Python meetup (Online)

Предметом доклада является один из этапов обработки входных данных при построении моделей машинного обучения (хотя применение вовсе не ограничено этой областью) - понижение размерности. Доклад будет полезен всем, кто хочет лучше понять что кроется за fit_transform() у, например, неотрицательного матричного разложения и почему это работает (иногда). Я постараюсь дать наиболее полный обзор методов, привести ссылки на реализации, провести сравнение (производительности, качества) и погрузить слушателей в математические детали.

Для подготовки качественной модели машинного обучения вам могут потребоваться признаки из мира гео-данных. Таких признаков существует огромное количество, а добывать их можно самыми разными способами. При помощи гео-данных можно обогатить исходный датасет, получить новые интересные зависимости и улучшить метрики ваших моделей. Ну, и конечно же, отобразить исходную информацию на карте :)

Однако, при работе с географической информации перед вами наверняка встанет целый ряд вопросов, а именно - как не запутаться в свойствах геометрий, какой формат данных лучше всего подойдет для комфортной работы, как правильно объединять гео-данные, какие значимые признаки можно добыть из географических данных и многие другие.

Итак, в этом видео мы обсудим все эти насущные вопросы и расскажем о том как получить по-настоящему полезные и достоверные гео-данные.

- обсудим премущества, которые дает изучение алгоритмов, и какие навыки это помогает развить
- полезные советы для тех кто хочет начать или как наиболее оптимально и эффективно изучать эту отрасль

Монетизация в моб. играх строится на внутриигровых продажах. Обычно платят не более 10% пользователей. Очень важно удерживать платящих игроков и стимулировать их платить как можно больше. Именно поэтому мы построили систему предсказания платежей.

Мы храним и обрабатываем данные в Clickhouse. Для оркестрации пайплайнов используем Apache Airflow. Обучаем модели с помощью CatBoost, а в качестве MLOps решения выступает Clear.ml поверх AWS S3, там мы храним конфиги, модели и прочие артифакты экспериментов. Для мониторинга в продакшене используем Apache Superset.

Описанная архитектура позволяет проводить воспроизводимые ML-эксперименты, масштабировать процесс и оперативно катить в продакшен.