Валентин Малых, исследователь в лаборатории нейронных систем и глубокого обучения @МФТИ, Москва

Библиотека DeepPavlov содержит в себе отдельные код, тренированные модели и вспомогательные утилиты для создания диалоговых систем (чатботов).

Виктор Отлига, разработчик направления беспилотных автомобилей @Яндекс

Светофоры - один из главных типов объектов, влияющих на движение автомобиля в городе. Обычно у человека не возникает проблем с тем, чтобы определить цвет светофора и понять, как он влияет на дорожную ситуацию. А сложно ли беспилотному автомобилю справиться с задачей учёта светофоров при планировании своего поведения? Думаете, что это крайне простая и понятная задача? На самом деле, всё не так тривиально, как может показаться на первый взгляд. В докладе мы попробуем разобраться, какие есть подводные камни у этой задачи и как можно с ними бороться.

Сергей Овчаренко, Senior Research Engineer @Яндекс

Как можно улучшать видео и изображения с помощью GAN'ов, почему подходы из статей про superresolution не работает на реальных данных и как мы это исправили.

Евгений Бабахин, Data Scientist @Profitero

Часто бывает, что удается скачать большие объемы неструктурированных данных (текстов, картинок) из открытых источников, однако возникает вопрос их разметки под конкретную задачу. Я расскажу, как с проблемой разметки и пополнения тренировочного множества справляются в компании Profitero. А также рассмотрю пример использования такого подхода в задаче по определению брендов продуктов в онлайн-магазинах.

Дмитрий Палевский, Data Scientist @WorkFusion

To stack or not to stack? Или как увеличить точность предсказания для задачи извлечения информации до 99%-100% за счет применения валидационной модели 2-го уровня.

Александр Радионов, руководитель сервисов Поиска и ML @2ГИС

2ГИС — справочник и карта организаций России, Украины, Казахстана и других стран, с более чем 40 миллионами пользователей в месяц. Справочник содержит миллионы организаций и каждый день их сайты меняются. Расскажем о процессе непрерывной (почти) интеграции Machine Learning-сервисов с бекендами для выверки работоспособности и отсутствия 18+ контента на сайтах компаний.

Влад Павлович, Software Engineer @WANNABY

Одна из основных проблем методов глубинного обучения - недостаточные объёмы обучающей выборки. В докладе пойдет речь о возможностях применения доменной адаптации изображений для решения этой проблемы.

Денис Пирштук, Head of Data Science, Facemetrics @Facemetrics

Мы рассмотрим особенности задач, в которых камера, используется для отслеживания состояния человека, будь то его активность, эмоциональное или физическое состояние человека, и сравним возможные подходы к их решению. В этой области обычно модели обучают на датасетах, созданных в лабораторных условиях. Однако у некоторых исследователей получаются модели, которые точнее и намного более устойчивы на новых реальных данных, чем у большинства коллег. В чем же отличия?

Юрий Кашницкий, Data Scientist команды предиктивной аналитики @Mail.Ru Group, инициатор открытого курса OpenDataScience по машинному обучению

Всем людям свойственно косячить. Data Scientist-ы – не исключение. Поговорим о граблях, на которые наступают специалисты по анализу данных. Откуда они берутся – только ли невнимательность или неумение программировать? Или плохое знание математики? Порой эти косяки можно поправить за один вечер, а порой и весь проект может загнуться. Мы рассмотрим пример одной крупной задачи и поговорим о косяках в ней.

Николай Карелин, кандидат ф.-м. наук, Lead Developer / Data Scientist @CIB

Для того чтобы подобрать хороший алгоритм или модель для работы с данными, зачастую приходится обработать десятки, а то и сотни статей из arXiv.org, NIPS и массы других мест. Но как оценить, насколько хорошая та или иная статья? В своем докладе, я расскажу о том как статьи пишут, где и как их искать, чем отличаются публикации из разнных источников, как практически работать со статьями.

Александр Буслаев, разработчик алгоритмов компьютерного зрения @Mapbox, Kaggle Master, победитель множества соревнований по машинному обучению

Задача instance segmentation считается на порядок более сложной, чем semantic segmentation. Обычно под эту задачу больше подходят решения, так или иначе использующие детекторы. Я расскажу, как в некоторых случаях можно свести эту задачу к более простой и обкатанной задаче семантической сегментации с классическими архитектурами encoder-decoder и победить с таким подходом в двух конкурсах.

Евгений Нижибицкий, руководитель направления компьютерного зрения @Rambler. Kaggle Master. Победитель и призер картиночных контестов на топкодере. Выпускник ВМК МГУ и Школы анализа данных Яндекса.

Обзор различных ликов, обнаруженных в deep learning соревнованиях на kaggle и не только. За прошедший год докладчику не удалось поучаствовать практически ни в одном соревновании без обнаружения оных. Рассказы о том, как по недосмотру или лени организаторов занять первое место с моделью-бейзлайном или получить значительную часть ответов теста, включены. Хотелось бы верить, что по итогу выступления хотя бы на несколько людей, открывающих данные перед стаканьем глубоких сеток, станет больше.