4 июня в Одессе, наша команда FlyElephant совместно с GeeksLab будет проводить третью ежегодную техническую конференцию по искусственному интеллекту и большим данным — AI&BigData Lab.
На конференции разработчики обсудят вопросы реализации и применения различных алгоритмов, инструментов и новых технологий для работы с большими данными и искусственным интеллектом. Будут представлены воплощенные в жизнь проекты, рассказано о функционале и принципах их работы.
Программа конференции AI&BigData Lab уже частично сформирована. Среди принятых докладов можно отметить:
- Как мы научили думать digital. (Диана Лиманская, координатор отдела аналитиков в VertaMedia)
Когда вы заходите на сайт, что бы посмотреть любимый фильм или сериал, вы ждете несколько секунд прежде, чем вам будет показана реклама. В эти несколько секунд до показа рекламы происходят сотни сложных процессов. Я хочу рассказать как мы создали самообучающуюся систему для digital-маркетинг платформы на основе математических методик, какие этапы мы прошли в ее развитие и с какими проблемами столкнулись. - Перевод с «плохого» английского на «хороший». (Анатолий Востряков, исследователь в Grammarly)
В начале я хочу дать небольшой исторический экскурс в способы автоматической коррекции ошибок в тестах. В основной части доклада я хотел бы осветить самые последние методы коррекции ошибок с использование, то что сейчас называется neural machine translation. То есть мы, переводим английский текст в английский, но с исправленными ошибками на выходе. К сожалению я ограничен в конкретных примерах из практики Грэммэрли, поэтому доклад будет в форме обзора алгоритмов, которые есть уже сейчас или появятся к моменту доклада. - Эффективное вычисление k средних величин для распределенного потока больших данных. (Артем Баргер, Research Engineer в IBM, Израиль)
На докладе я предоставлю детерминированный алгоритм позволяющий эффективного вычислять k средних велечин (k-means) в непрерывном потоке данных в режиме реального времени. Сублинейный алгоритм использует только logn*k^O(1) памяти, также легко адаптируется под распределенные системы вычеслений позволя с уменьшить время вычисление прямопропорционально доступным вычислительным мощностям. В конце будут предсталены эмпирические результаты для популярных наборов данных. - #DataForGood — как изменить мир к лучшему с помощью анализа данных. (Максим Терещенко, Product Owner в Zoomdata)
О применении Big Data для оптимизации и улучшения эффективности принятия решений в бизнесе говорится уже не мало. Практически каждая крупная корпорация имеет в своем арсенале Big Data платформу. Но в рамках доклада хотелось бы отойти от бизнеса и рассмотреть тему применения AI и Big Data для социальных проектов. Сотни и тысячи аналитиков, Data Scientists, Big Data инженеров объединяются и реализуют проекты, которые меняют жизнь простых людей во всем мире и, особенно, помогают жителям слабо-развитых стран. Здесь идет речь о совсем другом уровне мотивации и командной работы. В рамках доклада, хотелось бы обсудить, что движет этими людьми, какие реальные проекты с какими технологиями были реализованы и как они поменяли жизнь людей. - Методология Data Science проектов. (Сергей Шельпук, Head of Data Science в V.I.Tech)
Проекты в области анализа данных — вызов не только для инженеров, но и для менеджеров. Доклад будет посвящён особенностям таких проектов по сравнению с обычной разработкой, ролям в команде и построению взаимодействия с заказчиком в условиях неопределённости R&D. - Обучение глубоких, очень глубоких и рекуррентных сетей. (Артем Чернодуб, н.с. в ИПММС НАНУ)
В докладе представлен обзор новых подходов к обучению глубоких и рекуррентных нейросетей. Обсуждаются ортогональная инициализация весов для сверточных и рекуррентных нейросетей и ее влияние на проблему исчезновения градиентов (vanishing gradient effect), нормализацию мини-пакетов (batch normalization), разностное обучение (residual learning). - MOLAP: Новые границы возможного. (Константин Герасименко, CEO в Easy MOLAP, Германия)
Рассказ о том что такое MOLAP. Сравнение с традиционными подходами. Преимущества и недостатки. - Спайковые и бионические нейронные сети: проблемы и перспекитвы. (Дмитрий Новицкий, ст. научный сотрудник, доцент в Институт Кибернетики НАНУ)
В мире машинного обучения многие годы доминируют нейронные сети прямого распространения (feed-forward), которые почти ничего общего не имеют с нейронами и сетями нашего . В этом докладе мы познакомимся с бионическими (biologically plausible) нейронными сетями. В большинстве из них нейроны испускают и принимают импульсы (спайки). Какие возникают проблемы и сложности обучения таких сетей? В каких традиционно нерешаемых (или плохо решаемых) задачах они могут быть эффективны, как эффективен в них человека и животных? Как можно реализовать такие сети аппаратно, и что такое нейроморфный компьютинг? — Вот вопросы, которым посвящена данная презентация.
Регистрация и все подробности на сайте конференции. Для читателей нашего блога действует скидочный промокод на 15%: FlyElephantHabrahabr.
Автор: FlyElephant
