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

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?

• 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

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