Провалы в решении задач по анализу данных
В машинном обучении совершается всё больше прорывов, постоянно появляются новые методы, решаются новые задачи, запускаются новые продукты и сервисы. Создаётся ощущение, что задачи решаются сами — достаточно собрать данные и обучить модель, а дальше всё будет замечательно. Мы бы хотели напомнить нашим мини-воркшопом, что всё не так просто! Существует огромное количество способов провалить проект, связанный с анализом данных — и мы постараемся рассказать о некоторых из них.
– Валерий Бабушкин, X5 Retail Group: "Как мы не сделали рекомендательную систему в банке"
Как собрать команду профессионалов, потратить милионы и ничего не сделать. Рекомендательные системы — одно из важных применений машинного обучения, и многие компании, которые работают с клиентами, заинтересованы в их внедрении. В докладе речь пойдёт об истории такого внедрения — как собрали команду профессионалов, потратили миллионы рублей, но всё пошло не так.
– Илья Поляковский, JetBrains: "Python-notebook для воспроизводимого анализа: что нам не нравится в ноутбуках и как мы пытались это исправить "
Ноутбуки – удобный инструмент для экспериментов, но только не в тех случаях, когда нужно воспроизвести результаты и поделиться ими.
Неочевидный порядок исполнения ячеек, "hidden state" процесса исполнения, практически нечитаемый код - все это неотъемлимые части разработки в ноутбуках.
Мы попытались придумать альтернативу, и этот рассказ о том, что из этого получилось.
–Наталия Козловская, Яндекс.Такси: "Продвижение тарифов повышенного класса в Яндекс.Такси"
Перед многими компаниями встает задача продвижения премиальных продуктов, в случае Яндекс.Такси - тарифов повышенного класса. Одно из решений - дать пользователю скидку на поездки в тарифе повышенного класса на какое-то время, в течение которого пользователь сможет оценить преимущества данного тарифа и после окончания действия скидки продолжит им пользоваться. Чтобы уменьшить затраты на такие акции необходимо выдавать их таргетированно, то есть тем пользователям, кто склонен к тому, чтобы продолжить пользоваться.
В докладе будет рассказано о том, как предсказывать эффект, который невозможно пронаблюдать, как оценить качество, какие эксперименты потребовались для решения и о сложностях, с которыми столкнулись.
Видео Провалы в решении задач по анализу данных канала ФКН ВШЭ
– Валерий Бабушкин, X5 Retail Group: "Как мы не сделали рекомендательную систему в банке"
Как собрать команду профессионалов, потратить милионы и ничего не сделать. Рекомендательные системы — одно из важных применений машинного обучения, и многие компании, которые работают с клиентами, заинтересованы в их внедрении. В докладе речь пойдёт об истории такого внедрения — как собрали команду профессионалов, потратили миллионы рублей, но всё пошло не так.
– Илья Поляковский, JetBrains: "Python-notebook для воспроизводимого анализа: что нам не нравится в ноутбуках и как мы пытались это исправить "
Ноутбуки – удобный инструмент для экспериментов, но только не в тех случаях, когда нужно воспроизвести результаты и поделиться ими.
Неочевидный порядок исполнения ячеек, "hidden state" процесса исполнения, практически нечитаемый код - все это неотъемлимые части разработки в ноутбуках.
Мы попытались придумать альтернативу, и этот рассказ о том, что из этого получилось.
–Наталия Козловская, Яндекс.Такси: "Продвижение тарифов повышенного класса в Яндекс.Такси"
Перед многими компаниями встает задача продвижения премиальных продуктов, в случае Яндекс.Такси - тарифов повышенного класса. Одно из решений - дать пользователю скидку на поездки в тарифе повышенного класса на какое-то время, в течение которого пользователь сможет оценить преимущества данного тарифа и после окончания действия скидки продолжит им пользоваться. Чтобы уменьшить затраты на такие акции необходимо выдавать их таргетированно, то есть тем пользователям, кто склонен к тому, чтобы продолжить пользоваться.
В докладе будет рассказано о том, как предсказывать эффект, который невозможно пронаблюдать, как оценить качество, какие эксперименты потребовались для решения и о сложностях, с которыми столкнулись.
Видео Провалы в решении задач по анализу данных канала ФКН ВШЭ
Показать
Комментарии отсутствуют
Информация о видео
Другие видео канала
Почему важно заниматься Computer Science прямо сейчас075. Карьера в data science: типичные ошибки на собеседовании – Валерий БабушкинDataStart.ru - Валерий Бабушкин - Ошибки при построении Data Science проекта и как их избежать[ДОД 2022] Бакалавриат «Программная инженерия»Как заслужить уважение в семье и на работе? [Рубрика Вопрос Давлатову]КАК НАЙТИ РАБОТУ В США: АНАЛИЗ ДАННЫХ И ФИНАНСЫВалерий Бабушкин - A/B-тестирования при невозможности разбиения покупательской аудитории на группы8 вопросов дата сайентисту // Валерий Бабушкин: о зарплатах, будущих трендах и переезде за рубеж 12+[ИТ-лекторий] Что такое машинное обучение и примеры его использования в ЯндексеКак устроен bitcoin – простыми словами о блокчейн, для чайниковData Science, черные ящики – и почему вам сильно повезлоВиктор Кантор - Как учиться анализу данных - DataStart.ru10 ПРОФЕССИЙ БУДУЩЕГО - ВЗГЛЯД ИЗ СШАОчумелые ручки беспилотников: Битва дата саентистов / Бабушкин, Кузин, Семёнов, Колесников и Ко006. Статистика в АБ мифы и реальность — Данила ЛеньковГригорий БакуновОт новичка к мастеру, от хемометриста к Head of DS — Валерий БабушкинКак мы не сделали рекомендательную систему в банке — Валерий БабушкинТренинг по системному анализу 16.08.2016