Woman In Data Science Meetup
Привет, друзья! С радостью приглашаем вас на уникальное событие, посвященное силе и вкладу женщин в мире данных - митап "Woman In Data Science"! Это не просто встреча, это праздник ума, таланта и вдохновения, организованный ODS SPB при поддержке компании Samokat.tech.
Прямая трансляция и чат будут доступны на YouTube, а всех, кто любит и ценит оффлайн как мы, ждем в офисе "Самокат" по адресу ул. Малая Монетная, 2Г (БЦ Лангензипен). Так как количество мест в зале ограничено, для входа просьба зарегистрироваться заранее. Начинаем в 18:30.
Программа:
1. Гращенков Кирилл, Senior ML разработчик в Samokat.tech
[Мега]Матчер. Система соответсвий товаров: ожидания, проблемы и решения в e-comm платформе.
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
2. Анастасия Овчинникова, Team Lead DS at Работа.ру
"Как сделать рекомендации точнее: модель второго уровня в задаче подбора вакансий по резюме"
Тезисы:
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?
3. Дина Сафина, head of data platform Ozon.Fintech
“Data Quality - почему это так важно и как выбирать подход”
Тезисы:
- “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"
4. Оксана Крымина, Actuarial Data Scientist, Страховой дом ВСК
“Если данных маловато, или Байесом по неопределенности”
Тезисы:
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
