Data Science Talks

Окрім того, щоб бути популярною професією data science ще й є широкою і різноманітною сферою, яка об’єднує багато тем. Ця подія допоможе вам дізнатись про проблеми, які зустрічаються в компаніях, що працюють з великими даними, і такі проблеми включають в себе попередню обробку даних, моделювання та дизайн рішень для специфічних випадків. Наші спікерки з таких компаній, як People.ai, DataRobot, і EvoPlay поділяться своїм досвідом в автоматизації обробки даних, побудові і покращенні моделей машинного навчання.19:00 – 19:10 – Welcome & Short Introduction of “WWCode Kyiv” organization.19:10 – 19:30 – “Data Quality Automation With Apache Spark”, Таня Луцаєвська19:30 – 19:40 – Q&A19:40 – 20:00 – “Using monotonicity constraints for Time Series models: why and how?”, Маріанна Дячук20:00 – 20:10 – Q&A20:10 – 20:30 – “How to build an anti-fraud system from scratch on the example of Tinder”, Марія Симканич20:30 – 20:40 – Q&A- Data Quality Automation With Apache Spark (Таня Луцаєвська, Senior Data Analyst at People.ai)Контроль якості даних є критичним для розуміння клієнтів і забезпечення позитивного досвіду роботи з продуктом. В цій доповіді, ми розглянемо, якою є мета якості даних, як вона може бути автоматизована, і пройдемося по найкращим практикам автоматизації і контролю якості даних в компаніях з великими даними.- Using monotonicity constraints for Time Series models: why and how? (Маріанна Дячук, Data Scientist at DataRobot)Як так, що одного дня найдешевше молоко, яке завжди було найбільш популярним втрачає свій попит і на перше місце за передбаченнями моделі виходить найдорожче молоко? Як можуть моделі не бачити стосунок між ціною та попитом, який для нас є очевидним з першого погляду?В цій доповіді ми обговоримо, коли варто звертатися до монотонного обмеження змінних та як його реалізувати використовуючи відомі алгоритми машинного навчання в аналізі часових рядів.- How to build an anti-fraud system from scratch on the example of Tinder (Марія Симканич, Data Scientist at EvoPlay)Фрод чи не фрод, або як замінити ромашку на АІ-шку. В цій доповіді розглянемо, коли потрібна антифрод система, з чого вона складається, та пофантазуємо, як зарелізити її в особистому житті – до свого профілю на Тіндері.Реєструючись на цей івент ви даєте згоду на обробку вказаних вами персональних данних для подальшої комунікації від організації Women Who Code Kyiv та її представниць.Після реєстрації приблизно за 1-2 дні до події Ви отримаєте лист-підтвердження з посиланням на підключення до вебінару.На заході обов’язковим є дотримання Кодексу поведінки (https://goo.gl/R3Tj2X)Мова: українська / російська Except for being a popular profession data science is a vast and diverse sphere that combines multiple subfields. This event will help you to find out multiple problems that occur in big data companies and are solved by the data scientists encompassing such problems as data pre-processing, modeling, and building solutions for specific use-cases. Our speakers from companies like People.ai, DataRobot, and EvoPlay will share their experience of automating data quality, building, and improving Machine Learning models.Agenda19:00 – 19:10 – Welcome & Short Introduction of “WWCode Kyiv” organization.19:10 – 19:30 – “Data Quality Automation With Apache Spark”, Tanya Lutsaievska19:30 – 19:40 – Q&A19:40 – 20:00 – “Using monotonicity constraints for Time Series models: why and how?”, Marianna Diachuk20:00 – 20:10 – Q&A20:10 – 20:30 – “How to build an anti-fraud system from scratch on the example of Tinder”, Maria Symkanych20:30 – 20:40 – General Q&A- Data Quality Automation With Apache Spark (Tanya Lutsaievska, Senior Data Analyst at People.ai )Monitoring data quality is crucial to understand customers and provide them with great product experience. In this talk, we will cover what the goal of data quality is, how it can be automated, and go through best practices of automating and monitoring data quality in a big data company.- Using monotonicity constraints for Time Series models: why and how? (Marianna Diachuk, Data Scientist at DataRobot)Why one day the cheapest milk is the most popular and another day the model tells us that the demand for the most expensive milk spikes in relation to the former one? How can the model miss out on relationships between features that are so obvious to the human eye? In this talk, we’ll discuss when using monotonicity constraints helps and how to implement it using well-known Machine Learning algorithms in Time Series problems specifically.- How to build an anti-fraud system from scratch on the example of Tinder (Maria Symkanych, Data Scientist at EvoPlay)Fraud or not? Ask AI. In this talk, we’ll discuss when you need an anti-fraud system, its structure, and we will imagine how to ship it to one’s personal life – your Tinder profile.By registering for this event you consent that your data is going to be processed for further communications from the Women Who Code Kyiv community and its’ representatives.After registering approximately 1-2 days before the event you will receive a confirmation letter with all the details for connecting to the webinar.It is required to comply with the Code of Conduct (https://goo.gl/R3Tj2X)Language: Ukrainian/Russian