Лекции от компаний

Виталий Ширяев, НЛМК, “О задачах анализа данных и математического моделирования на НЛМК”

Краткий обзор задач НЛМК, связанных с применением методов машинного обучения, математического моделирования и методов оптимизации.

Задача на ТЭЦ НЛМК заключается в минимизации затрат на закупку природного газа и электричества при производстве пара для нужд предприятия. Такая минимизация производится с помощью оптимального распределения нагрузки на всех котлах и максимального использования доменного и коксовых газов. Оптимальное распределение нагрузки по котлам учитывает факт, что в разных режимах котёл работает с разным КПД. Зависимость выработки пара и потребления электроэнергии каждым котлом от объёма поступающих газов определяется по историческим данным.

Ирина Пионтковская, Huawei, «Projects and Research Directions of Huawei Noah’s Ark Lab»

Мастер-классы

Антон Слесарев , Яндекс, «HD maps construction»

Для участия просьба зарегистрироваться

Abstract. We give an introduction to probabilistic robotics. Take a tour to GraphSLAM optimization and building High Definition (HD) maps. We are going to learn how to construct basic probabilistic control and perception models aligned with raw sensor data and then find parameters of the joint model via optimization.

Антон Дворкович, Яндекс, «Исправление опечаток»

Константин Яковлев, ФИЦ ИУ «Single- and multi-agent path finding algorithms»

Prerequisites: Python+Jupyter. A*/CBS Jupyter notebooks are here.

Abstract. Path finding is a vital capability of an intelligent agent (robot, computer game character, etc.) operating in either virtual or real environment. It has been extensively studied and although a profound progress was made in this field, solving numerous path planning problems is still a challenge.
It this tutorial we will cover two the most prominent path finding algorithms, i.e. A* for single agent PF and Conflict Based Search (CBS) for multi-agent PF. We will go through the main theoretical concepts that lie behind those algorithms and will code them in Python.

Рикардо Р. Гудвин «Using CST to build a Cognitive Architecture controlling an NPC in a Computer Game»

Software and task description are here

Abstract. In this practical seminar, we provide a step-by-step demonstration illustrating the main foundations of the CST Cognitive Systems Toolkit in building a cognitive architecture to work as an artificial mind for controlling an NPC (non-player character) in a 3D virtual environment computer game. We start by introducing the main foundations of CST: Codelets and Memories, and how they should be used to integrate a cognitive architecture, controlling the NPC. The demonstration is a hands-on programming activity, using Java and Netbeans as language/tool.

Диляра Баймурзина, iPavlov, «How to solve NLP tasks with DeepPavlov» 

Для участия необходима регистрация

Prerequisites. Python+Jupyter.

Abstract. DeepPavlov is the open-source library for building chat-bots and complex conversational systems. The introductory lecture on existing NLP tasks and current common solutions will be given. The second part of the workshops is to familiarize participants with DeepPavlov main commands and to try to use several DeepPavlov components.

Иван Фурсов, Tinkoff, «Neural Networks with Attention Mechanism for Efficient Paraphrase Retrieval» 

Для участия необходима регистрация

Abstract. In this tutorial, we study the task of modeling a system, which aims to compare two sentences and identify the relationship between them. In particular, we will develop a paraphrase identification model, and use it to determine whether two sentences are paraphrase or not. The tutorial covers baseline approaches to solving this task, attention mechanisms in NLP, techniques to speed up inference and how a paraphrase identification task can replace text classification task.

Иван Мазуренко, Huawei, «On fundamental mathematical problems of deep learning»

Abstract. A survey of open mathematical problems in the theory of deep neural networks (such as expressiveness, robustness, convergence, capacity problems) will be preented. Practical applications of these problems will be illustrated using examples from Huawei industry projects.

Илья Шепель, НКБ ВС, «ROS and virtual modeling tools. How to start assembling and developing robots «on the table».

Для участия просьба пройти регистрацию

Abstract. In this tutorial we will show how to develop the algorithms of a mobile robot with technical vision based on lidar. We will solve the problem of autonomous movement in the external environment using simulation tools and ROS infrastructure.

Конкурсы

Конкурс НЛМК. «Прогнозирование износа валков прокатного стана горячей прокатки»

Подробное описание наKaggle

Необходимое ПО: Python, Anaconda (sklearn), Excel

Аннотация. Обработка металла на стане горячей прокатки разбита на партии. После каждой партии стан останавливается, и все валки заменяются. Отработанные валки отправляются на шлифовку для удаления дефектов и приведения поверхности валка к необходимому профилю. После шлифовки валки снова устанавливаются на стан для дальнейшей работы. Валки эксплуатируются до полного износа рабочего слоя. Износ валка определяется как уменьшение диаметра валка при его эксплуатации и последующей шлифовке. Износ может зависеть от типа материала валка, места его установки и от прокатываемого сортамента. На основе статистических данных и теоретических соображений необходимо построить математическую модель износа рабочих валков и спрогнозировать износ валков после каждой партии.

Конкурс лаборатории Когнитивных динамических систем МФТИ, «Computer vision and reinforcement learning»

Registration, Presentation, GitHub

Abstract. Creation of an improved program for the accident-free movement of a car at an unregulated crossroad using video from an unmanned aerial vehicle. This will require the usage of deep learning approaches to recognize cars on the images and reinforcement training to plan their movement.

 

Конкурс Huawei. «Обучение функции похожести для дескрипторов лица»

Registration, Presentation, Kaggle, GitHub, Telegram

Задача: Придумать и реализовать метрику (функцию похожести), которая давала бы лучший процент распознавания (идентификации\верификации) лиц на фотографиях по сравнению с опорным методом вычисления L2.

Описание: Современные методы распознавания (идентификации) в основном используют следующую парадигму: с помощью глубокой нейросети изначально извлекается вектор (дескриптор) объекта (например, фотографии), после чего на основе простой метрики (например, L2 в евклидовом пространстве) выбирается ближайший (-ие) из множества заранее полученных с помощью той же нейросети дескрипторов других объектов, среди которых мы и будем искать пару запрос<->БД. Для систем верификации применяется метрика между дескриптором объекта-запроса и заранее вычисленного для этого же объекта шаблона-дескриптора, после чего применяется решение о совпадении объектов на основе сравнения этой метрики с неким порогом.

Язык программирования: Python 3.