Машинное обучение:
No-code кластеризация
текстов
No-code кластеризация
текстов
Совместно с экспертами Банка России и ВТБ создай прототип NLP-сервиса для разведочного анализа постов в социальных сетях с элементами конвейера обучения моделей и презентуй его на международной онлайн-конференции по анализу данных Data Fusion
Описание программы
Проблематика
Банки работают с огромными потоками текстовой информации, большая часть которых представляет собой неразмеченные и неструктурированные данные. Поэтому специалистов Data Science часто просят провести разведочный анализ коллекции текстов. Например, сгруппировать отзывы, выделить типовые запросы клиентов, найти новые виды обращений и т.д.
Разведочный анализ является вспомогательным этапом, цель которого –помочь бизнесу сформулировать конкретную задачу. Так результаты анализа обращений клиентов могут побудить колл-центр перестроить рубрикатор обращений – сервис маршрутизации (т. е. классификации и отправки) обращений на профильного специалиста.
Участники спроектируют и разработают сервис анализа текстовых данных, который позволит убрать рутину на первых этапах работы DS.
Разведочный анализ является вспомогательным этапом, цель которого –помочь бизнесу сформулировать конкретную задачу. Так результаты анализа обращений клиентов могут побудить колл-центр перестроить рубрикатор обращений – сервис маршрутизации (т. е. классификации и отправки) обращений на профильного специалиста.
Участники спроектируют и разработают сервис анализа текстовых данных, который позволит убрать рутину на первых этапах работы DS.
Участие в программе бесплатное.
Проезд, питание и проживание при участии в модуле 2 участники организовывают и оплачивают самостоятельно.
Проезд, питание и проживание при участии в модуле 2 участники организовывают и оплачивают самостоятельно.
Программа позволит участникам узнать о новейших подходах к работе с Big Data, погрузиться в изучение искусственного интеллекта и машинного обучения и применить полученные знания на практике.
Для кого эта программа
К участию в отборочных испытаниях приглашаются студенты профильных направлений российских вузов и ссузов (аналитика данных, информатика, прикладная математика, программная инженерия, системная инженерия, математическое обеспечение разработки программного обеспечения, экономика и математика и т.п.)
Программа подойдет желающим углубить знания и получить практические навыки по следующим направлениям.
Программа подойдет желающим углубить знания и получить практические навыки по следующим направлениям.
Машинное обучение:
Основы NLP
Алгоритмы кластеризации
Основы Deep Learning
Умение работать с базовыми библиотеками ML
Основы ИТ и навыки программирования
PyTorch
Front-end:
HTML + CSS
JavaScript + npm, Webpack, prettier, eslint
Фреймворк (Bootstrap/Material UI)
React
Plotly.js
React+Хуки+Redux (PWA)
Back-end:
Python
Django/Flask/Fastapi
Docker/compose
Умение работать с базами данных
Модуль 1: ТЕОРИЯ
Мы набираем участников на 2 параллельных трека: машинное обучение и разработка цифровых продуктов. Ты можешь обучаться сразу на двух треках, но в итоге нужно выбрать 1 основной, по которому мы оценим прогресс обучения. Участников, показавших наилучшие результаты мы пригласим принять участие во втором модуле, посвященном командной практической работе над проектом.
Модуль проходит в дистанционном формате.
Модуль проходит в дистанционном формате.
Трек "Машинное обучение"
Трек "Разработка цифровых продуктов"
Научишься разрабатывать типовые модели Back-сервисов для реализации бизнес-логики
Разработка Back-end и API приложения
Спроектируешь свой сервис
Познакомишься с разными способами реализации гибкой архитектуры приложения
Проектирование архитектуры
Прокачаешь навык визуализации своего продукта
Научишься превращать идеи в продукты
Создание ИТ-продукта, построение CJM
Научишься легко интегрировать RestAPI и Websocket
Разберешься с тонкостями авторизации
Попробуешь создать компоненты React
Узнаешь современные подходы к разработке UI
Разработка UI
Подготовишь общую площадку для выкатки MVP при помощи инструментов контейнеризации
Узнаешь плюсы и минусы end-2-end vs two-stage подходов к кластеризации текстов
Применишь нейросетевые подходы для кластеризации текста
Поймешь, как применять классические модели кластеризации в NLP
Познакомишься с задачей кластеризации и классическими методами ее решения
Кластеризация
Поработаешь с моделями Huggingface
Научишься получать эмбеддинги из предобученных моделей
Эмбеддинги и их виды
Поймешь, как применять эмбеддинги для решения NLP задач
На практике применишь полученные знания
Познакомишься с метриками тематического моделирования и по ним научишься оптимально подбирать число тем
Поработаешь с библиотекой gensim
Тематическое моделирование
Научишься проводить разведочный анализ и визуализировать коллекции документов
Познакомишься с методами представления текстов в ML
Познакомишься с библиотеками по препроцессингу текстовых данных, а также с библиотеками pandas, numpy, sklearn
Задачи сферы NLP
Модуль 2: ПРАКТИКА
На практическом модуле ты применишь полученные знания для разработки web-сервиса разведочного анализа данных и погрузишься в атмосферу продуктовой разработки. Совместно с менторами и командой участников ты разработаешь архитектуру сервиса и сценарии взаимодействия пользователя с сервисом.
ВАЖНО! Модуль проходит в комбинированном формате — дистанционно, с очными встречами команды и менторов в Москве.
ВАЖНО! Модуль проходит в комбинированном формате — дистанционно, с очными встречами команды и менторов в Москве.
Для успешной реализации сервиса потребуется слаженная работа команды по направлениям DS, Front-end и Back-end
DS реализуют несколько алгоритмов кластеризации текстов и подберут алгоритмы для human-in-the-loop обучения моделей.
Front-end совместно с DS придумают как «донести» модели и пайплайны до пользователей. А затем Front-end реализуют все интерфейсы: от загрузки данных до презентации результатов.
Back-end специалисты организуют оркестрацию обучения моделей, и соединят инструмент разметки и наработки DS и Front-end в единый сервис.
Команде участников практического модуля предстоит презентовать разработанный сервис на конференции DATA FUSION, ежегодной международной конференции по машинному обучению и искусственному интеллекту, посвященной синергии данных и алгоритмов работы с ними.
В конференции принимают участие ведущие эксперты в области Data Science — представители бизнес- и технологических департаментов крупнейших компаний и госорганов, а также известные российские ученые.
В конференции принимают участие ведущие эксперты в области Data Science — представители бизнес- и технологических департаментов крупнейших компаний и госорганов, а также известные российские ученые.
Презентация проекта
01
11 ноября 2022 -
24 января 2023
24 января 2023
Прием заявок
для тех, кто подал заявку
до 1 декабря
до 1 декабря
02
1 - 11 декабря 2022
Тестирование
для тех, кто подал заявку
после 1 декабря
после 1 декабря
03
25 января - 3 февраля 2023
Тестирование
лекции, мастер-классы
и самостоятельная работа
и самостоятельная работа
04
14 февраля - 7 марта 2023
Модуль 1: ТЕОРИЯ
по итогу проверки работ и заданий
05
15 марта
Оглашение
результатов модуля 1
результатов модуля 1
06
16 марта - 7 апреля 2023
07
Презентация
проекта
проекта
Модуль 2:
ПРАКТИКА
ПРАКТИКА
работа в команде, разработка
сервиса анализа текстовых данных
сервиса анализа текстовых данных
конференция Data Fusion
13 - 14 апреля 2023
Таймлайн
и дедлайны
и дедлайны
Об организаторах
Подразделение Департамента финансовых технологий Банка России, которое проводит просветительские и образовательные программы в области финансовых технологий, инноваций в платежах и финансовой кибербезопасности.
Российская финансовая группа, включающая более 20 кредитных и финансовых компаний, работающих во всех основных сегментах финансового рынка. Программа подготовлена с участием экспертов команды Департамента анализа данных и моделирования Банка ВТБ.
Физтех-школа прикладной математики и информатики (ФПМИ) МФТИ — ведущий мировой центр науки и образования в области математики и информатики. Особенность школы заключается в том, что она сочетает в себе активную научную деятельность и тесную связь с индустрией.
Менторы и преподаватели
- Лев МеркушовМентор модуля "Машинное обучение",
ПАО ВТБ, Директор управления перспективных алгоритмов машинного обучения департамента анализа данных и моделирования - Дмитрий ПоповМентор модуля "Разработка цифрового продукта",
ГК Иннотех, Директор по управлению портфелем проектов - Сергей МуравьевПреподаватель модуля "Машинное обучение",
руководитель образовательной программы «Глубокое
обучение и генеративный искусственный интеллект»,
Университет ИТМО - Анна Колесникова
Преподаватель модуля "Разработка цифровых продуктов", руководитель проектов, директор по развитию продуктов и новых направлений бизнеса
Анастасия Смирнова
Преподаватель модуля "Разработка цифровых продуктов", FullStack-разработчик в компании "ГЕРОФАРМ"
Николай Хитров
Преподаватель модуля "Разработка цифровых продуктов", Backend-разработчик в компании "Литрес"
Тигран Мовсисян
Преподаватель модуля "Разработка цифровых продуктов"
Фотогалерея
