Recent & Upcoming Talks

2019

В погоне за улучшением реальности вокруг нас человечество сильно развило теорию машинного обучения, тем самым создав волшебного зверя «Нейросеть». Он лучше нас классифицирует картинки, ищет людей на видео, анализирует реакцию курса криптовалют на твиты. Картины созданные нейросетями продают за десятки миллионов долларов, лейблы подписывают контракты на синтез нейросетью музыкальных альбомов.

Что вообще происходит? Во что сейчас трансформируется мир? Что на самом деле можно делать с помощью ИИ, и какие перспективы открываются перед нами? Об этом поговорим на встрече.

Лекция для школьников 10-11 классов о том, что такое машинное обучение, какие задачи с помощью него можно решать. Что и где нужно учить, как применять.

Генерировать котиков из кривых скетчей? Нет? А может перекрасить всех лошадей в зебр? Не достаточно? Хм, а может превратить зиму в лето? ИЛИ МОЖЕТ ПРЕВРАЩАТЬ ЛЮДЕЙ В АНИМЕ???

Говорят нынешние нейросети и не такое могут! Но как это стало вообще возможно? А дело в том, что как-то раз ребята из исследовательской лабы Беркли обратились в шоу «Нейросеть на прокачку» и там им предложили встроить одну GAN модель в другую GAN модель. И после этого завер…..

На лекции я вам расскажу, как работает CycleGAN и на что он способен. Придумаем вместе, чтобы еще с ним сделать.

2018

У вас космически классная идея нового сервиса на минус 1 миллион долларов, которая должна во всю использовать машинное обучение да нейросети? Отлично! Срочно бежим расписывать фичи, планировать спринты и писать код. Но, внезапно, все фичи похожи на какие-то гипотезы, да на чтение статей или на нечто в стиле «понять как это работает и попробовать повторить». Прошел уже месяц, а на демо вы можете только сказать, что прочитали 50 классных статей на http://arxiv.org? Кстати, готовые библиотеки не работают, написаны на c++ и для запуска требуют компьютер автора. Что же делать и когда что-то пошло не так? Это ведь обычная разработка. Wait, oh shi~.
На докладе разберем, как происходила разработка ML проекта. Проекта, где нельзя сразу сесть и начать кодить, запиливая фичи. Каким образом вести работу в таком Research&Development проекте мы и узнаем на докладе.

В погоне за улучшением реальности вокруг нас человечество сильно развило теорию машинного обучения, тем самым создав волшебного зверя «Нейросеть». Он лучше нас классифицирует картинки, ищет людей на видео, анализирует реакцию курса криптовалют на твиты. Почти научился рисовать и создавать музыку. Не далек тот час, когда всех корейских игроков в dota2 заменят эти нейросети. Кажется, что уже не наше мышление формирует реальность, а мышление искусственных нейросетей. Но что нам тогда делать? Как остаться в нашей реальности? Об этом поговорим на докладе.

Небольшой отчет о создании приложения KawaiiSearch — поиска похожих фотографий с помощью сверточной нейросети и kNN

Вы наверное наслышаны об успехах, так называемого, машинного обучения и искусственного интеллекта. ИИ используют для синтеза голоса, переносу стиля художника на селфи, чтобы делать людей улыбающимися на фотографии, глумиться над людьми в настольных игры. Да чему только уже не научили компьютер!
Мне стало интересно, а почему машинное обучение стали везде использовать только сейчас, чего не хватало раньше? В чем заключается это обучение, каким задачам машину можно обучить, а каким нельзя, как минимум пока? Расскажу то, с какими трудностями сталкиваются дата-саентисты и к чему всё это машинное обучение нас приведёт. И как итог порекомендую с чего начать изучение ML.

Недавно на kaggle проходило соревнование tensorflow-speech-recognition-challenge по распознаванию фраз. Было дано несколько гигабайт односекундных звуковых записей, в которых человек говорит какое-то одно слово: up, down, go и так далее. Всего было 10 слов + тишина и любые другие слова. Необходимо было построить классификатор для распознавания этих слов.
Илья расскажет как он в первый раз для себя настраивал нейросеть, обучал её на облаке с видеокартой.

2017

Мы с вами напишем приложение под Android, которое умеет распознавать рукописные цифры.

Мастер-класс будет состоять из следующих частей:
- написание сверточной нейросети на Keras с Tensorflow под капотом.
- обучение этой модели на компьютере.
- написание приложения под Android.
- интеграция обученной модели Tensorflow в Android.

Требования к участникам: ноутбук, с установленными Python 3, Keras, TensorFlow, Android Studio и Android смартфон. Эффективнее объединяться в группы по 2-3 человека.

Рассмотрен глубокий сверточный автоэнкодер как один из способов построить систему декомпозиции звука на стоставные части. В данной работе рассматривалась упрощенная модель разделения на шум/полезный сигнал.

У нас уже есть ML, AR и VR. Новые модные технологии. Если с последними двумя ясно что делать в играх, то что можно делать с ML? Там всякое компьютерное зрение, генерация контента, предсказание чего-нибудь. Где же новые игры, что используют ML? Докладчик предлагает пофантазировать и придумать либо новые жанры игр, либо новые способы управления.

Вы устали от всех этих сайтиков, веб приложений, фронтенда и мобайла? Даже Highload, архитектура и паттерны перестали вызывать эмоции? Вам нужно нечто необычное, что взбодрит вас и вернет давно пропавшее Любопытство? Я чувствую, вы хотите новых ощущений и знаний. Их есть у меня!
Очевидно, вам совершенно без разницы для чего Это будет использоваться, поэтому просто вывалю на вас задачу. Значит, нужно на лету синхронизировать две звуковые дорожки, одна из которых аналоговая, такая ламповая, но искаженная, а другая — бездушная цифровая, но вся из себя идеальная.
Как же это делать? Конечно использовать машинное обучение!
Нет, стоп… Никакого машинного обучения, никаких вам нейросетей, только чистые спектры и статистика, как завещали деды.
В докладе я расскажу как мы работали со звуком, как обрабатывали спектры, рисовали странные графики, что бывает с человеком если слушать рассинхрон в разные уши, и как мы чуть не переизобрели шазам.

На мастер-классе по машинному обучению мы с вами построим несколько типов нейросетей для решения задачи распознавания рукописных цифр из набора данных MNIST. Мы познакомимся с TensorFlow - фреймворком для машинного обучения от Google, и обучим простую однослойную, глубокую и сверточную нейросети.

На мастер классе мы сразу возьмемся решать реальную задачу (предсказания победителя в онлайн-игре). Мы с вами пройдем полный путь решения задачи - начиная от анализа данных глазами и рисования графиков, проверки «бейзлайна», переходя к созданию новых признаков и заканчивая подбором гипер-параметров (улучшение параметров модели предсказания).

Вы наверное наслышаны об успехах так называемого машинного обучения. Его используют для перевода текстов, синтеза голоса, распознавания речи, показа рекламы. Да чему только уже не научили компьютер! Мне стало безумно интересно как в принципе происходит обучение компьютера, каким задачам его можно обучить, а каким нельзя, по крайней мере пока.
В своей лекции я расскажу на настоящих примерах то, как может проходить обучение, с какими трудностями сталкиваются дата-саентисты и к чему всё это машинное обучение приведёт.

Рассмотрены различные методы для решения задачи декомпозиции звука: ICA, BeamForming, NeuarlNetowrks, Адаптивные фильтры

Мы все с вами наблюдаем сейчас ажиотаж вокруг машинного обучения (ML). Компьютеры научились стилизовать фотографии под художников, идеально генерировать человеческую речь, писать тексты песен, управлять автомобилем, рекомендовать товары и так далее. Но почему именно сейчас всё это так раскрутилось, а не 50 лет назад, когда придумали нейронные сети? Что это за наука такая и с чего начать изучение? И так ли это всё сложно, как кажется на первый взгляд?
В своем докладе я постараюсь ответить на эти вопросы, объясню постановку задачи ML, расскажу историю развития этой науки и конечно же на примерах объясню основы. Осторожно, после этого доклада вам захочется что-нибудь обучить!