Ансамбли и методы их обучения на реальных примерах
Доклад принят в программу конференции
Целевая аудитория
Тезисы
Многие специалисты в области ML знакомы с методами бустинга, бэггинга и стэкинга, и даже используют такие алгоритмы как случайные леса, CatBoost и AdaBoost в своей работе. В докладе мы рассмотрим, как на практике появляются похожие задачи, где участвуют разнородные модели. Мы подробно разберем процесс обучения таких ансамблей и методы штрафования для повышения их эффективности.
Поговорим немного о теории, но основное внимание будет уделено реальным примерам из промышленной практики, которые наглядно демонстрируют успешное применение ансамблей моделей. Также рассмотрим пример одновременного обучения нескольких моделей компьютерного зрения (CV).
Руководитель практики ML/AI ГК Юзтех с опытом 15+ лет. Закончил Московский государственный университет им. М.В. Ломоносова и аспирантуру факультета ВМК. Кандидат физико-математических наук, автор более 30 научных работ в журналах уровня Applicable analysis, Mathematical and Computational Applications (MDPI), Journal of Marine Scince and Engineering. На протяжении последних 11 лет разрабатывает математические модели с использованием машинного обучения для разных классов задач. В последнее время активно занимается технологией траекторной обработки векторных трехмерных данных.
ГК Юзтех
Видео
Другие доклады секции
ML и AI в производственных компаниях