูดถึงรายงานหลายฉบับที่สำรวจผลกระทบที่ผิดปกติในการเรียนรู้เชิงลึก ผลกระทบเหล่านี้ให้ความกระจ่างแก่รูปลักษณ์ของพื้นผิวของฟังก์ชันการสูญเสียในพื้นที่น้ำหนัก และช่วยให้เราสามารถตั้งสมมติฐานได้หลายประการ หากได้รับการยืนยัน คุณจะสามารถควบคุมขนาดขั้นตอนในวิธีการปรับให้เหมาะสมได้อย่างมีประสิทธิภาพมากขึ้น นอกจากนี้ยังทำให้สามารถคาดการณ์ค่าที่เป็นไปได้ของฟังก์ชันการสูญเสียในตัวอย่างทดสอบได้นานก่อนสิ้นสุดการฝึกอบรม
20:05 ทบทวนผลงานเกี่ยวกับการมองเห็นคอมพิวเตอร์ที่ NeurIPS 2019 - Sergey Ovcharenko, Konstantin Lakhman, Yandexเราจะดูประเด็นหลักของการวิจัยและงานด้านคอมพิวเตอร์วิทัศน์ ลองทำความเข้าใจว่าปัญหาทั้งหมดได้รับการแก้ไขแล้วจากมุมมองของสถาบันการศึกษาหรือไม่ว่าการเดินขบวนแห่งชัยชนะของ GAN จะดำเนินต่อไปในทุกด้านหรือไม่ใครกำลังต่อต้านมันและเมื่อใดที่การปฏิวัติโดยไม่ได้รับการดูแลจะเกิดขึ้น
20:25 พักดื่มกาแฟ
20:40 ลำดับการสร้างแบบจำลองพร้อมลำดับการสร้างไม่จำกัด - Dmitry Emelianenko, Yandexเราเสนอแบบจำลองที่สามารถแทรกคำลงในตำแหน่งใดก็ได้ในประโยคที่สร้างขึ้น โมเดลจะเรียนรู้ลำดับการถอดรหัสที่สะดวกโดยปริยายตามข้อมูล ชุดข้อมูลหลายชุดจะได้คุณภาพดีที่สุด: สำหรับการแปลด้วยคอมพิวเตอร์ ใช้ใน LaTeX และคำอธิบายรูปภาพ รายงานนี้จัดทำขึ้นสำหรับบทความที่เราแสดงให้เห็นว่าลำดับการถอดรหัสที่เรียนรู้นั้นสมเหตุสมผลและเฉพาะเจาะจงกับปัญหาที่กำลังแก้ไข
20:55 การฝึกอบรม Reverse KL-Divergence ของเครือข่ายก่อนหน้า: ปรับปรุงความไม่แน่นอนและความทนทานของฝ่ายตรงข้าม - Andrey Malinin, Yandexเมื่อเร็วๆ นี้แนวทางของ Ensemble สำหรับการประมาณค่าความไม่แน่นอนได้ถูกนำไปใช้กับงานการตรวจจับการจัดประเภทที่ไม่ถูกต้อง การตรวจจับอินพุตที่ไม่กระจาย และการตรวจจับการโจมตีของฝ่ายตรงข้าม Prior Networks ได้รับการเสนอเป็นแนวทางในการจำลองชุดแบบจำลองสำหรับการจำแนกประเภทอย่างมีประสิทธิภาพโดยการกำหนดพารามิเตอร์การกระจายก่อนหน้าของ Dirichlet เหนือการกระจายเอาต์พุต โมเดลเหล่านี้แสดงให้เห็นว่ามีประสิทธิภาพเหนือกว่าแนวทางอื่น ๆ เช่น Monte-Carlo Dropout ในการตรวจจับอินพุตที่ไม่กระจาย อย่างไรก็ตาม การปรับขนาดเครือข่ายก่อนหน้าเป็นชุดข้อมูลที่ซับซ้อนซึ่งมีหลายคลาสเป็นเรื่องยากโดยใช้เกณฑ์การฝึกอบรมที่เสนอในตอนแรก บทความนี้มีส่วนสนับสนุนสองประการ อันดับแรก เราแสดงให้เห็นว่าเกณฑ์การฝึกอบรมที่เหมาะสมสำหรับ Prior Networks คือ KL-divergence แบบย้อนกลับระหว่างการแจกแจงแบบ Dirichlet ปัญหานี้กล่าวถึงในลักษณะของการแจกแจงเป้าหมายข้อมูลการฝึกอบรม ซึ่งช่วยให้เครือข่ายก่อนหน้านี้สามารถฝึกอบรมงานการจำแนกประเภทด้วยคลาสต่างๆ ตามอำเภอใจได้สำเร็จ เช่นเดียวกับการปรับปรุงประสิทธิภาพการตรวจจับที่ไม่กระจาย ประการที่สอง การใช้ประโยชน์จากเกณฑ์การฝึกอบรมใหม่นี้ เอกสารนี้ตรวจสอบโดยใช้ Prior Networks เพื่อตรวจจับการโจมตีของฝ่ายตรงข้าม และเสนอรูปแบบทั่วไปของการฝึกอบรมของฝ่ายตรงข้าม แสดงให้เห็นว่าการสร้างการโจมตีไวท์บ็อกซ์แบบปรับตัวที่ประสบความสำเร็จ ซึ่งส่งผลต่อการคาดการณ์และหลบเลี่ยงการตรวจจับ กับเครือข่ายก่อนหน้าที่ได้รับการฝึกอบรมบน CIFAR-10 และ CIFAR-100 โดยใช้วิธีการที่นำเสนอนั้น ต้องใช้ความพยายามในการคำนวณมากกว่าเครือข่ายที่ได้รับการปกป้องโดยใช้ฝ่ายตรงข้ามมาตรฐาน การฝึกอบรมหรือการออกจาก MC
21:10 การอภิปราย: “NeurlPS ซึ่งเติบโตมากเกินไป ใครจะถูกตำหนิและจะทำอย่างไร” — อเล็กซานเดอร์ ไครนอฟ, ยานเดกซ์
21:40 น. อาฟเตอร์ปาร์ตี้

R มอสโก มีตติ้ง #5

16 มกราคม 18-30 น. วันพฤหัสบดี

19:00-19:30 น. “การแก้ปัญหาการปฏิบัติงานโดยใช้ R สำหรับหุ่นจำลอง” - Konstantin Firsov (Netris JSC หัวหน้าวิศวกรฝ่ายปฏิบัติการ)
19:30-20:00 น. “ การเพิ่มประสิทธิภาพสินค้าคงคลังในการค้าปลีก” - Genrikh Ananyev (PJSC Beluga Group หัวหน้าฝ่ายการรายงานอัตโนมัติ)
20:00-20:30 “BMS ใน X5: วิธีทำเหมืองกระบวนการทางธุรกิจบนบันทึก POS ที่ไม่มีโครงสร้างโดยใช้ R” - Evgeniy Roldugin (X5 Retail Group, หัวหน้าแผนกเครื่องมือควบคุมคุณภาพการบริการ), Ilya Shutov (Media Tel, หัวหน้า ของนักวิทยาศาสตร์ข้อมูลภาควิชา)

Frontend Meetup ในมอสโก (Gastromarket Balchug)

วันเสาร์ที่ 18 มกราคม เวลา 12-00 น

“ เมื่อใดจึงควรเขียนแอปพลิเคชันใหม่ตั้งแต่ต้นและจะโน้มน้าวธุรกิจในเรื่องนี้ได้อย่างไร” - Alexey Pyzhyanov ผู้พัฒนา Siburเรื่องราวที่แท้จริงของวิธีที่เราจัดการกับหนี้ทางเทคนิคด้วยวิธีที่รุนแรงที่สุด ฉันจะบอกคุณเกี่ยวกับเรื่องนี้:
1. เหตุใดแอปพลิเคชันที่ดีจึงกลายเป็นมรดกอันเลวร้าย
2. เราตัดสินใจที่ยากลำบากในการเขียนทุกอย่างใหม่ได้อย่างไร
3. เราขายไอเดียนี้ให้กับเจ้าของผลิตภัณฑ์ได้อย่างไร
4. อะไรออกมาจากแนวคิดนี้ในท้ายที่สุด และทำไมเราไม่เสียใจกับการตัดสินใจที่เราทำ
“การจำลอง Vuejs API” — Vladislav Prusov ผู้พัฒนาส่วนหน้าของ AGIMA

การฝึกอบรมการเรียนรู้ของเครื่องใน Avito 2.0