Дизайн систем машинного обучения. Введение для начинающих.

ML System Design. Autumn 22/23

Хрестоматия разработчика компьютерного зрения: как без боли решить задачу компьютерного зрения и заставить это решение работать в проде. Вдохновляемся опытом коллег о том, как они прошли через тернистый путь разработки модели компьютерного зрения для своих задач.
Если вы хотите дополнить трек своим докладом, то пишите в Telegram @sigmoida или в ODS @Sonya.

Computer Vision in Industry

19-20 сентября Яндекс проводит секцию по краудсорсингу. Вас ждут доклады от команды Яндекс.Толоки про эффективные методы контроля качества в краудсорсинге, разметку данных на большом масштабе и ТОП-10 ошибок заказчика, из-за которых теряются время и деньги.

Яндекс. Effective data labeling with crowd

Что сейчас происходит в области обработки естественного языка (NLP)?

NLP in Industry

Цель трека - создание causal inference guide для data scientist-ов. Классические и современные подходы причинно-следственного анализа в применении к задачам машинного обучения.

Causal Inference in ML

Hi! Welcome to the optimization track on Datafest! Here we will discuss both theory and practice of modern optimization. We say really modern because the results and methods explained in the section are used either to conduct bleeding-edge research or train neural networks faster and larger.

Math Optimization

Интерпретация моделей машинного обучения: как объяснить результаты статистических моделей заказчику.

Interpretable ML

Трек посвящен методам управления Data Science проектами.

Lean Data Science

Что такое МЛ-тренировки? Это рассказ о победных решениях соревнований по машинному обучению.

ML Trainings DataFest 2020

A tutorial on uncertainty estimation in ML for a non-research practitioners of machine learning. Will cover basics of uncertainty estimation via ensemble methods, ensemble-emulation methods and generative methods. We will also provide a detailed case-study of an example usage of uncertainty estimation.

Active