Машинное обучение в электронной коммерции – практика использования и подводные камни (Александр Сербул, SECR-2017) — различия между версиями
Материал из 0x1.tv
StasFomin (обсуждение | вклад) (Новая страница: «;{{SpeakerInfo}}: {{Speaker|Александр Сербул}} <blockquote> Доклад позволит соориентироваться в плеяде сов…») |
StasFomin (обсуждение | вклад) |
||
;{{SpeakerInfo}}: {{Speaker|Александр Сербул}} <blockquote> Доклад позволит соориентироваться в плеяде современных алгоритмов машинного обучения в разрезе прикладного использования для электронной коммерции и выбрать необходимые бесплатные библиотеки для реализации задач. Мы поделимся практическим опытом и историями успеха использования данных технологий в продакшн-среде. Также особое внимание уделим технике использования популярных платформ и библиотек: Apache Spark, Spark MLlib, Hadoop, Amazon Kinesis, deeplearning4j. Отдельно остановимся на особенностях обработки “больших данных”, выборе и разработке параллельных алгоритмов для ML. </blockquote> {{VideoSection}} {{vimeoembed|240325309|800|450}} <!-- {{youtubelink|}} --> {{SlidesSection}} [[File:Машинное обучение в электронной коммерции – практика использования и подводные камни (Александр Сербул, SECR-2017).pdf|left|page=-|300px]] {{----}} {{LinksSection}} * [http://2017.secr.ru/program/submitted-presentations/machine-learning-in-e-commerce Страничка доклада на сайте конференции] <!-- <blockquote>[©]</blockquote> --> <references/> <!-- topub --> [[Категория:SECR-2017]] [[Категория:Draft]] |
Версия 21:48, 6 ноября 2017
- Докладчик
- Александр Сербул
Доклад позволит соориентироваться в плеяде современных алгоритмов машинного обучения в разрезе прикладного использования для электронной коммерции и выбрать необходимые бесплатные библиотеки для реализации задач. Мы поделимся практическим опытом и историями успеха использования данных технологий в продакшн-среде.
Также особое внимание уделим технике использования популярных платформ и библиотек: Apache Spark, Spark MLlib, Hadoop, Amazon Kinesis, deeplearning4j. Отдельно остановимся на особенностях обработки “больших данных”, выборе и разработке параллельных алгоритмов для ML.
Видео
Презентация
Примечания и ссылки