Ended 15 months ago
Привет, друзья! С радостью приглашаем вас на уникальное событие, посвященное силе и вкладу женщин в мире данных - митап "Woman In Data Science"! Это не просто встреча, это праздник ума, таланта и вдохновения, организованный ODS SPB при поддержке компании Samokat.tech.
#ODS#ODS SPB#WiDS
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
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
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
Тезисы:
4. Оксана Крымина, Actuarial Data Scientist, Страховой дом ВСК
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
Our website uses cookies, including web analytics services. By using the website, you consent to the processing of personal data using cookies. You can find out more about the processing of personal data in the Privacy policy