� Data Science and Machine Learning Meetup 

� Online Meetup

� Дата: 4 июня 18:30-20:30 (по Мск)

� Прием заявок: до 04.06

� Место: Youtube

Запускаем новый для нас формат Online Meetup по Data Science and Machine Learning.  Спикеры — наши крутые коллеги из Казани, Самары и Осло.
Будет очень интересно!

Спикер: Дмитрий Каштанов  — Senior ML Specialist, г. Казань

✅ “F1 Score и философский камень: численная алхимия XXI века”:

Чем же мы, Data Scientists, занимаемся: наукой о данных или численной алхимией? Ответ на этот вопрос не так прост, как может показаться. В своем выступлении я расскажу про признаки и последствия занятия алхимией, чтобы мы меньше занимались ей и больше тем, что сделает наши компании более успешными с помощью технологий ML/AI.

Спикер: Елена  Волкова — Data Scientist, г. Осло

✅ “Про многоруких бандитов”

Как узнать, какой вариант больше по душе пользователю? 

Традиционный ответ — использовать А/В тест. Я расскажу про альтернативу из области reinforcement learning: многоруких бандитов, которые сэкономят время и уделят больше внимания оптимальному варианту.

Спикер: Тим Чайников — Lead Developer, г. Самара

✅“Пусть говорят, или что можно сделать с гигабайтами видео контента”

В последние годы на фоне удешевления тарифов связи и доступности медиа устройств все большую роль в интернете начинает играть видео-контент. Многие ли сейчас потребляют менее 1гб трафика за день?  Наши клиенты — крупные интернет-паблишеры — хотели бы использовать свои видео с максимальной пользой — как для себя, так и для посетителей их сайтов. Но на практике это не так-то просто сделать. Так как же им быть со своими гигабайтами и терабайтами видео? И при чем здесь DS/ML? Об этом всем нам и предстоит узнать…

Спикер: Arne Sund — Lead Data Scientist, г. Осло

✅ Large-Scale User Similarity Modeling

Every day, Piano trains thousands of machine learning models to compute the similarity between anonymous users for more than a hundred DMP [our product] clients worldwide. Clients using Piano DMP can enable this advanced feature themselves for any segment of users. The backend then computes the similarity between users in that segment and everyone else in the anonymous audience. With big DMP clients, the anonymous audience can be very big, and in this presentation, you will learn more about how the modeling works and how we have optimized our machine learning code to deal with large-scale modeling.