Очный семинар про эффективность моделей в бизнесе
Напоминаем про очное мероприятие на этой неделе. Еще есть какое-то количество мест, регистрируйтесь и приходите.
▫️ 23 октября (среда), 17:00 МСК
▫️ Место встречи: г. Москва, точный адрес отправим после регистрации
Тема:
Эффективность ML-моделей для бизнеса
Приглашенные эксперты:
▫️ Роман Мизюрин (Альфа Банк), Опыт оценки финансовых эффектов для задач машинного обучения;
▫️ Виктор Кантор (МТС), ML Inside: топ-4 способа монетизации ML в B2C компании;
▫️ Александр Ефимов (GlowByte) Эволюция целей и задач для ML команд.
Модератор дискуссии:
▫️ Глеб Шуклин, директор Ассоциации больших данных.
Организаторы:
Ассоциация Больших Данных, GlowByte
Напоминаем про очное мероприятие на этой неделе. Еще есть какое-то количество мест, регистрируйтесь и приходите.
▫️ 23 октября (среда), 17:00 МСК
▫️ Место встречи: г. Москва, точный адрес отправим после регистрации
Тема:
Эффективность ML-моделей для бизнеса
Приглашенные эксперты:
▫️ Роман Мизюрин (Альфа Банк), Опыт оценки финансовых эффектов для задач машинного обучения;
▫️ Виктор Кантор (МТС), ML Inside: топ-4 способа монетизации ML в B2C компании;
▫️ Александр Ефимов (GlowByte) Эволюция целей и задач для ML команд.
Модератор дискуссии:
▫️ Глеб Шуклин, директор Ассоциации больших данных.
Организаторы:
Ассоциация Больших Данных, GlowByte
Семинар про задачу балансов на графе
▫️ 30 октября (среда), 17:00 МСК
▫️ Подключение→
Выступает: Семён Косяченко, тимлид команды алгоритмистов, Оптимакрос
Тема: Решение задачи балансов на графе и поиск ошибок измерителей с помощью нейросетей
Аннотация
На производстве и в решении бизнес задач часто приходиться решать задачу сведения баланса на ориентированном графе — восстанавливать истинные значения потоков. Реже решается задача поиска ошибок в измерении потоков (неисправности измерителя, утечки и др.) Для решения таких задач общей практики не существуют, многие подходы являются простыми эвристиками, не учитывающими структуру графа и не предлагающие оценок точности.
В своем докладе автор предлагает решать задачу поиска ошибок измерителей с помощью нейросетей. Будет предложена концепция подхода, реализация, качественные примеры, количественные оценки предлагаемого подхода, а также рекомендации по имплементации на практике.
Уровень сложности: начинающий/средний, необходимо базовое представление MILP, базовые знания о нейросетях; ключевые слова: MILP, сведение балансов, поиск грубых ошибок, детекция ошибок измерителей, neural network, tensorflow.
▫️ 30 октября (среда), 17:00 МСК
▫️ Подключение→
Выступает: Семён Косяченко, тимлид команды алгоритмистов, Оптимакрос
Тема: Решение задачи балансов на графе и поиск ошибок измерителей с помощью нейросетей
Аннотация
На производстве и в решении бизнес задач часто приходиться решать задачу сведения баланса на ориентированном графе — восстанавливать истинные значения потоков. Реже решается задача поиска ошибок в измерении потоков (неисправности измерителя, утечки и др.) Для решения таких задач общей практики не существуют, многие подходы являются простыми эвристиками, не учитывающими структуру графа и не предлагающие оценок точности.
В своем докладе автор предлагает решать задачу поиска ошибок измерителей с помощью нейросетей. Будет предложена концепция подхода, реализация, качественные примеры, количественные оценки предлагаемого подхода, а также рекомендации по имплементации на практике.
Уровень сложности: начинающий/средний, необходимо базовое представление MILP, базовые знания о нейросетях; ключевые слова: MILP, сведение балансов, поиск грубых ошибок, детекция ошибок измерителей, neural network, tensorflow.
Про конференции по МО и ИО
Продублирую в канал список отечественных конференций по математической оптимизации и исследованию операций:
▫️ MOTOR
▫️ IWMMA (записи докладов 2023)
▫️ ICOMP (записи докладов 2024)
▫️ Конференции по ИМ (записи докладов ИММОД-2023)
P.S.: А мы решили 11 декабря собрать очный семинар/круглый стол по оптимизации и связанным вопросам, детали буду ближе к делу.
Продублирую в канал список отечественных конференций по математической оптимизации и исследованию операций:
▫️ MOTOR
▫️ IWMMA (записи докладов 2023)
▫️ ICOMP (записи докладов 2024)
▫️ Конференции по ИМ (записи докладов ИММОД-2023)
P.S.: А мы решили 11 декабря собрать очный семинар/круглый стол по оптимизации и связанным вопросам, детали буду ближе к делу.
Мероприятия NoML в ноябре
План онлайн семинаров на ближайший месяц, все доклады по средам в 17:00 МСК, сохраняйте релевантные темы в свои календари:
▫️ 06.11 | Максим Сергеевич Николаев (МКН СПбГУ, ШАД, ПОМИ РАН), Применение байесовского подхода для максимизации прибыли в A/B-тестах;
▫️ 13.11 | Константин Игоревич Чухарев (Университет ИТМО), От SAT к SMT: новый рубеж в решении задач и формальной верификации;
▫️ 20.11 | Сергей Валерьевич Ковальчук (Университет ИТМО), Агенты искусственного интеллекта для поддержки принятия решений: контекст принятия решений, когнитивные характеристики, взаимодействие с человеком;
▫️ 27.11 | Вадим Андреевич Порватов (Сколтех), Causal Inference для вашего проекта: обзор кейсов;
Ссылка для подключения: Google Meet→
Следите за обновлениями в наших канале @noml_digest и чате @noml_community, там же публикуются более детальные анонсы предстоящих докладов.
План онлайн семинаров на ближайший месяц, все доклады по средам в 17:00 МСК, сохраняйте релевантные темы в свои календари:
▫️ 06.11 | Максим Сергеевич Николаев (МКН СПбГУ, ШАД, ПОМИ РАН), Применение байесовского подхода для максимизации прибыли в A/B-тестах;
▫️ 13.11 | Константин Игоревич Чухарев (Университет ИТМО), От SAT к SMT: новый рубеж в решении задач и формальной верификации;
▫️ 20.11 | Сергей Валерьевич Ковальчук (Университет ИТМО), Агенты искусственного интеллекта для поддержки принятия решений: контекст принятия решений, когнитивные характеристики, взаимодействие с человеком;
▫️ 27.11 | Вадим Андреевич Порватов (Сколтех), Causal Inference для вашего проекта: обзор кейсов;
Ссылка для подключения: Google Meet→
Следите за обновлениями в наших канале @noml_digest и чате @noml_community, там же публикуются более детальные анонсы предстоящих докладов.
Семинар про байесовский подход в A/B
▫️ 6 ноября (среда), 17:00 МСК
▫️ Подключение→
Выступает: Максим Сергеевич Николаев, руководитель направления Науки о данных факультета МКН СПбГУ, преподаватель статистики на МКН и в ШАД, младший научный сотрудник ПОМИ РАН
Тема: Применение байесовского подхода для максимизации прибыли в A/B-тестах
Аннотация
Представьте, что интернет-магазин хочет разослать своей аудитории информацию о скидках, но для начала хочет узнать, какой из двух вариантов объявлений лучше. Для этого он планирует провести простенький A/B-тест: выделить часть аудитории, одной ее половине послать один вариант, второй половине — другой, и потом послать всей остальной аудитории лучший из двух вариантов.
Один из фундаментальных вопросов в такого рода экспериментах: насколько большой нужно делать тестовую часть аудитории? Если взять слишком большой, то мы точно узнаем, какой вариант лучше, но при этом много пользователей (половина тестовой части!) получит неоптимальный вариант. Если же взять слишком маленькой, то мы можем неправильно определить, какой вариант лучше.
Мы рассмотрим два подхода к решению этого вопроса: с помощью проверки гипотез и с помощью байесовского метода, увидим, что байесовский подход лучше, и обсудим, почему такого рода задачи очень естественно формулировать именно в терминах байесовского подхода, а в терминах проверки гипотез — не очень.
Источник: Elea McDonnell Feit, Ron Berman, Test & roll: Profit-maximizing A/B tests (2018).
Уровень сложности: начинающий, предполагается знакомство с математической статистикой и байесовским подходом.
Ключевые слова: Байесовский подход; A/B-тестирование; Sample size.
▫️ 6 ноября (среда), 17:00 МСК
▫️ Подключение→
Выступает: Максим Сергеевич Николаев, руководитель направления Науки о данных факультета МКН СПбГУ, преподаватель статистики на МКН и в ШАД, младший научный сотрудник ПОМИ РАН
Тема: Применение байесовского подхода для максимизации прибыли в A/B-тестах
Аннотация
Представьте, что интернет-магазин хочет разослать своей аудитории информацию о скидках, но для начала хочет узнать, какой из двух вариантов объявлений лучше. Для этого он планирует провести простенький A/B-тест: выделить часть аудитории, одной ее половине послать один вариант, второй половине — другой, и потом послать всей остальной аудитории лучший из двух вариантов.
Один из фундаментальных вопросов в такого рода экспериментах: насколько большой нужно делать тестовую часть аудитории? Если взять слишком большой, то мы точно узнаем, какой вариант лучше, но при этом много пользователей (половина тестовой части!) получит неоптимальный вариант. Если же взять слишком маленькой, то мы можем неправильно определить, какой вариант лучше.
Мы рассмотрим два подхода к решению этого вопроса: с помощью проверки гипотез и с помощью байесовского метода, увидим, что байесовский подход лучше, и обсудим, почему такого рода задачи очень естественно формулировать именно в терминах байесовского подхода, а в терминах проверки гипотез — не очень.
Источник: Elea McDonnell Feit, Ron Berman, Test & roll: Profit-maximizing A/B tests (2018).
Уровень сложности: начинающий, предполагается знакомство с математической статистикой и байесовским подходом.
Ключевые слова: Байесовский подход; A/B-тестирование; Sample size.
Семинар про SAT/SMT
▫️ 13 ноября (среда), 17:00 МСК
▫️ Подключение→
Выступает: Константин Игоревич Чухарев, эксперт в области задачи выполнимости (SAT) и формальных методов, преподаватель дискретной математики и своего рода исследователь в Университете ИТМО, академический консультант в компании Huawei.
Тема: От SAT к SMT: новый рубеж в решении задач и формальной верификации
Аннотация
В этом докладе мы погрузимся в мир Satisfiability Modulo Theories (SMT) — современного подхода к решению задач, который объединяет логику с предметно-ориентированными теориями и становится ключевым инструментом в современных вычислительных науках. Мы начнём с краткого знакомства с SAT, базовой логической задачи, на основе которой строится SMT, и увидим, как добавление специализированных теорий (таких как арифметика и работа с массивами) позволяет решать более комплексные задачи. Особое внимание уделим двум основным подходам к решению SMT — энергичному (eager) и ленивому (lazy), а также разберём ключевой алгоритм DPLL(T), лежащий в основе большинства современных SMT-решателей.
Мы также поговорим о символьном исполнении — методе, который использует SMT для моделирования и проверки множества путей исполнения программ, не ограничиваясь конкретными входными данными, а оперируя их “символьными”, абстрактными значениями. Это мощный инструмент для обнаружения потенциальных ошибок в коде ещё до его запуска, который также может быть использован для автоматической генерации тестов.
Уровень сложности: начинающий, доклад будет полезен всем, кто стремится понять, как формальные методы и логическая теория находят своё применение в задачах анализа и оптимизации сложных систем.
Ключевые слова: SAT, SMT, алгоритм DPLL(T), символьное исполнение, symbolic execution.
▫️ 13 ноября (среда), 17:00 МСК
▫️ Подключение→
Выступает: Константин Игоревич Чухарев, эксперт в области задачи выполнимости (SAT) и формальных методов, преподаватель дискретной математики и своего рода исследователь в Университете ИТМО, академический консультант в компании Huawei.
Тема: От SAT к SMT: новый рубеж в решении задач и формальной верификации
Аннотация
В этом докладе мы погрузимся в мир Satisfiability Modulo Theories (SMT) — современного подхода к решению задач, который объединяет логику с предметно-ориентированными теориями и становится ключевым инструментом в современных вычислительных науках. Мы начнём с краткого знакомства с SAT, базовой логической задачи, на основе которой строится SMT, и увидим, как добавление специализированных теорий (таких как арифметика и работа с массивами) позволяет решать более комплексные задачи. Особое внимание уделим двум основным подходам к решению SMT — энергичному (eager) и ленивому (lazy), а также разберём ключевой алгоритм DPLL(T), лежащий в основе большинства современных SMT-решателей.
Мы также поговорим о символьном исполнении — методе, который использует SMT для моделирования и проверки множества путей исполнения программ, не ограничиваясь конкретными входными данными, а оперируя их “символьными”, абстрактными значениями. Это мощный инструмент для обнаружения потенциальных ошибок в коде ещё до его запуска, который также может быть использован для автоматической генерации тестов.
Уровень сложности: начинающий, доклад будет полезен всем, кто стремится понять, как формальные методы и логическая теория находят своё применение в задачах анализа и оптимизации сложных систем.
Ключевые слова: SAT, SMT, алгоритм DPLL(T), символьное исполнение, symbolic execution.
Семинар про агентные подходы в ИИ
▫️ 20 ноября (среда), 17:00 МСК
▫️ Подключение→
Выступает: Сергей Валерьевич Ковальчук, к.т.н., доцент практики Университета ИТМО
Тема: Агенты искусственного интеллекта для поддержки принятия решений: контекст принятия решений, когнитивные характеристики, взаимодействие с человеком
Аннотация
Рассматриваются вопросы применения агентных подходов для описания и поддержки процессов принятия решений в различных областях (медицина, программирование и др.). Демонстрируются примеры из практики разработки интеллектуальных систем, систем поддержки принятия решений и др. Акцент ставится на моделях поведения и принятия решений с точки зрения внутреннего (когнитивного, психологического) контекста пользователя. Анализируются возможные пути выявления и использования такого контекста при построении интеллектуальных систем.
Уровень сложности: начинающий, от слушателей ожидается базовое понимание современных концепций ИИ и машинного обучения, базовое понимание математического моделирования, понимание базовых принципов поддержки принятия решений.
Ключевые слова: decision support systems; agent-based modelling; behavioral modelling; cognitive models; human-computer interaction.
▫️ 20 ноября (среда), 17:00 МСК
▫️ Подключение→
Выступает: Сергей Валерьевич Ковальчук, к.т.н., доцент практики Университета ИТМО
Тема: Агенты искусственного интеллекта для поддержки принятия решений: контекст принятия решений, когнитивные характеристики, взаимодействие с человеком
Аннотация
Рассматриваются вопросы применения агентных подходов для описания и поддержки процессов принятия решений в различных областях (медицина, программирование и др.). Демонстрируются примеры из практики разработки интеллектуальных систем, систем поддержки принятия решений и др. Акцент ставится на моделях поведения и принятия решений с точки зрения внутреннего (когнитивного, психологического) контекста пользователя. Анализируются возможные пути выявления и использования такого контекста при построении интеллектуальных систем.
Уровень сложности: начинающий, от слушателей ожидается базовое понимание современных концепций ИИ и машинного обучения, базовое понимание математического моделирования, понимание базовых принципов поддержки принятия решений.
Ключевые слова: decision support systems; agent-based modelling; behavioral modelling; cognitive models; human-computer interaction.
NoML Recap — ИИ и агенты
Запись семинара скоро будет, а пока можно вспомнить другие наши доклады со словами “(мульти)агенты” и “ИИ”:
▫️ Сергей Грачев (Генезис Знаний), Мультиагентные технологии: решение сложных бизнес задач на принципах самоорганизации активных агентов, 2023. YouTube | Дзен | RuTube (~2 часа)
▫️ Захар Понимаш, Виктор Носко (ФракталТех), Мультиагентный искусственный интеллект: современные тренды и преимущества синергии с LLM, 2024. YouTube | Дзен | RuTube (~1 час 40 минут)
Плюс подборки материалов по теме:
▫️ Книги и лекции по MAS
▫️ LLM и MAS
Также напоминаем, что в нашем чате @noml_community можно задавать вопросы и делиться полезными материалами по теме семинара и не только.
Запись семинара скоро будет, а пока можно вспомнить другие наши доклады со словами “(мульти)агенты” и “ИИ”:
▫️ Сергей Грачев (Генезис Знаний), Мультиагентные технологии: решение сложных бизнес задач на принципах самоорганизации активных агентов, 2023. YouTube | Дзен | RuTube (~2 часа)
▫️ Захар Понимаш, Виктор Носко (ФракталТех), Мультиагентный искусственный интеллект: современные тренды и преимущества синергии с LLM, 2024. YouTube | Дзен | RuTube (~1 час 40 минут)
Плюс подборки материалов по теме:
▫️ Книги и лекции по MAS
▫️ LLM и MAS
Также напоминаем, что в нашем чате @noml_community можно задавать вопросы и делиться полезными материалами по теме семинара и не только.
Семинар про бизнес кейсы Causal Inference
▫️ 27 ноября (среда), 17:00 МСК
▫️ Подключение→
Выступает: Вадим Андреевич Порватов, ML Engineer, Skoltech
Тема: Causal Inference для вашего проекта: обзор кейсов
Аннотация
Бизнес задачи на базе аналитики и DS/ML требуют не только определения корреляций в данных, но и понимания истинных причинно-следственных связей в процессах генеририрующих эти данные. На семинаре расскажем как графы и методы из uplift-моделирования помогают приблизиться к выявлению причинности, а также поговорим, кто и где этим сейчас занимается, в том числе на примере боевых кейсов команды GlowByte Advanced Analytics.
Рассмотрим:
▫️ Основные концепции причинно-следственного анализа (Causal Inference): графовые вероятностные модели, байесовские сети, свойства сепарации и условной независимости;
▫️ Преимущества использования графов для визуализации и анализа сложных систем и их причинно-следственных связей;
▫️ Основные алгоритмы обучения структур и параметров байесовских сетей;
▫️ Два практических кейса: маркетинг — оценка эффекта от нетаргетированных кампаний и цепи поставок — оценка влияния факторов и событий на основные финансовые показатели.
Уровень сложности: начинающий, доклад рассчитан на широкую публику с базовыми знаниями об алгоритмах оценки эффекта.
Ключевые слова: causal inference, causal discovery, байесовские сети, uplift моделирование.
▫️ 27 ноября (среда), 17:00 МСК
▫️ Подключение→
Выступает: Вадим Андреевич Порватов, ML Engineer, Skoltech
Тема: Causal Inference для вашего проекта: обзор кейсов
Аннотация
Бизнес задачи на базе аналитики и DS/ML требуют не только определения корреляций в данных, но и понимания истинных причинно-следственных связей в процессах генеририрующих эти данные. На семинаре расскажем как графы и методы из uplift-моделирования помогают приблизиться к выявлению причинности, а также поговорим, кто и где этим сейчас занимается, в том числе на примере боевых кейсов команды GlowByte Advanced Analytics.
Рассмотрим:
▫️ Основные концепции причинно-следственного анализа (Causal Inference): графовые вероятностные модели, байесовские сети, свойства сепарации и условной независимости;
▫️ Преимущества использования графов для визуализации и анализа сложных систем и их причинно-следственных связей;
▫️ Основные алгоритмы обучения структур и параметров байесовских сетей;
▫️ Два практических кейса: маркетинг — оценка эффекта от нетаргетированных кампаний и цепи поставок — оценка влияния факторов и событий на основные финансовые показатели.
Уровень сложности: начинающий, доклад рассчитан на широкую публику с базовыми знаниями об алгоритмах оценки эффекта.
Ключевые слова: causal inference, causal discovery, байесовские сети, uplift моделирование.
NoML Recap — Байесовские сети и причинно-следственный анализ
Семинары, которые были у нас ранее:
▫️ Подробный доклад (на слайдах в конце есть обширный список литературы, включая статьи с важными результатами про байесовские сети): Максим Гончаров (GlowByte), От байесовских сетей к структурным причинно-следственным моделям, 2022. YouTube | Дзен | RuTube (~2 часа);
▫️ Во второй части этого доклада можно найти хорошее введение в байесовские сети: Фёдор Смирнов, Гузелия Мошнина, Рахмет Оджаев (GlowByte), Методы генерации синтетических данных, 2023. YouTube | Дзен | RuTube (~1 час 40 минут);
▫️ Доклад про причинно-следственный анализ в целом: Полина Окунева (GlowByte), Методы Causal Inference, 2022. YouTube | Дзен | RuTube (~1 час 40 минут).
Учебники и книги, которые рекомендуют участники нашего сообщества:
▫️ J. Pearl, D. Mackenzie, The Book of Why: The New Science of Cause and Effect, 2018;
▫️ J. Pearl, Causality: Models, Reasoning, and Inference, 2009;
▫️ J. Peters, D. Janzing , B. Schölkopf, Elements of Causal Inference: Foundations and Learning Algorithms, 2017;
▫️ R.E. Neapolitan, Learning Bayesian Networks, 2003;
▫️ F.V. Jensen, T.D. Nielsen, Bayesian Networks and Decision Graphs, 2007;
▫️ D. Koller, N. Friedman, Probabilistic Graphical Models: Principles and Techniques, 2009.
Курсы на Coursera:
▫️ Probabilistic Graphical Models Specialization.
Семинары, которые были у нас ранее:
▫️ Подробный доклад (на слайдах в конце есть обширный список литературы, включая статьи с важными результатами про байесовские сети): Максим Гончаров (GlowByte), От байесовских сетей к структурным причинно-следственным моделям, 2022. YouTube | Дзен | RuTube (~2 часа);
▫️ Во второй части этого доклада можно найти хорошее введение в байесовские сети: Фёдор Смирнов, Гузелия Мошнина, Рахмет Оджаев (GlowByte), Методы генерации синтетических данных, 2023. YouTube | Дзен | RuTube (~1 час 40 минут);
▫️ Доклад про причинно-следственный анализ в целом: Полина Окунева (GlowByte), Методы Causal Inference, 2022. YouTube | Дзен | RuTube (~1 час 40 минут).
Учебники и книги, которые рекомендуют участники нашего сообщества:
▫️ J. Pearl, D. Mackenzie, The Book of Why: The New Science of Cause and Effect, 2018;
▫️ J. Pearl, Causality: Models, Reasoning, and Inference, 2009;
▫️ J. Peters, D. Janzing , B. Schölkopf, Elements of Causal Inference: Foundations and Learning Algorithms, 2017;
▫️ R.E. Neapolitan, Learning Bayesian Networks, 2003;
▫️ F.V. Jensen, T.D. Nielsen, Bayesian Networks and Decision Graphs, 2007;
▫️ D. Koller, N. Friedman, Probabilistic Graphical Models: Principles and Techniques, 2009.
Курсы на Coursera:
▫️ Probabilistic Graphical Models Specialization.
Мероприятия NoML в декабре
План мероприятий на ближайший месяц, все доклады по средам в 17:00 МСК, сохраняйте релевантные темы в свои календари:
▫️ 04.12 | онлайн | Фёдор Смирнов (GlowByte Advanced Analytics), Вероятностное программирование для сегментации и восстановления временных рядов;
▫️ 11.12 | офлайн | Круглый стол: Семён Косяченко, Александр Попков, Глеб Канин (Оптимакрос); Василий Замолотов (Аксеникс); Алексей Тарасов (Разумное Расписание); Алексейс Ложкинс (LA Optimization); Максим Гончаров, Павел Снурницын (GlowByte); Математическая оптимизация: подходы, технологии, бизнес задачи и тренды;
▫️ 18.12 | онлайн | Александр Гавриков (Т-Банк, R&D центр), Задача Influence Maximization: открытые проблемы, тренды, перспективы исследований;
▫️ 25.12 | онлайн | Максим Гончаров, Павел Снурницын (GlowByte Advanced Analytics), Интеллект принятия решений: почему в эру ИИ не стоит забывать о классических методах математического моделирования;
Следите за обновлениями в наших канале @noml_digest и чате @noml_community, там же публикуются детали предстоящих докладов.
План мероприятий на ближайший месяц, все доклады по средам в 17:00 МСК, сохраняйте релевантные темы в свои календари:
▫️ 04.12 | онлайн | Фёдор Смирнов (GlowByte Advanced Analytics), Вероятностное программирование для сегментации и восстановления временных рядов;
▫️ 11.12 | офлайн | Круглый стол: Семён Косяченко, Александр Попков, Глеб Канин (Оптимакрос); Василий Замолотов (Аксеникс); Алексей Тарасов (Разумное Расписание); Алексейс Ложкинс (LA Optimization); Максим Гончаров, Павел Снурницын (GlowByte); Математическая оптимизация: подходы, технологии, бизнес задачи и тренды;
▫️ 18.12 | онлайн | Александр Гавриков (Т-Банк, R&D центр), Задача Influence Maximization: открытые проблемы, тренды, перспективы исследований;
▫️ 25.12 | онлайн | Максим Гончаров, Павел Снурницын (GlowByte Advanced Analytics), Интеллект принятия решений: почему в эру ИИ не стоит забывать о классических методах математического моделирования;
Следите за обновлениями в наших канале @noml_digest и чате @noml_community, там же публикуются детали предстоящих докладов.
Семинар про вероятностное программирование и временные ряды
▫️ 4 декабря (среда), 17:00 МСК
▫️ Подключение→
Выступает: Фёдор Смирнов, тимлид DS, практика Advanced Analytics GlowByte
Тема: Вероятностное программирование для сегментации и восстановления временных рядов
Аннотация
На семинаре будут рассмотрены упрощенные модельные примеры использования аппарата вероятностного программирования для работы с временными рядами. В частности, мы поговорим про подход к сегментации, ознакомимся с игрушечным примером восстановления промо-календаря из временного ряда, а также затронем другие области применения этого аппарата. Будет показано, как с помощью структурно-вероятностной модели и набора гипотез можно решать типовые задачи на временных рядах. В конце доклада будет представлен пример решения упрощённой задачи классическим байесовским методом без использования специализированных фреймворков.
Уровень сложности: начинающий; от слушателей ожидается: базовые знания вероятности и статистики, начальное понимание концепций временных рядов, интерес к применению вероятностных методов в анализе данных.
Ключевые слова: вероятностное программирование, структурно-вероятностные модели, map-оценка , сэмплирование, байесовские методы, анализ временных рядов.
▫️ 4 декабря (среда), 17:00 МСК
▫️ Подключение→
Выступает: Фёдор Смирнов, тимлид DS, практика Advanced Analytics GlowByte
Тема: Вероятностное программирование для сегментации и восстановления временных рядов
Аннотация
На семинаре будут рассмотрены упрощенные модельные примеры использования аппарата вероятностного программирования для работы с временными рядами. В частности, мы поговорим про подход к сегментации, ознакомимся с игрушечным примером восстановления промо-календаря из временного ряда, а также затронем другие области применения этого аппарата. Будет показано, как с помощью структурно-вероятностной модели и набора гипотез можно решать типовые задачи на временных рядах. В конце доклада будет представлен пример решения упрощённой задачи классическим байесовским методом без использования специализированных фреймворков.
Уровень сложности: начинающий; от слушателей ожидается: базовые знания вероятности и статистики, начальное понимание концепций временных рядов, интерес к применению вероятностных методов в анализе данных.
Ключевые слова: вероятностное программирование, структурно-вероятностные модели, map-оценка , сэмплирование, байесовские методы, анализ временных рядов.
Про SMT и SAT
Недавно у нас был вот такой доклад:
▫️ Константин Чухарев (ИТМО, Huawei), От SAT к SMT: новый рубеж в решении задач и формальной верификации. YouTube | Дзен | RuTube (~1 час 10 минут).
А ранее в этом году был еще вот такой:
▫️ Александр Андреев (ИТМО, GlowByte), Алгоритмы решения SAT: теоретические и практические аспекты. YouTube | Дзен | RuTube (~55 минут).
Ниже некоторые материалы по теме от участников нашего сообщества.
Для начинающих:
▫️ Простая и понятная статья, посвящённая использованию решателя Z3: Understanding SMT solvers: An Introduction to Z3 (~20 минут).
Верификация ПО — SMT-решатели значительно упрощают процесс проверки корректности программ:
▫️ Symbolic analyzer для TVM (The Telegram Open Network Virtual Machine), основанный на USVM: espritoxyz/tool;
▫️ Универсальная символическая виртуальная машина для анализа программ на Java, Python, Go: USVM;
▫️ Инструмент проверки смарт-контрактов на соответствие спецификациям: Certora.
Проверка и анализ политик безопасности — применение Automated Reasoning, кейс AWS:
▫️ Neha Rungta, A billion SMT queries a day, 2022 (~55 минут);
▫️ Andrew Gacek, How AWS uses automated reasoning to help you achieve security at scale, 2018 (~10 минут).
Реверс-инжиниринг — SMT решатели помогают анализировать программы, изучать их поведение и находить уязвимости:
▫️ Однодневный воркшоп по использованию SMT-решателей для реверс-инжиниринга. Есть примеры решение интересных CTF задач: SMT Solver Workshop, 2016.
И в тему прошлой недели: байесовские сети и причинно следственный анализ — алгоритмы обучения структуры сети на базе SAT:
▫️ S. Triantafillou, I. Tsamardinos, I.G. Tollis, Learning Causal Structure from Overlapping Variable Sets, 2010 (8 стр., ~30-40 минут);
▫️ A. Hyttinen, P.O. Hoyer, F. Eberhardt, M. Jarvisalo, Discovering Cyclic Causal Models with Latent Variables: A General SAT-Based Procedure, 2013 (9 стр., ~35-45 минут).
Недавно у нас был вот такой доклад:
▫️ Константин Чухарев (ИТМО, Huawei), От SAT к SMT: новый рубеж в решении задач и формальной верификации. YouTube | Дзен | RuTube (~1 час 10 минут).
А ранее в этом году был еще вот такой:
▫️ Александр Андреев (ИТМО, GlowByte), Алгоритмы решения SAT: теоретические и практические аспекты. YouTube | Дзен | RuTube (~55 минут).
Ниже некоторые материалы по теме от участников нашего сообщества.
Для начинающих:
▫️ Простая и понятная статья, посвящённая использованию решателя Z3: Understanding SMT solvers: An Introduction to Z3 (~20 минут).
Верификация ПО — SMT-решатели значительно упрощают процесс проверки корректности программ:
▫️ Symbolic analyzer для TVM (The Telegram Open Network Virtual Machine), основанный на USVM: espritoxyz/tool;
▫️ Универсальная символическая виртуальная машина для анализа программ на Java, Python, Go: USVM;
▫️ Инструмент проверки смарт-контрактов на соответствие спецификациям: Certora.
Проверка и анализ политик безопасности — применение Automated Reasoning, кейс AWS:
▫️ Neha Rungta, A billion SMT queries a day, 2022 (~55 минут);
▫️ Andrew Gacek, How AWS uses automated reasoning to help you achieve security at scale, 2018 (~10 минут).
Реверс-инжиниринг — SMT решатели помогают анализировать программы, изучать их поведение и находить уязвимости:
▫️ Однодневный воркшоп по использованию SMT-решателей для реверс-инжиниринга. Есть примеры решение интересных CTF задач: SMT Solver Workshop, 2016.
И в тему прошлой недели: байесовские сети и причинно следственный анализ — алгоритмы обучения структуры сети на базе SAT:
▫️ S. Triantafillou, I. Tsamardinos, I.G. Tollis, Learning Causal Structure from Overlapping Variable Sets, 2010 (8 стр., ~30-40 минут);
▫️ A. Hyttinen, P.O. Hoyer, F. Eberhardt, M. Jarvisalo, Discovering Cyclic Causal Models with Latent Variables: A General SAT-Based Procedure, 2013 (9 стр., ~35-45 минут).
NoML Recap — вероятностное программирование
Семинар вчера был в формате воркшопа, пока ждем запись и код, рекомендуем пересмотреть предыдущий доклад по теме:
▫️ Максим Гончаров (GlowByte), Вероятностное программирование: использование генеративных моделей для восстановления ненаблюдаемых факторов, 2022. YouTube | Дзен | RuTube (~2 часа 10 минут).
Плюс подборка материалов (введение в Pyro, другие фреймворки, литература):
▫️Про вероятностное программирование.
Семинар вчера был в формате воркшопа, пока ждем запись и код, рекомендуем пересмотреть предыдущий доклад по теме:
▫️ Максим Гончаров (GlowByte), Вероятностное программирование: использование генеративных моделей для восстановления ненаблюдаемых факторов, 2022. YouTube | Дзен | RuTube (~2 часа 10 минут).
Плюс подборка материалов (введение в Pyro, другие фреймворки, литература):
▫️Про вероятностное программирование.