Загрузка страницы

Где не работают решения машинного обучения | Meta/conf

Следующее мероприятие: DevOps meetup
16 ноября 2019, Воронеж
Регистрация: https://metaconf.net/devops-meetup

В своем докладе Станислав Протасов, Заместитель заведующего кафедрой теоретической и прикладной информатики МФТИ, предлагает рассмотреть машинное обучение как технологию с точки зрения IT инженера, разработчика.
Поговорили про:
- обучение рекомендательной системы контента
- нерепрезентативность выборки на тестах
- векторное представление слов с помощью нейросетей
- модели нейронных сетей (word2vec, sent2vec, doc2vec)
- нейронные языковые модели в дистрибутивной семантике

Из видео доклада вы так же узнаете:

- Почему так важен контент для решений на основе машинного обучения
- Почему нейронные сети не понимают юмор
- Для решения каких задач машинное обучение пока НЕ подходит.

Презентация доклада Станислава: https://u.to/VaJ0Fg
__________________________

Больше информации о конференции: https://metaconf.net
Meta/conf в Вконтакте: https://vk.com/metaconf
Meta/conf в Facebook: https://www.facebook.com/Metaconfrus
#Metaconf_vrn #IT_конференция #metaconf_ml #Evrone #DataArt #machinelearning

Видео Где не работают решения машинного обучения | Meta/conf канала Meta/conf Voronezh
Показать
Комментарии отсутствуют
Введите заголовок:

Введите адрес ссылки:

Введите адрес видео с YouTube:

Зарегистрируйтесь или войдите с
Информация о видео
19 июня 2019 г. 16:51:00
00:53:28
Другие видео канала
BIG DATA #11:Роман Меркулов,Прогнозирование исходов спортивных событий с помощью машинного обученияBIG DATA #11:Роман Меркулов,Прогнозирование исходов спортивных событий с помощью машинного обученияВалерий Бабушкин, X5 Retail Group - Как ускорить сотни А/Б-тестов в десятки разВалерий Бабушкин, X5 Retail Group - Как ускорить сотни А/Б-тестов в десятки разУчимся обучать нейронные сети, за 30 минут от теории до практики.Учимся обучать нейронные сети, за 30 минут от теории до практики.Топ - 5 достижений в Deep learningТоп - 5 достижений в Deep learningLigtbend Cloudflow - потоковая обработка данных | Meta/confLigtbend Cloudflow - потоковая обработка данных | Meta/confКак эффективно тестировать ETL системы вручную? | Meta/confКак эффективно тестировать ETL системы вручную? | Meta/confЛекция Сергея Попова «Темное вещество: оно есть или его нет?»Лекция Сергея Попова «Темное вещество: оно есть или его нет?»Автоматизация тестирования. Библиотека PLAT-ON | Meta/confАвтоматизация тестирования. Библиотека PLAT-ON | Meta/confРеклама IoT решения в условиях пандемии | Meta/confРеклама IoT решения в условиях пандемии | Meta/confЛекция: Как взойти на Эверест | Сергей КовалёвЛекция: Как взойти на Эверест | Сергей КовалёвApache Flink: Новое поколение потоковой обработки данных | Meta/confApache Flink: Новое поколение потоковой обработки данных | Meta/confПрогрессивно ли PWA? | Meta/confПрогрессивно ли PWA? | Meta/conf028. Блиц: Как приручить машинное обучение — А. Себрант, Н. Галкина, А. Крайнов, М. Левин028. Блиц: Как приручить машинное обучение — А. Себрант, Н. Галкина, А. Крайнов, М. ЛевинTheano обучаем нейросеть, Екатерина Тузова, PyCharmTheano обучаем нейросеть, Екатерина Тузова, PyCharmЧто делать, если затраты на проект надо оптимизировать? | Meta/confЧто делать, если затраты на проект надо оптимизировать? | Meta/conf027. Машинное обучение в киберспорте. Dota Science — Кирилл Неклюдов027. Машинное обучение в киберспорте. Dota Science — Кирилл НеклюдовВычислительные методы алгебры 3. Сингулярное разложениеВычислительные методы алгебры 3. Сингулярное разложениеКак мы дошли до динамических Page Objects, и почему их использование проще чем кажется | Meta/confКак мы дошли до динамических Page Objects, и почему их использование проще чем кажется | Meta/confПравильно управляем секретами в Kubernetes | Meta/confПравильно управляем секретами в Kubernetes | Meta/confЦифровые двойники и их применение в производстве | Meta/confЦифровые двойники и их применение в производстве | Meta/conf
Яндекс.Метрика