×

Конференція Data Science UA
  • ×
  • Data Science UA Conference

    5а міжнародна
    конференція у Києві
    2018
    |
    24 Листопада
    |
    КИЇВ

    DATA SCIENCE UA

    Конференція Data Science UA об’єднує спеціалістів з машинного навчання,
    аналітики, науки про дані, штучного інтелекту, щоб обговорити,
    як data science перетворює світ сьогодні і що буде завтра.

    500
    Учасників
    18
    Спікерів
    3
    Потоки
    10
    Годин нетворкінгу

    Потоки


    Технічний

    Бізнес

    Воркшопи

    Панельна дискусія

    Спікери


    Володимир Ткачук

    Head of Edge Research, Ring Ukraine

    Тема: How to deploy Machine Learning algorithm on embedded

    Олександр Гончар

    AI Solution architect, MAWI

    Тема: Multitask learning: learn more to learn better

    Тарас Гнот

    Senior Data Analyst, SoftServe

    Тема: Сustomers profiling based on psychometric characteristics

    Василь Милько

    CEO and Founder, Ingeenee

    Тема: AI solves NP-complete

    Віктор Сахарчук

    Independent CV/ML R&D professional

    Тема: Confidence Measures For Stereo Vision: an Engineer’s View

    Денис Довгополий

    Founder at GrowthUP Group

    Тема: Features in attracting investors to the early stage AI-startups

    Андрій Босий

    Founder and CEO of MindCraft.ai

    Тема: Active learning metrics or when to stop label the data

    Воркшопи


    Олександр Гончар

    AI Solution architect, MAWI

    Воркшоп: Applied multitask learning with Keras

    Панельна дискусія


    Борис Працюк

    Head of R&D, Ciklum

    Панельна дискусія

    Денис Довгополий

    Founder at GrowthUP Group

    Панельна дискусія

    Ведучі


    Євгенія Клепа

    Executive director,
    1991 Open Data Incubator

    Даниїл Чернега

    Comandante in
    “Che – Guerrilla Marketing”

    Квитки


    Знижка 10% від 5 квитків
    Знижка 15% від 10 квитків
    Знижка 25% для студентів

    1450
    20 червня – 31 серпня

    1950
    1 вересня- 30 вересня

    2150
    1 жовтня – 31 жовтня

    2750
    1 листопада – 23 листопада

    3000
    24 листопада

    Хочете стати партнером Data Science Community?

    Конференція Data Science UA привертає увагу як талановитих розробників,
    так і багатьох провідних компаній, що працюють з даними.

    Срібні партнери


    Бронзові партнери


    Акредитація медіа

    ПОДАТИ ЗАЯВКУ >

    Стати волонтером

    ПОДАТИ ЗАЯВКУ >

    Контакти


    Місце проведення

    Oasis concert hall Kyiv

    Київ, вул. Липківського, 1А,
    РК «Ультрамарин», 3-й поверх


    Контактна інформація

    +38 099 055 23 92
    info@data-science.com.ua
    #datascienceua


    ×

    Володимир Ткачук

    Head of Edge Research, Ring Ukraine

    Тема: How to deploy Machine Learning algorithm on embedded

    Про спікера:
    У 2008 році закінчив НТУУ “КПІ” за спеціальністю “Прикладна математика”.
    Працював програмістом, науковим співробітником, досліджувачем, технічним керівником в таких компаніях як: Microsoft (Копенгаген), Відділ розпізнавання образів в Кібцентрі (Київ), Materialise NV (Київ, Шанхай) та Ring Ukraine (Київ).
    Займався проектами 3D реконструкції сцени по двовимірним знімкам, сегментації тривимірного медичного зображення, оптимізації алгоритмів 3D друку.
    Коротко про доповідь:
    Навчання складних алгоритмів, таких як великі нейронні мережі все ще є ресурсноємною процедурою, що потребує складного обладнання. В той же час поява “легких” архітектур (наприклад, MobileNet), і одночасне збільшення потужності вбудованих систем, створює можливості для виконання машинно-навчених алгоритмів на “розумних” пристроях.
    Існують різні способи оптимізувати і запустити свої алгоритми. Найпростіший – скористатися фреймворками, що підтримуються і розвиваються спільнотою, наприклад, Mini Caffe і TensorFlow lite. Деякі виробники вбудованих систем оснащують свою продукцію чіпами, оптимізованими під нейронні мережі, і пропонують бібліотеки для роботи з ними. Нарешті, завжди можна самому програмно реалізувати будь-яку мережу мовою C/C++ з оптимізацією під конкретний процесор.
    Метою доповіді є огляд існуючих рішень, розбір їх переваг та недоліків.

    ×

    Денис Довгополий

    Founder at GrowthUP Group

    Тема: Features in attracting investors to the early stage AI-startups

    Про спікера:
    Закінчив Київський політехнічний інститут (1996) і Міжнародний інститут менеджменту за програмою МБА (2000). Співзасновник першого українського бізнес-акселератора для технологічних стартапів GrowthUP.
    Один з лідерів українського венчурного та підприємницького співтовариства.
    Виступає засновником або організатором знакових для галузі заходів: IDCEE, iForum, Silicon Valley Open Doors, Startup Crash Test та ін. До створення BVU Group займав керівні позиції в телеком-компаніях. Створив кілька локальних компаній.

    ×

    Денис Довгополий

    Founder at GrowthUP Group

    Тема: Features in attracting investors to the early stage AI-startups

    Про спікера:
    Закінчив Київський політехнічний інститут (1996) і Міжнародний інститут менеджменту за програмою МБА (2000). Співзасновник першого українського бізнес-акселератора для технологічних стартапів GrowthUP.
    Один з лідерів українського венчурного та підприємницького співтовариства.
    Виступає засновником або організатором знакових для галузі заходів: IDCEE, iForum, Silicon Valley Open Doors, Startup Crash Test та ін. До створення BVU Group займав керівні позиції в телеком-компаніях. Створив кілька локальних компаній.

    ×

    Тарас Гнот

    Senior Data Analyst, SoftServe

    Тема: Сustomers profiling based on psychometric characteristics

    Про спікера:
    Тарас – аналітик даних, який має великий досвід у статистичному моделюванні та машинному навчанні. Він був залучений до різних проектів у галузі роздрібної торгівлі, включаючи розробку аналітичних інструментів для профілізації та сегментації клієнтів, побудови алгоритмів та рішень для персоналізації та рекомендацій, моделювання поведінки клієнтів за допомогою психометрії та методів нейроекономіки. Тарас є співавтором і автором численних наукових та медіа-публікацій, у тому числі “Anomaly Detection – Unsupervised Approach”, “Recommender Systems Comparison: The Best Performing Algorithm” та “Bitcoin Network Analytics”.
    Коротко про доповідь:
    Поговоримо про профілювання клієнтів онлайн рітейл ресурсів на основі їх психометричних характеристик (або OCEAN оцінках). Ці профайли будуть використовуватися для вибору підходу до рекламування продукції (трансформаційні або інформаційні / порівняльні або не порівняльні / одно- або двосторонні реклами тощо). В доповіді буде плоказано, як психометричні характеристики можуть бути спрогнозовані з текстової інформації, написаної замовником, та патернів покупок з використанням найсучасніших методів машинного навчання, таких як XGBoost, Random Forest, LSTM.

    ×

    Олександр Гончар

    AI Solution architect, MAWI

    Тема: Multitask learning: learn more to learn better

    Про спікера:
    Олександр – фахівець з машинного навчання, який має досвід роботи з комп’ютерним зором та аналізом часових рядів. Працював з українськими (MAWI, ARVI), російськими (Mlvch), американськими (Inma AI) та італійськими (HPA Srl) компаніями. Він зацікавлений в залученні наукових ідеї до виробництва та створення цінності з останніх теоретичних розробок в AI. У даний час працює в MAWI (американська компанія з науково-дослідним відділом в Україні) з аналізу біомедичного сигналу, зокрема ЕКГ, і застосовує машинне навчання для медичної діагностики та розробки нових випадків. Олександр викладає deep learning у Веронському університеті та веде популярний блог на Medium.
    Коротко про доповідь:
    Машинне навчання як дисципліна пройшло довгий шлях від розпізнавання статистичних моделей у чистих і малих даних до складних великих даних з глибокими алгоритмами навчання. Дійсно, це нагадує те, як людський мозок обробляє інформацію … але не зовсім близько. Одна з дивовижних здібностей людського мозку – виконувати кілька різних висновків з одного шматка даних. Наприклад, коли бачимо кішку, ми не просто визначаємо клас “кішка” з 97% впевненості, ми бачимо колір, наскільки далеко вона від нас, намагаємось зрозуміти в якому вона настрої. Те саме відбувається, коли ми читаємо текст чи чуємо мову – ми багато чого розуміємо від прочитаних висловлювань, це ж повинні робити deep learning алгоритми.
    У доповіді ми вивчимо концепцію multitask learning – виконаємо декілька завдань за однаковими даними, зрозуміємо, чому це допомагає машинному навчанню узагальнювати та розуміти проблему краще, переглядаючи кейси з комп’ютерним баченням, НЛП, reinforcement learning та ін., щоб ви могли застосувати це у вашому бізнесі.

    ×

    Олександр Гончар

    AI Solution architect, MAWI

    Коротко про воркшоп:
    У цьому воркшопі ми вивчимо multitask learning на практиці. Multitask learning – це концепція проектування алгоритмів машинного навчання таким чином, що вони навчаються вирішувати декілька проблем, використовуючи один і той же набір параметрів. Не дивно, що це допомагає узагальнювати та вивчати нові та більш корисні функції з даних, ніж використання одного завдання та функції єдиної втрати. Ми коротко розглянемо теорію багатозадачного навчання, але зосередимось на реалізації цих моделей (в основному нейронних мереж), використовуючи Keras і застосовуючи їх до різних наборів даних (комп’ютерне бачення, обробка сигналів), щоб довести їх ефективність.

    ×

    Борис Працюк

    Head of R&D, Ciklum Theme

    Про спікера:
    Закінчив з відзнакою кафедру фізичної та біомедичної електроніки КПІ у 2007 році за спеціальністю “Фізична та біомедична електроніка”, а у 2012 році захистив дисертацію на факультеті електроніки в КПІ. Борис Працюк працює у відділі R&D в Ciklum. А також має власний стартап – Fino (фінансовий помічник)

    ×

    Євгенія Клепа

    Executive director,
    1991 Open Data Incubator

    Про Євгенію:
    Виконавчий директор 1991 Open Data Incubator, Co-founder & CMO at SPREAD.
    Наставник і радник для стартапів. Наставник підлітків у вітчизняних бізнес-школах (Комп’ютерна академія “Крок” та “Creators”). Активно бере участь у розробці технологічної екосистеми в Києві та Україні. Експерт з корпоративної соціальної відповідальності. У ІТ-світі розпочинала кар’єру з PR-менеджера на технічних заходах. Потім перейшла на роботу як організатор найбільших технічних заходів (Україна, Росія, Польща).

    ×

    Даниїл Чернега

    Comandante in
    “Che – Guerrilla Marketing”

    Про Даниїла:
    Засновник “CHE-guerrilla marketing” – агентства партизанського маркетингу.
    Палкий футуристично-технократичний мрійник та євангеліст змін. “Я вірю, що наука про дані докорінно змінить наше життя та мислення. Людство стоїть на порозі колосальних змін, саме тому, найкраще, що ми можемо зробити – це бути в оточенні людей, які так само мріють. Мріють про те, щоб не лише спостерігати за змінами, але й бути їх рушійною силою.
    Отож, побачимось на конференції Data Science UA 2018.

    ×

    Віктор Сахарчук

    Independent CV/ML R&D professional

    Тема: Confidence Measures For Stereo Vision: an Engineer’s View

    Про спікера:
    Випускник кафедри теоретичної та математичної фізики Волинського національного університету (ВНУ), закінчив аспірантуру Луцького національного технічного університету, спеціальність “Фізика твердого тіла”. Протягом останніх 10 років займаюся комерційною розробкою програмно-апаратних комплексів для вирішення
    різних прикладних проблем
    Спеціалізація:
    Швидке прототипування, розробка та впровадження комплексних програмно-апаратних засобів для двовимірної та тривимірної реконструкції й розпізнавання об’єктів за даними із сенсорів різних типів, злиття даних з багатьох джерел. Створення систем сприйняття середовища літаючими та наземними роботами для їх орієнтування у просторі. Побудова безконтактних інтерфейсів людина-машина. Обробка зображень, програмна оптимізація коду.
    Коротко про доповідь:
    Доповідь про практичні аспекти роботи з даними, отриманими із бінокулярного стереозору.
    Дані зазвичай зашумлені і в сирому вигляді рідко використовуються, оскільки спотворюються відстані до об’єктів, що детектуються на сцені, виникають т.зв фантомні перешкоди (об’єкти, яких на сцені немає). Під час комплексування даних із кількох джерел (sensor fusion) якісь (confidence) є необхідним параметром. Тому фільтрування вхідних даних є важливим компонентом будь-якої автономної системи.
    В доповіді будуть розглянуті методи оцінки якості даних, отриманих за допомогою типових алгоритмів стереозору, що використовуються у роботах та безпілотних авто, придатні для застосування в системах реального часу.

    ×

    Василь Милько

    CEO and Founder, Ingeenee

    Тема: AI solves NP-complete

    Про спікера:
    У 2008 співзаснував R&D центр в компанії SoftServe та керував ним протягом 10 років. Зробив дослідження в сфері емоційного інтелекту, машинної емпатії, біометрії, Embedded AI, IoT, AR. BioLock, розроблений командою SoftServe R&D, що ідентифікує водія за допомогою ЕКГ став фіналістом нагороди SXSW Interactive Innovation Award 2017 року. Спільно з колегами розробляв декілька новітніх технологій разом/для Samsung, починаючи 2016 року.
    Раніше в R&D: побудував підрозділи UX дизайну та Security консалтингу.
    Коротко про доповідь:
    Незважаючи на гігантський стрибок мікросхем / пам’яті / зберігання / мереж з 1970-х років, десятки відомих проблем оптимізації досі не вирішуються за короткий час, використовуючи дешеві ресурси з прийнятною якістю.
    Назви декількох з них: проблема подорожуючого продавця, проблема задоволення обмежень, згортання білку, моделювання Землі.
    Вони мають комбінаторну складність. З одного боку, з цими проблемами ведуть боротьбу за допомогою суперкомп’ютерів. З іншого боку, такі задачі може вирішувати особливий Штучний Інтелект, використовуючи дешевші ресурси. Таким чином, можливий зв’язок між інтелектом та обчислювальним Всесвітом – штучний інтелект може стати комплексною складовою.
    В Ingeenee ми створюємо геніальну машину, яка може знайти максимальну кількість визначних місць в будь-якій географічній зоні та побудувати маршрут, що проходить через них, оптимізуючи по часу і бюджету одночасно. Я поділюся історіями, як ми вирішуємо цю NP-complete проблему (TSP + CSP) за допомогою Машинного Навчання і Еволюційного Високопродуктивного Обчислення.

    ×

    Андрій Босий

    Founder and CEO of MindCraft.ai

    Тема: Active learning metrics or when to stop label the data

    Про спікера:
    Андрій має 25-річний досвід розробки програмного забезпечення. у 1986 році побудував свою першу штучну нейронну мережу, працював над різними ІТ-проектами, пов’язаними з великими даними та аналітикою даних, з 2016 року перейшов на проекти з Data Science і створив компанію MindCraft, що проектує системи прийняття рішень на основі даних.
    Коротко про доповідь:
    Багато джерел жваво розповідають про системи машинного навчання, часто упускаючи той факт, що 80% часу і енергії в аналітиці витрачається на добування, аналіз і розмітку даних. В масштабах big-data систем це величезні витрати на низькокваліфіковану (і не тільки) працю. На допомогу приходять методи semi-supervised learning, які дозволяють навчати моделі на частково розмічених даних. У доповіді розглянемо випадок, коли розмітка даних і процес навчання ідуть ітеративно з максимальною ефективністю. Головне питання тут – коли перестати витрачати ресурси на розмітку даних, щоб зберегти якісні показники моделі.