• ×
  • 23ЧЕРВНЯ
    Борис Таровик
    RnD Engineer, Readdle

    WORKSHOP

    КИЇВ
    Іван Будніков
    Machine Learning Engineer, Readdle

    Data Science at Readdle

    На головну

    Workshop: Data Science at Readdle – сумісний проект Data Science UA та Readdle, під час якого ми разом з Іваном Будніковим та Борисом Таровиком розглянемо аспекти роботи Data Scientist’а, життєвий цикл ML-проекту, основні ML-алгоритми, приклади нейронних мереж у продуктах Google, Readdle, Prisma та багато іншого!

    Учасники воркшопу зможуть побудувати ML-алгоритм для оцінки цін на нерухомість, використовуючи sklearn/numpy та нейронну мережу для задач computer vision за допомогою tensorflow.

    Участь у воркшопі безкоштовна за попередньою реєстрацією (ви повинні отримати лист з підтвердженням реєстрації на подію)


    Спікери події

    Борис Таровик

    RnD Engineer, Readdle

    RnD Engineer, Readdle. Борис навчався в Московському фізико-технічному інституті кафедри молекулярної та хімічної фізики. Працював у Об’єднаному інституті високих температур, де проводив молекулярне динамічне моделювання високоенергетичних процесів.

    Іван Будніков

    Machine Learning Engineer, Readdle

    Machine Learning Engineer, Readdle. Навчався на фізичному факультеті Національного університету імені Тараса Шевченка. Іван займається дослідженнями недиференційованих функцій активації нейронних мереж та виявлення таблиць і формул у форматі PDF.
     

    Кому буде цікаво:

    Необхідне програмне забезпечення:


    Програма воркшопу:

    Introduction

    • Data Science, Big Data, Machine Learning — what does it mean?
    • Machine Learning vs usual algorithms — what’s the difference?
    • Types of ML — supervised, reinforced, unsupervised

    Knowledge you need to have to become Data Scientist

    • theory vs practice
    • useful courses, articles, topics

    Differences in a work of Data Scientist and Software Developer

    • what data scientist’s debug is
    • think more often about a code than writing it

    Data science in product company vs. freelance

    • product is always about a quality and customers
    • data science is not only neural networks

    Lifecycle of ML solution development (Ivan)

    • Data Mining. Importance of good data. Data sources, data markup.
    • Cleaning data. Data augmentation. Training/Validation/Test split.
    • Using the ML-algorithm.
    • Result metrics — training, validation and test errors
    • Underfitting and overfitting — what is it and how to deal with.
    • Final evaluation. Precision, recall, F1-score.
    • Network optimisation for release.
    • Release. Brief review of future algorithm improvement: centralised after-training, decentralised after-training, combined.

    Review of simplest ML algorithms

    • K-means
    • PCA
    • LDA
    • Linear regression
    • Neural networks. What is it, where did it come from. Block notation. Some further improvements
    • convolutional nets
    • recurrent nets
    • LSTM

    Practical part 1: creating simplest ML solution for house price estimating, using sklearn/numpy

    Working examples of neural networks solutions in production

    • Readdle
    • Prisma
    • Google

    Practical part 2: creating neural network to solve computer vision problem, using tensorflow

    Sometimes things go wrong

    • lessons we’ve learned
    • practical recommendation

    Участь у воркшопі безкоштовна, заповніть форму та отримайте підтвердження реєстрації до 18 червня
    Час та дата: 23 червня (субота) 2018, 10:00 – 19:00
    Місце проведення: Creative Quarter, Gulliver, Вежа B, 12 поверх, Площа Спортивна 1А, Київ.
    Кількість місць обмежено/30 учасників. Реєстрація буде закрита 17 червня о 23:59