WiDS Meetup

Расписание

Время показано в часовом поясе: Europe/Moscow

[Мега]Матчер. Система соответсвий товаров: ожидания, проблемы и решения в e-comm платформе.#

Гращенков КириллSenior 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

Data Quality - почему это так важно и как выбирать подход#

Дина Сафинаhead of data platform Ozon.Fintech
  • Значение Data Quality в современной компании: как обеспечить высокое качество данных для достоверных результатов моделей и аналитики
  • Инструменты и методы Data Quality: как повысить эффективность анализа данных и минимизировать ошибки
  • Роль Data Quality в успешной реализации проектов по Data Science: ключевые принципы и практические примеры

Если данных маловато, или Байесом по неопределенности#

Оксана КрыминаActuarial Data Scientist, Страховой дом ВСК
  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

Как сделать рекомендации точнее: модель второго уровня в задаче подбора вакансий по резюме#

Анастасия ОвчинниковаTeam Lead DS at Работа.ру
  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?