WiDS Meetup

Прямая трансляция и чат будут доступны на YouTube, а всех, кто любит и ценит оффлайн как мы, ждем в офисе "Самокат" по адресу ул. Малая Монетная, 2Г (БЦ Лангензипен). Так как количество мест в зале ограничено, для входа просьба зарегистрироваться заранее. Начинаем в 18:30.

Программа:
1. Гращенков Кирилл, Senior ML разработчик в Samokat.tech

[Мега]Матчер. 
Система соответсвий товаров: ожидания, проблемы и решения в e-comm платформе.

О чем поговорим:

 — что такое матчинг: зачем о нужен крупным маркетплейсам, какие бизнес-задачи решает

 — в прямом эфире попробуем сматчить товары

 — посмотрим, что под капотом сервиса матчинга товаров и разберем основные подводные камни во время разработки модели: 

    a) Проблема задублированности и почему это проблема 

    б) Проблема последовательного обучения моделей 

    в) Оценка качества модели и калибровка порогов

2. Анастасия Овчинникова, Team Lead DS at Работа.ру

"Как сделать рекомендации точнее: модель второго уровня в задаче подбора вакансий по резюме"

Тезисы:

1. Описание проблемы. Почему одной модели недостаточно.
2. Выбираем оптимальную модель.
3. Работа с признаками: как не погрязнуть в море возможностей и не упустить ничего важного.
4. Эффективная интеграция модели в production: обеспечение стабильности и масштабируемости
5. Неожиданные препятствия и пути их преодоления
6. Модель в проде. Что дальше?

3. Дина Сафина, head of data platform Ozon.Fintech

“Data Quality - почему это так важно и как выбирать подход”

Тезисы:

1. “Значение Data Quality в современной компании: как обеспечить высокое качество данных для достоверных результатов моделей и аналитики”
2. “Инструменты и методы Data Quality: как повысить эффективность анализа данных и минимизировать ошибки”
3. "Роль Data Quality в успешной реализации проектов по Data Science: ключевые принципы и практические примеры"

4. Оксана Крымина, Actuarial Data Scientist, Страховой дом ВСК

“Если данных маловато, или Байесом по неопределенности”

Тезисы: 

1. Мало данных или мало информации? * Информация Фишера 
2. Наблюдаемые признаки недостатка информации * Мало строк записей * Overdispersed Distributions (в таргете и в объясняющих переменных) 
3. Идеальное комбо проблем: марки и модели автомобилей в страховании КАСКО 
4. Байесовские модели: ищем распределение вместо точечной оценки * парадигма байесовского вывода * байесовская ОЛМ (обобщенная линейная модель) * что нужно для реализации в коде: Stan, ресурсные требования 
5. Учесть все: граф знаний и байесовская модель * feature-engineering: группировка (из кластеризации) * аугментация данных * эмбеддинги вершин * иерархическая модель и порождение орграфом

Информационный партнер: