Кстати, в ближайший понедельник, 31 мая будет митап about:cloud, на котором тоже будет про SpeechKit. Регистрация еще открыта.
cloud.yandex.ru
about:cloud — ML&AI
about:cloud — митап про технологии и большую любовь к ним.
А еще в следующий четверг, 3 июня у нас планируется вебинар про НЛП в СХ. И речь пойдет не про НейроЛингвистическое Программирование в Сельском Хозяйстве, как вы подумали, а про Natural Language Processing в Customer eXperience)
modelops.ru
Вебинар GlowByte по Natural Language Processing
Применение NLP в CX: хайп или новый тренд? 3 июня 2021
Что-то у нас на этой неделе не сложилось с рекомендациями интересных статей и ресурсов по теме NLP, поэтому напоследок, для тех, кто смотрел наш вебинААр:
🚀 История успеха, про которую говорил Никита: Уникальный голосовой бот для МегаФона снизил стоимость эффективного диалога с клиентом в 4 раза
🚀 И другая история успеха, правда не по теме NLP, нокакая есть по теме CX: Перекрёсток и GlowByte составили аналитическую карту впечатлений посетителей в супермаркете
🚀 История успеха, про которую говорил Никита: Уникальный голосовой бот для МегаФона снизил стоимость эффективного диалога с клиентом в 4 раза
🚀 И другая история успеха, правда не по теме NLP, но
Наша следующая тема про то, как ML и продвинутая аналитика помогают предсказывать поломки и неисправности в оборудовании на производстве и не только.
8 июня в 21:00 МСК собираемся в голосовом чате в Telegram и обсуждаем следующие вопросы.
📌 Задачи прогнозного технического обслуживания оборудования и методы ML и продвинутой аналитики для их решения.
📌 Отличие от классических подходов превентивного обслуживания оборудования, преимущества, проблемы и актуальные вызовы.
📌 Кейсы применения в различных индустриях: от нефтяной и металлургической промышленности до транспорта и FMCG.
📌 Технологические аспекты решаемых задач: Edge Computing & TinyML, технологии хранения и обработки данных временных рядов и много другое.
📌 Что и в каких случаях выбирать: предлагаемые решения от самих производителей оборудования, универсальные или нишевые решения вендоров или собственная кастомная разработка и моделирование?
📌 Адаптации подходов предиктивного обслуживания в мире и в России, роль развития цифровизации производства.
📌 Что нужно знать специалистам по анализу данных в области Predictive Maintenance и в чем отличие от других областей? (Спойлер: почему аналитику нужно быть (не)много инженером).
Наши эксперты-спикеры:
😎 Александр Собенников, Руководитель направления аналитики в производстве, Glowbyte Advanced Analytics
😎 Александр Томилов, Руководитель направления IIoT, GlowByte
😎 Роман Созонов, Data Scientist, Glowbyte Advanced Analytics
🧐 а также все желающие присоединиться к дискуссии)
8 июня в 21:00 МСК собираемся в голосовом чате в Telegram и обсуждаем следующие вопросы.
📌 Задачи прогнозного технического обслуживания оборудования и методы ML и продвинутой аналитики для их решения.
📌 Отличие от классических подходов превентивного обслуживания оборудования, преимущества, проблемы и актуальные вызовы.
📌 Кейсы применения в различных индустриях: от нефтяной и металлургической промышленности до транспорта и FMCG.
📌 Технологические аспекты решаемых задач: Edge Computing & TinyML, технологии хранения и обработки данных временных рядов и много другое.
📌 Что и в каких случаях выбирать: предлагаемые решения от самих производителей оборудования, универсальные или нишевые решения вендоров или собственная кастомная разработка и моделирование?
📌 Адаптации подходов предиктивного обслуживания в мире и в России, роль развития цифровизации производства.
📌 Что нужно знать специалистам по анализу данных в области Predictive Maintenance и в чем отличие от других областей? (Спойлер: почему аналитику нужно быть (не)много инженером).
Наши эксперты-спикеры:
😎 Александр Собенников, Руководитель направления аналитики в производстве, Glowbyte Advanced Analytics
😎 Александр Томилов, Руководитель направления IIoT, GlowByte
😎 Роман Созонов, Data Scientist, Glowbyte Advanced Analytics
🧐 а также все желающие присоединиться к дискуссии)
Список рекомендаций к прочтению начнем фундаментально, а именно две книги по теме предиктивного обслуживания:
1️⃣ Mobley R.K., An Introduction to Predictive Maintenance
2️⃣ Levitt J., Complete Guide to Preventive and Predictive Maintenance
1️⃣ Mobley R.K., An Introduction to Predictive Maintenance
2️⃣ Levitt J., Complete Guide to Preventive and Predictive Maintenance
Интересный отчет про текущую ситуацию и перспективы использования прогнозного обслуживания в европейских компаниях: Digital Industrial Revolution with Predictive Maintenance
Вчера в обсуждении про Predictive Maintenance затрагивали тему TinyML.
Во-первых, небольшая статья нашего коллеги Романа Созонова: TinyML. Сжимаем нейросеть
Во-вторых, рекомендовали когда-то ранее
- Книгу Warden P., Situnayake D., TinyML: Machine Learning with TensorFlow Lite on Arduino and Ultra-Low-Power Microcontrollers
- Ресурс с конференциями, вебинарами и митапами по теме
Во-первых, небольшая статья нашего коллеги Романа Созонова: TinyML. Сжимаем нейросеть
Во-вторых, рекомендовали когда-то ранее
- Книгу Warden P., Situnayake D., TinyML: Machine Learning with TensorFlow Lite on Arduino and Ultra-Low-Power Microcontrollers
- Ресурс с конференциями, вебинарами и митапами по теме
Порылся в закладках и получилась подборка по теме Predictive Maintenance (PdM).
Про задачи PdM
📌Хорошее краткое введение в область и основные задачи
How to Implement Machine Learning For Predictive Maintenance
📌Про типовые подходы к задачам PdM
Machine learning for predictive maintenance: where to start?
📌Еще одно введение, больше про подходы к моделированию RUL
Data-Driven Predictive Maintenance In a Nutshell
📌Кратко про ML против бизнес правил в PdM
Predictive Maintenance: Machine Learning vs Rule-Based Algorithms
📌И еще серия вводных статей про задачи PdM: Applied Data Science Series : Solving a Predictive Maintenance Business Problem
Part 1
Part 2
Part 3
Про детектирование аномалий в PdM
📌Как применяется детектирование аномалий
How to use machine learning for anomaly detection and condition monitoring
📌Кейсы детектирования аномалий и вообще PdM в различных индустриях
Anomaly Detection Solutions for Predictive Maintenance of Industrial Equipment
Примеры с кодом
📌Пример по детектированию аномалий
Anomaly Detection in Time Series Sensor Data
📌Серия статей про различные подходы к решению задачи
Exploring Nasa Turbofan
Про задачи PdM
📌Хорошее краткое введение в область и основные задачи
How to Implement Machine Learning For Predictive Maintenance
📌Про типовые подходы к задачам PdM
Machine learning for predictive maintenance: where to start?
📌Еще одно введение, больше про подходы к моделированию RUL
Data-Driven Predictive Maintenance In a Nutshell
📌Кратко про ML против бизнес правил в PdM
Predictive Maintenance: Machine Learning vs Rule-Based Algorithms
📌И еще серия вводных статей про задачи PdM: Applied Data Science Series : Solving a Predictive Maintenance Business Problem
Part 1
Part 2
Part 3
Про детектирование аномалий в PdM
📌Как применяется детектирование аномалий
How to use machine learning for anomaly detection and condition monitoring
📌Кейсы детектирования аномалий и вообще PdM в различных индустриях
Anomaly Detection Solutions for Predictive Maintenance of Industrial Equipment
Примеры с кодом
📌Пример по детектированию аномалий
Anomaly Detection in Time Series Sensor Data
📌Серия статей про различные подходы к решению задачи
Exploring Nasa Turbofan
На следующей неделе обсудим, что делать если A|B тестирование провести нельзя, а понять влияние воздействия необходимо, а именно, как в таких случаях применяются методы каузальности.
Встречаемся в голосовом чате в Telegram 17 июня в 21:00 МСК. (❗️Обратите внимание, что это четверг а не вторник).
В повестке обсуждения:
📌В каких случаях применяются методы каузальности и эконометрики?
📌Что это за направление?
📌Какие методы к нему относятся?
📌Какие рабочие, а какие не очень?
📌Какие реализованы в библиотеках?
📌Какие есть сложности?
Наши эксперты-спикеры:
😎Ирина Голощапова, PhD, Head of Data Science at LENTA
😎Максим Цыганков, Руководитель проектного направления «Оценка программ и политик», Центр перспективных управленческих решений
😎Наталья Тоганова, к.э.н., Бизнес-аналитик, GlowByte Advanced Analytics
😎Александр Бородин, к.ф.-м.н., Руководитель направления аналитики в финансах и рисках, GlowByte Advanced Analytics
Встречаемся в голосовом чате в Telegram 17 июня в 21:00 МСК. (❗️Обратите внимание, что это четверг а не вторник).
В повестке обсуждения:
📌В каких случаях применяются методы каузальности и эконометрики?
📌Что это за направление?
📌Какие методы к нему относятся?
📌Какие рабочие, а какие не очень?
📌Какие реализованы в библиотеках?
📌Какие есть сложности?
Наши эксперты-спикеры:
😎Ирина Голощапова, PhD, Head of Data Science at LENTA
😎Максим Цыганков, Руководитель проектного направления «Оценка программ и политик», Центр перспективных управленческих решений
😎Наталья Тоганова, к.э.н., Бизнес-аналитик, GlowByte Advanced Analytics
😎Александр Бородин, к.ф.-м.н., Руководитель направления аналитики в финансах и рисках, GlowByte Advanced Analytics
Рекомендовали уже когда-то ранее, пара книг по теме каузальности, почитать на выходных:
📕Pearl J., Mackenzie D., The Book of Why: The New Science of Cause and Effect
📗Peters J., Janzing D., Schölkopf B., Elements of Causal Inference: Foundations and Learning Algorithms
📕Pearl J., Mackenzie D., The Book of Why: The New Science of Cause and Effect
📗Peters J., Janzing D., Schölkopf B., Elements of Causal Inference: Foundations and Learning Algorithms
Видео докладов по теме causal от участников предстоящей экспертной комнаты и не только:
📺 Ирина Голощапова: Causal Inference Methods - Causal Inference in ML Track 2020
📺 Ирина Голощапова: Data Ёлка 2020 - Итоги года в Causal Inference in ML
📺 Максим Цыганков: Методы выявления причинности (causal inference) в оценке проектов и программ
📺 Наталья Тоганова: Обзор библиотеки EconML - идеи и реализация
📺 Иван Горбань, Денис Пятых: Causal methods in dynamic pricing
📺 Ирина Голощапова: Causal Inference Methods - Causal Inference in ML Track 2020
📺 Ирина Голощапова: Data Ёлка 2020 - Итоги года в Causal Inference in ML
📺 Максим Цыганков: Методы выявления причинности (causal inference) в оценке проектов и программ
📺 Наталья Тоганова: Обзор библиотеки EconML - идеи и реализация
📺 Иван Горбань, Денис Пятых: Causal methods in dynamic pricing
Подборка небольших статей про каузальность
📌 Статьи, которые питчат за «каузальный» подход:
📄 Why do we need causality in data science? – первая из серии статей
📄 Why every data scientist shall read “The Book of Why” by Judea Pearl – краткий обзор книги (кстати, если у вас есть подписка на SmartReading – там есть саммари книги на русском – почти реклама 🙈).
📌 Введение в Causal Inference в трех частях:
📄 Causal inference (Part 1 of 3): Understanding the fundamentals
📌 Статья, которая рассказывает об опыте применения в Uber:
📄 Using Causal Inference to Improve the Uber User Experience
📌 Статьи, которые питчат за «каузальный» подход:
📄 Why do we need causality in data science? – первая из серии статей
📄 Why every data scientist shall read “The Book of Why” by Judea Pearl – краткий обзор книги (кстати, если у вас есть подписка на SmartReading – там есть саммари книги на русском – почти реклама 🙈).
📌 Введение в Causal Inference в трех частях:
📄 Causal inference (Part 1 of 3): Understanding the fundamentals
📌 Статья, которая рассказывает об опыте применения в Uber:
📄 Using Causal Inference to Improve the Uber User Experience
Всем привет! 👻 вчера мы не затронули тему каузальности и выбора фичей.
Литературы много, поэтому хотим порекомендовать одно, но прекрасное видео:
📺 Ольга Филиппова: Causality and Shapley Values
Литературы много, поэтому хотим порекомендовать одно, но прекрасное видео:
📺 Ольга Филиппова: Causality and Shapley Values
Вчера в обсуждении упоминали кейс Северстали:
📺 Boris Voskresenskii: Causal inference for a steel mill
В каком то смысле есть преемственность между темой прошлой недели и темой этой недели)
📺 Boris Voskresenskii: Causal inference for a steel mill
В каком то смысле есть преемственность между темой прошлой недели и темой этой недели)
А мы плавно переходим к теме следующей недели: рекомендательные системы. Хороший пост про новые тренды:
📌 What’s new in recommender systems
Кстати, еще про преемственность наших тем, в упомянутой статье помимо графов и бандитов есть и про методы causal в задачах рекомендательных систем, а именно авторы рекомендуют обратить внимание на следующие работы:
📄 Stephen Bonner, Flavian Vasile, Causal Embeddings for Recommendation
📄 Yixin Wang, Dawen Liang, Laurent Charlin, and David Blei, Causal Inference for Recommender Systems
📄 Neela Sawant, Chitti Babu Namballa, Narayanan Sadagopan, and Houssam Nassif, Contextual Multi-Armed Bandits for Causal Marketing
Список можно еще расширить
📄 Amit Sharma, Jake M. Hofman, Duncan J. Watts, Estimating the causal impact of recommendation systems from observational data
📄 The Deconfounded Recommender: A Causal Inference Approach to Recommendation
📄 Shuyuan Xu, Yingqiang Ge, Yunqi Li, Zuohui Fu, Xu Chen, Yongfeng Zhang, Causal Collaborative Filtering
📄 Dawen Liang, Laurent Charlin, David M. Blei, Causal Inference for Recommendation
В общем, если не было планов на выходных, можно засесть изучать тему надолго 👩🎓👨🎓📚🤪
📌 What’s new in recommender systems
Кстати, еще про преемственность наших тем, в упомянутой статье помимо графов и бандитов есть и про методы causal в задачах рекомендательных систем, а именно авторы рекомендуют обратить внимание на следующие работы:
📄 Stephen Bonner, Flavian Vasile, Causal Embeddings for Recommendation
📄 Yixin Wang, Dawen Liang, Laurent Charlin, and David Blei, Causal Inference for Recommender Systems
📄 Neela Sawant, Chitti Babu Namballa, Narayanan Sadagopan, and Houssam Nassif, Contextual Multi-Armed Bandits for Causal Marketing
Список можно еще расширить
📄 Amit Sharma, Jake M. Hofman, Duncan J. Watts, Estimating the causal impact of recommendation systems from observational data
📄 The Deconfounded Recommender: A Causal Inference Approach to Recommendation
📄 Shuyuan Xu, Yingqiang Ge, Yunqi Li, Zuohui Fu, Xu Chen, Yongfeng Zhang, Causal Collaborative Filtering
📄 Dawen Liang, Laurent Charlin, David M. Blei, Causal Inference for Recommendation
В общем, если не было планов на выходных, можно засесть изучать тему надолго 👩🎓👨🎓📚🤪
Во вторник, 22 июня коллеги из GlowByte Advanced Analytics выступают на вебинаре Яндекс.Облако "Рекомендательные системы. Архитектура и применение"
Коллеги расскажут про архитектуру рекомендательных систем на базе сервисов платформы Яндекс.Облако, а также поделятся опытом построения рекомендательных систем для решения бизнес задач в различных индустриях и направлениях.
Спикеры от GlowByte Advanced Analytics:
😎Дмитрий Бутаков, архитектор Data&ML платформ
😎Андрей Иванов, руководитель направления прогнозной и оптимизационной аналитики цепочек поставок
Регистрация по ссылке →
Коллеги расскажут про архитектуру рекомендательных систем на базе сервисов платформы Яндекс.Облако, а также поделятся опытом построения рекомендательных систем для решения бизнес задач в различных индустриях и направлениях.
Спикеры от GlowByte Advanced Analytics:
😎Дмитрий Бутаков, архитектор Data&ML платформ
😎Андрей Иванов, руководитель направления прогнозной и оптимизационной аналитики цепочек поставок
Регистрация по ссылке →
cloud.yandex.ru
Рекомендательные системы: архитектура и применение
Покажем современную архитектуру рекомендательного движка на базе платформы данных Yandex.Cloud
В четверг, 24 июня, в 21:00 МСК встречаемся в голосовом чате и обсуждаем рекомендательные системы.
В повестке обсуждения:
📌В каких бизнес-задачах можно применять рекомендательные системы?
📌Когда можно использовать базовые методы и эвристики, а когда необходим продвинутый ML?
📌Как подойти к выбору целевой архитектуры рекомендательных систем? Для каких задач достаточно offline предрасчета, а когда может понадобится аналитика реального времени и streaming?
📌На что обратить внимание при оценке качества моделей рекомендательных систем в контексте конкретных бизнес задач?
Участники дискуссии:
😎Армен Амирханян, тимлид команды ML, Спасибо от Сбербанка
😎Данила Наумов, CDO, Утконос
😎Борис Устюгов, Head of DS, Утконос
😎Михаил Галкин, руководитель направления клиентской аналитики, GlowByte Advanced Analytics
😎Дмитрий Бутаков, архитектор Data&ML платформ, GlowByte Advanced Analytics
В повестке обсуждения:
📌В каких бизнес-задачах можно применять рекомендательные системы?
📌Когда можно использовать базовые методы и эвристики, а когда необходим продвинутый ML?
📌Как подойти к выбору целевой архитектуры рекомендательных систем? Для каких задач достаточно offline предрасчета, а когда может понадобится аналитика реального времени и streaming?
📌На что обратить внимание при оценке качества моделей рекомендательных систем в контексте конкретных бизнес задач?
Участники дискуссии:
😎Армен Амирханян, тимлид команды ML, Спасибо от Сбербанка
😎Данила Наумов, CDO, Утконос
😎Борис Устюгов, Head of DS, Утконос
😎Михаил Галкин, руководитель направления клиентской аналитики, GlowByte Advanced Analytics
😎Дмитрий Бутаков, архитектор Data&ML платформ, GlowByte Advanced Analytics