狠狠撸shows by User: BartomiejTwardowski / http://www.slideshare.net/images/logo.gif 狠狠撸shows by User: BartomiejTwardowski / Wed, 31 May 2017 09:07:19 GMT 狠狠撸Share feed for 狠狠撸shows by User: BartomiejTwardowski DSS2017 - Machine Learning w reklamie RTB /slideshow/dss2017-machine-learning-w-reklamie-rtb/76516668 dss2017btwardowmlinrtb-170531090719
Prezentacja z Data Science Summit 2017 o wykorzystaniu metod uczenia maszynowego w reklamie RTB w firmie Adform. Prezentacja zawiera opis RTB oraz przyk艂ad modelowania optymalizacji CPC. Dodatkowo przedstawione s膮 metody wykorzystywane dla zapewnienia odpowiednich restrykcji czasowych. Na koniec - trendy, linki, referencje.]]>
Prezentacja z Data Science Summit 2017 o wykorzystaniu metod uczenia maszynowego w reklamie RTB w firmie Adform. Prezentacja zawiera opis RTB oraz przyk艂ad modelowania optymalizacji CPC. Dodatkowo przedstawione s膮 metody wykorzystywane dla zapewnienia odpowiednich restrykcji czasowych. Na koniec - trendy, linki, referencje.]]> Wed, 31 May 2017 09:07:19 GMT /slideshow/dss2017-machine-learning-w-reklamie-rtb/76516668 BartomiejTwardowski@slideshare.net(BartomiejTwardowski) DSS2017 - Machine Learning w reklamie RTB BartomiejTwardowski Prezentacja z Data Science Summit 2017 o wykorzystaniu metod uczenia maszynowego w reklamie RTB w firmie Adform. Prezentacja zawiera opis RTB oraz przyk艂ad modelowania optymalizacji CPC. Dodatkowo przedstawione s膮 metody wykorzystywane dla zapewnienia odpowiednich restrykcji czasowych. Na koniec - trendy, linki, referencje. <img style="border:1px solid #C3E6D8;float:right;" alt="" src="https://cdn.slidesharecdn.com/ss_thumbnails/dss2017btwardowmlinrtb-170531090719-thumbnail.jpg?width=120&amp;height=120&amp;fit=bounds" /><br> Prezentacja z Data Science Summit 2017 o wykorzystaniu metod uczenia maszynowego w reklamie RTB w firmie Adform. Prezentacja zawiera opis RTB oraz przyk艂ad modelowania optymalizacji CPC. Dodatkowo przedstawione s膮 metody wykorzystywane dla zapewnienia odpowiednich restrykcji czasowych. Na koniec - trendy, linki, referencje.
DSS2017 - Machine Learning w reklamie RTB from Bartlomiej Twardowski
]]> 1220 6 https://cdn.slidesharecdn.com/ss_thumbnails/dss2017btwardowmlinrtb-170531090719-thumbnail.jpg?width=120&height=120&fit=bounds presentation Black http://activitystrea.ms/schema/1.0/post http://activitystrea.ms/schema/1.0/posted 0 Warsaw Data Science - Recsys2016 Quick Review /slideshow/warsaw-data-science-recsys2016-quick-review/67394302 recsys2016reviewbtwardow-161019075606
My personal, quick review of ACM RecSys conference 2016.]]>
My personal, quick review of ACM RecSys conference 2016.]]> Wed, 19 Oct 2016 07:56:06 GMT /slideshow/warsaw-data-science-recsys2016-quick-review/67394302 BartomiejTwardowski@slideshare.net(BartomiejTwardowski) Warsaw Data Science - Recsys2016 Quick Review BartomiejTwardowski My personal, quick review of ACM RecSys conference 2016. <img style="border:1px solid #C3E6D8;float:right;" alt="" src="https://cdn.slidesharecdn.com/ss_thumbnails/recsys2016reviewbtwardow-161019075606-thumbnail.jpg?width=120&amp;height=120&amp;fit=bounds" /><br> My personal, quick review of ACM RecSys conference 2016.
Warsaw Data Science - Recsys2016 Quick Review from Bartlomiej Twardowski
]]> 803 2 https://cdn.slidesharecdn.com/ss_thumbnails/recsys2016reviewbtwardow-161019075606-thumbnail.jpg?width=120&height=120&fit=bounds presentation Black http://activitystrea.ms/schema/1.0/post http://activitystrea.ms/schema/1.0/posted 0 Warsaw Data Science - Factorization Machines Introduction /slideshow/warsaw-data-science-factorization-machines-introduction/67394300 2016wdsmeetupfmintrobtwardow-161019075557
Introduction to Factorization Machines model with an example. Motivations - why you should have it in your toolbox, model and it expressiveness, use case for context-aware recommendations and Field-Aware Factorization Machines. ]]>
Introduction to Factorization Machines model with an example. Motivations - why you should have it in your toolbox, model and it expressiveness, use case for context-aware recommendations and Field-Aware Factorization Machines. ]]> Wed, 19 Oct 2016 07:55:57 GMT /slideshow/warsaw-data-science-factorization-machines-introduction/67394300 BartomiejTwardowski@slideshare.net(BartomiejTwardowski) Warsaw Data Science - Factorization Machines Introduction BartomiejTwardowski Introduction to Factorization Machines model with an example. Motivations - why you should have it in your toolbox, model and it expressiveness, use case for context-aware recommendations and Field-Aware Factorization Machines. <img style="border:1px solid #C3E6D8;float:right;" alt="" src="https://cdn.slidesharecdn.com/ss_thumbnails/2016wdsmeetupfmintrobtwardow-161019075557-thumbnail.jpg?width=120&amp;height=120&amp;fit=bounds" /><br> Introduction to Factorization Machines model with an example. Motivations - why you should have it in your toolbox, model and it expressiveness, use case for context-aware recommendations and Field-Aware Factorization Machines.
Warsaw Data Science - Factorization Machines Introduction from Bartlomiej Twardowski
]]> 2116 4 https://cdn.slidesharecdn.com/ss_thumbnails/2016wdsmeetupfmintrobtwardow-161019075557-thumbnail.jpg?width=120&height=120&fit=bounds presentation Black http://activitystrea.ms/schema/1.0/post http://activitystrea.ms/schema/1.0/posted 0 Recsys 2016: Modeling Contextual Information in Session-Aware Recommender Systems with Neural Networks (Bart艂omiej Twardowski) /slideshow/recsys-2016-modeling-contextual-information-in-sessionaware-recommender-systems-with-neural-networks-bartomiej-twardowski/66216261 recsys2016presentation-160920142352
Modeling Contextual Information in Session-Aware Recommender Systems with Neural Networks, RecSys 2016 Boston, Bart艂omiej Twardowski Presentation for a paper: http://dl.acm.org/citation.cfm?id=2959162 Abstract: Preparing recommendations for unknown users or such that correctly respond to the short-term needs of a particular user is one of the fundamental problems for e-commerce. Most of the common Recommender Systems assume that user identification must be explicit. In this paper a Session-Aware Recommender System approach is presented where no straightforward user information is required. The recommendation process is based only on user activity within a single session, defined as a sequence of events. This information is incorporated in the recommendation process by explicit context modeling with factorization methods and a novel approach with Recurrent Neural Network (RNN). Compared to the session modeling approach, RNN directly models the dependency of user observed sequential behavior throughout its recurrent structure. The evaluation discusses the results based on sessions from real-life system with ephemeral items (identified only by the set of their attributes) for the task of top-n best recommendations.]]>
Modeling Contextual Information in Session-Aware Recommender Systems with Neural Networks, RecSys 2016 Boston, Bart艂omiej Twardowski Presentation for a paper: http://dl.acm.org/citation.cfm?id=2959162 Abstract: Preparing recommendations for unknown users or such that correctly respond to the short-term needs of a particular user is one of the fundamental problems for e-commerce. Most of the common Recommender Systems assume that user identification must be explicit. In this paper a Session-Aware Recommender System approach is presented where no straightforward user information is required. The recommendation process is based only on user activity within a single session, defined as a sequence of events. This information is incorporated in the recommendation process by explicit context modeling with factorization methods and a novel approach with Recurrent Neural Network (RNN). Compared to the session modeling approach, RNN directly models the dependency of user observed sequential behavior throughout its recurrent structure. The evaluation discusses the results based on sessions from real-life system with ephemeral items (identified only by the set of their attributes) for the task of top-n best recommendations.]]> Tue, 20 Sep 2016 14:23:52 GMT /slideshow/recsys-2016-modeling-contextual-information-in-sessionaware-recommender-systems-with-neural-networks-bartomiej-twardowski/66216261 BartomiejTwardowski@slideshare.net(BartomiejTwardowski) Recsys 2016: Modeling Contextual Information in Session-Aware Recommender Systems with Neural Networks (Bart艂omiej Twardowski) BartomiejTwardowski Modeling Contextual Information in Session-Aware Recommender Systems with Neural Networks, RecSys 2016 Boston, Bart艂omiej Twardowski Presentation for a paper: http://dl.acm.org/citation.cfm?id=2959162 Abstract: Preparing recommendations for unknown users or such that correctly respond to the short-term needs of a particular user is one of the fundamental problems for e-commerce. Most of the common Recommender Systems assume that user identification must be explicit. In this paper a Session-Aware Recommender System approach is presented where no straightforward user information is required. The recommendation process is based only on user activity within a single session, defined as a sequence of events. This information is incorporated in the recommendation process by explicit context modeling with factorization methods and a novel approach with Recurrent Neural Network (RNN). Compared to the session modeling approach, RNN directly models the dependency of user observed sequential behavior throughout its recurrent structure. The evaluation discusses the results based on sessions from real-life system with ephemeral items (identified only by the set of their attributes) for the task of top-n best recommendations. <img style="border:1px solid #C3E6D8;float:right;" alt="" src="https://cdn.slidesharecdn.com/ss_thumbnails/recsys2016presentation-160920142352-thumbnail.jpg?width=120&amp;height=120&amp;fit=bounds" /><br> Modeling Contextual Information in Session-Aware Recommender Systems with Neural Networks, RecSys 2016 Boston, Bart艂omiej Twardowski Presentation for a paper: http://dl.acm.org/citation.cfm?id=2959162 Abstract: Preparing recommendations for unknown users or such that correctly respond to the short-term needs of a particular user is one of the fundamental problems for e-commerce. Most of the common Recommender Systems assume that user identification must be explicit. In this paper a Session-Aware Recommender System approach is presented where no straightforward user information is required. The recommendation process is based only on user activity within a single session, defined as a sequence of events. This information is incorporated in the recommendation process by explicit context modeling with factorization methods and a novel approach with Recurrent Neural Network (RNN). Compared to the session modeling approach, RNN directly models the dependency of user observed sequential behavior throughout its recurrent structure. The evaluation discusses the results based on sessions from real-life system with ephemeral items (identified only by the set of their attributes) for the task of top-n best recommendations.
Recsys 2016: Modeling Contextual Information in Session-Aware Recommender Systems with Neural Networks (Bart銉婏及miej Twardowski) from Bartlomiej Twardowski
]]> 1287 3 https://cdn.slidesharecdn.com/ss_thumbnails/recsys2016presentation-160920142352-thumbnail.jpg?width=120&height=120&fit=bounds presentation 000000 http://activitystrea.ms/schema/1.0/post http://activitystrea.ms/schema/1.0/posted 0 Prezentacja z Big Data Tech 2016: Machine Learning vs Big Data /slideshow/prezentacja-z-big-data-tech-2016-machine-learning-vs-big-data/61170202 prezentacjabigdata20161-160421013822
Machine Learning vs Big Data - od pomys艂u do produkcji. Prezentacja: B.Twardowski, P.Zawistowski]]>
Machine Learning vs Big Data - od pomys艂u do produkcji. Prezentacja: B.Twardowski, P.Zawistowski]]> Thu, 21 Apr 2016 01:38:22 GMT /slideshow/prezentacja-z-big-data-tech-2016-machine-learning-vs-big-data/61170202 BartomiejTwardowski@slideshare.net(BartomiejTwardowski) Prezentacja z Big Data Tech 2016: Machine Learning vs Big Data BartomiejTwardowski Machine Learning vs Big Data - od pomys艂u do produkcji. Prezentacja: B.Twardowski, P.Zawistowski <img style="border:1px solid #C3E6D8;float:right;" alt="" src="https://cdn.slidesharecdn.com/ss_thumbnails/prezentacjabigdata20161-160421013822-thumbnail.jpg?width=120&amp;height=120&amp;fit=bounds" /><br> Machine Learning vs Big Data - od pomys艂u do produkcji. Prezentacja: B.Twardowski, P.Zawistowski
Prezentacja z Big Data Tech 2016: Machine Learning vs Big Data from Bartlomiej Twardowski
]]> 970 7 https://cdn.slidesharecdn.com/ss_thumbnails/prezentacjabigdata20161-160421013822-thumbnail.jpg?width=120&height=120&fit=bounds presentation Black http://activitystrea.ms/schema/1.0/post http://activitystrea.ms/schema/1.0/posted 0 Rekomendujemy - Szybkie wprowadzenie do system贸w rekomendacji oraz troch臋 wie艣ci z frontu /slideshow/rekomendujemy-szybkie-wprowadzenie-do-systemw-rekomendacji-oraz-troch-wieci-z-frontu/53640303 ds-meetup1-recsys-btwardow-151007103302-lva1-app6891
W zalewie informacji odnalezienie tych kt贸re nas rzeczywi艣cie interesuj膮 staje si臋 bardzo trudne. Wspomagaj膮 nas w tym systemy IR, np. w postaci wyszukiwarek internetowych. O krok dalej id膮 systemy rekomendacji, pr贸buj膮c odgadn膮膰 preferencje u偶ytkownika i zaoferowa膰 najlepiej spersonalizowane tre艣ci automatycznie. Podej艣cie do problemu rekomendacji u偶ytkownikowi najbardziej dopasowanych informacji zmienia艂o si臋 w czasie. Aktualnie do wyboru mamy szereg gotowych do zastosowania metod: od prostego opisu podobie艅stwa u偶ytkownik贸w, ko艅cz膮c na z艂o偶onych modelach trenowanych przez metody ML. Trudno艣膰 zaczyna stanowi膰 poprawne zrozumienie problemu/domeny, odpowiednie dobranie metody rekomendacji oraz spos贸b jej pomiaru. Na prezentacji zostanie przedstawione kr贸tkie wprowadzenie do tematyki system贸w rekomendacji. Om贸wione zostan膮 metod rekomendacji oraz sposoby ich ewaluacja. Zaprezentowane zostanie podej艣cie do problemu jako "ranking top-N" najlepszych ofert. Ca艂o艣膰 uzupe艂niona zostanie do艣wiadczeniami i ciekawymi problemami z implementacji platformy rekomendacyjnej dla najwi臋kszego serwisu e-commerce w Polsce.]]>
W zalewie informacji odnalezienie tych kt贸re nas rzeczywi艣cie interesuj膮 staje si臋 bardzo trudne. Wspomagaj膮 nas w tym systemy IR, np. w postaci wyszukiwarek internetowych. O krok dalej id膮 systemy rekomendacji, pr贸buj膮c odgadn膮膰 preferencje u偶ytkownika i zaoferowa膰 najlepiej spersonalizowane tre艣ci automatycznie. Podej艣cie do problemu rekomendacji u偶ytkownikowi najbardziej dopasowanych informacji zmienia艂o si臋 w czasie. Aktualnie do wyboru mamy szereg gotowych do zastosowania metod: od prostego opisu podobie艅stwa u偶ytkownik贸w, ko艅cz膮c na z艂o偶onych modelach trenowanych przez metody ML. Trudno艣膰 zaczyna stanowi膰 poprawne zrozumienie problemu/domeny, odpowiednie dobranie metody rekomendacji oraz spos贸b jej pomiaru. Na prezentacji zostanie przedstawione kr贸tkie wprowadzenie do tematyki system贸w rekomendacji. Om贸wione zostan膮 metod rekomendacji oraz sposoby ich ewaluacja. Zaprezentowane zostanie podej艣cie do problemu jako "ranking top-N" najlepszych ofert. Ca艂o艣膰 uzupe艂niona zostanie do艣wiadczeniami i ciekawymi problemami z implementacji platformy rekomendacyjnej dla najwi臋kszego serwisu e-commerce w Polsce.]]> Wed, 07 Oct 2015 10:33:02 GMT /slideshow/rekomendujemy-szybkie-wprowadzenie-do-systemw-rekomendacji-oraz-troch-wieci-z-frontu/53640303 BartomiejTwardowski@slideshare.net(BartomiejTwardowski) Rekomendujemy - Szybkie wprowadzenie do system贸w rekomendacji oraz troch臋 wie艣ci z frontu BartomiejTwardowski W zalewie informacji odnalezienie tych kt贸re nas rzeczywi艣cie interesuj膮 staje si臋 bardzo trudne. Wspomagaj膮 nas w tym systemy IR, np. w postaci wyszukiwarek internetowych. O krok dalej id膮 systemy rekomendacji, pr贸buj膮c odgadn膮膰 preferencje u偶ytkownika i zaoferowa膰 najlepiej spersonalizowane tre艣ci automatycznie. Podej艣cie do problemu rekomendacji u偶ytkownikowi najbardziej dopasowanych informacji zmienia艂o si臋 w czasie. Aktualnie do wyboru mamy szereg gotowych do zastosowania metod: od prostego opisu podobie艅stwa u偶ytkownik贸w, ko艅cz膮c na z艂o偶onych modelach trenowanych przez metody ML. Trudno艣膰 zaczyna stanowi膰 poprawne zrozumienie problemu/domeny, odpowiednie dobranie metody rekomendacji oraz spos贸b jej pomiaru. Na prezentacji zostanie przedstawione kr贸tkie wprowadzenie do tematyki system贸w rekomendacji. Om贸wione zostan膮 metod rekomendacji oraz sposoby ich ewaluacja. Zaprezentowane zostanie podej艣cie do problemu jako "ranking top-N" najlepszych ofert. Ca艂o艣膰 uzupe艂niona zostanie do艣wiadczeniami i ciekawymi problemami z implementacji platformy rekomendacyjnej dla najwi臋kszego serwisu e-commerce w Polsce. <img style="border:1px solid #C3E6D8;float:right;" alt="" src="https://cdn.slidesharecdn.com/ss_thumbnails/ds-meetup1-recsys-btwardow-151007103302-lva1-app6891-thumbnail.jpg?width=120&amp;height=120&amp;fit=bounds" /><br> W zalewie informacji odnalezienie tych kt贸re nas rzeczywi艣cie interesuj膮 staje si臋 bardzo trudne. Wspomagaj膮 nas w tym systemy IR, np. w postaci wyszukiwarek internetowych. O krok dalej id膮 systemy rekomendacji, pr贸buj膮c odgadn膮膰 preferencje u偶ytkownika i zaoferowa膰 najlepiej spersonalizowane tre艣ci automatycznie. Podej艣cie do problemu rekomendacji u偶ytkownikowi najbardziej dopasowanych informacji zmienia艂o si臋 w czasie. Aktualnie do wyboru mamy szereg gotowych do zastosowania metod: od prostego opisu podobie艅stwa u偶ytkownik贸w, ko艅cz膮c na z艂o偶onych modelach trenowanych przez metody ML. Trudno艣膰 zaczyna stanowi膰 poprawne zrozumienie problemu/domeny, odpowiednie dobranie metody rekomendacji oraz spos贸b jej pomiaru. Na prezentacji zostanie przedstawione kr贸tkie wprowadzenie do tematyki system贸w rekomendacji. Om贸wione zostan膮 metod rekomendacji oraz sposoby ich ewaluacja. Zaprezentowane zostanie podej艣cie do problemu jako &quot;ranking top-N&quot; najlepszych ofert. Ca艂o艣膰 uzupe艂niona zostanie do艣wiadczeniami i ciekawymi problemami z implementacji platformy rekomendacyjnej dla najwi臋kszego serwisu e-commerce w Polsce.
Rekomendujemy - Szybkie wprowadzenie do system贸w rekomendacji oraz troch臋 wie艣ci z frontu from Bartlomiej Twardowski
]]> 4715 6 https://cdn.slidesharecdn.com/ss_thumbnails/ds-meetup1-recsys-btwardow-151007103302-lva1-app6891-thumbnail.jpg?width=120&height=120&fit=bounds presentation Black http://activitystrea.ms/schema/1.0/post http://activitystrea.ms/schema/1.0/posted 0 allegrotech - Data science meetup #1 Intro /slideshow/allegrotech-data-science-meetup-1-intro/53638502 datascience-meetupintro-151007095109-lva1-app6891
Pierwsza prezentacja meetupu Data Science pod szyldem allegrotech. Zapraszamy na spotkania dotycz膮ce analizy du偶ych zbior贸w danych. Chcieliby艣my opowiedzie膰 Wam o wyzwaniach, z kt贸rymi mamy do czynienia w naszej pracy w Allegro. Chcemy skupi膰 si臋 na technikach statystycznych, ale b臋dziemy m贸wi膰 r贸wnie偶 o technologiach, z kt贸rych korzystamy. B臋dzie o Sparku, Elasticsearchu, Kibanie, Tezie, Drillu, Scali, Pythonie, R czy Julii. Analiza danych, statystyka i uczenie maszynowe b臋d膮 jednak zawsze na pierwszym planie. Nie chcemy duplikowa膰 tematyki poruszanej na innych meetupach. Chcemy m贸wi膰 o konkretnych zastosowaniach i konkretnych problemach, z kt贸rymi mamy do czynienia. Mamy nadziej臋, 偶e niekt贸re z naszych rozwi膮za艅 b臋d膮 dla Was inspiracj膮, i 偶e Wy pomo偶ecie nam spojrze膰 na nasze problemy w nowy spos贸b. Rados艂aw Kita, Bart艂omiej Twardowski]]>
Pierwsza prezentacja meetupu Data Science pod szyldem allegrotech. Zapraszamy na spotkania dotycz膮ce analizy du偶ych zbior贸w danych. Chcieliby艣my opowiedzie膰 Wam o wyzwaniach, z kt贸rymi mamy do czynienia w naszej pracy w Allegro. Chcemy skupi膰 si臋 na technikach statystycznych, ale b臋dziemy m贸wi膰 r贸wnie偶 o technologiach, z kt贸rych korzystamy. B臋dzie o Sparku, Elasticsearchu, Kibanie, Tezie, Drillu, Scali, Pythonie, R czy Julii. Analiza danych, statystyka i uczenie maszynowe b臋d膮 jednak zawsze na pierwszym planie. Nie chcemy duplikowa膰 tematyki poruszanej na innych meetupach. Chcemy m贸wi膰 o konkretnych zastosowaniach i konkretnych problemach, z kt贸rymi mamy do czynienia. Mamy nadziej臋, 偶e niekt贸re z naszych rozwi膮za艅 b臋d膮 dla Was inspiracj膮, i 偶e Wy pomo偶ecie nam spojrze膰 na nasze problemy w nowy spos贸b. Rados艂aw Kita, Bart艂omiej Twardowski]]> Wed, 07 Oct 2015 09:51:09 GMT /slideshow/allegrotech-data-science-meetup-1-intro/53638502 BartomiejTwardowski@slideshare.net(BartomiejTwardowski) allegrotech - Data science meetup #1 Intro BartomiejTwardowski Pierwsza prezentacja meetupu Data Science pod szyldem allegrotech. Zapraszamy na spotkania dotycz膮ce analizy du偶ych zbior贸w danych. Chcieliby艣my opowiedzie膰 Wam o wyzwaniach, z kt贸rymi mamy do czynienia w naszej pracy w Allegro. Chcemy skupi膰 si臋 na technikach statystycznych, ale b臋dziemy m贸wi膰 r贸wnie偶 o technologiach, z kt贸rych korzystamy. B臋dzie o Sparku, Elasticsearchu, Kibanie, Tezie, Drillu, Scali, Pythonie, R czy Julii. Analiza danych, statystyka i uczenie maszynowe b臋d膮 jednak zawsze na pierwszym planie. Nie chcemy duplikowa膰 tematyki poruszanej na innych meetupach. Chcemy m贸wi膰 o konkretnych zastosowaniach i konkretnych problemach, z kt贸rymi mamy do czynienia. Mamy nadziej臋, 偶e niekt贸re z naszych rozwi膮za艅 b臋d膮 dla Was inspiracj膮, i 偶e Wy pomo偶ecie nam spojrze膰 na nasze problemy w nowy spos贸b. Rados艂aw Kita, Bart艂omiej Twardowski <img style="border:1px solid #C3E6D8;float:right;" alt="" src="https://cdn.slidesharecdn.com/ss_thumbnails/datascience-meetupintro-151007095109-lva1-app6891-thumbnail.jpg?width=120&amp;height=120&amp;fit=bounds" /><br> Pierwsza prezentacja meetupu Data Science pod szyldem allegrotech. Zapraszamy na spotkania dotycz膮ce analizy du偶ych zbior贸w danych. Chcieliby艣my opowiedzie膰 Wam o wyzwaniach, z kt贸rymi mamy do czynienia w naszej pracy w Allegro. Chcemy skupi膰 si臋 na technikach statystycznych, ale b臋dziemy m贸wi膰 r贸wnie偶 o technologiach, z kt贸rych korzystamy. B臋dzie o Sparku, Elasticsearchu, Kibanie, Tezie, Drillu, Scali, Pythonie, R czy Julii. Analiza danych, statystyka i uczenie maszynowe b臋d膮 jednak zawsze na pierwszym planie. Nie chcemy duplikowa膰 tematyki poruszanej na innych meetupach. Chcemy m贸wi膰 o konkretnych zastosowaniach i konkretnych problemach, z kt贸rymi mamy do czynienia. Mamy nadziej臋, 偶e niekt贸re z naszych rozwi膮za艅 b臋d膮 dla Was inspiracj膮, i 偶e Wy pomo偶ecie nam spojrze膰 na nasze problemy w nowy spos贸b. Rados艂aw Kita, Bart艂omiej Twardowski
allegrotech - Data science meetup #1 Intro from Bartlomiej Twardowski
]]> 826 5 https://cdn.slidesharecdn.com/ss_thumbnails/datascience-meetupintro-151007095109-lva1-app6891-thumbnail.jpg?width=120&height=120&fit=bounds presentation Black http://activitystrea.ms/schema/1.0/post http://activitystrea.ms/schema/1.0/posted 0 Systemy rekomendacji, Algorytmy rankingu Top-N rekomendacji bazuj膮ce na niejawnej opinii u偶ytkownik贸w /slideshow/systemy-rekomendacji-48556533/48556533 ii-seminar-recsys-btwardowski-150525071401-lva1-app6891
Wprowadzenie do system贸w rekomendacji - prezentacja z seminarium Instytutu Informatyki Politechniki Warszawskiej. W zalewie informacji odnalezienie tych kt贸re nas rzeczywi艣cie interesuj膮 staje si臋 bardzo trudne. Wspomagaj膮 nas w tym systemy IR, np. w postaci wyszukiwarek internetowych. O krok dalej id膮 systemy rekomendacji, pr贸buj膮c odgadn膮膰 preferencje u偶ytkownika i zaoferowa膰 najlepiej spersonalizowane tre艣ci automatycznie. Podej艣cie do problemu rekomendacji u偶ytkownikowi najbardziej dopasowanych informacji zmienia艂o si臋 w czasie. Aktualnie do wyboru mamy szereg gotowych do zastosowania metod: od prostego opisu podobie艅stwa u偶ytkownik贸w, ko艅cz膮c na z艂o偶onych modelach data mining. Trudno艣膰 zaczyna stanowi膰 poprawne zrozumienie problemu/domeny, odpowiednie dobranie metody rekomendacji oraz spos贸b jej pomiaru. Na prezentacji zostanie przedstawione kr贸tkie wprowadzenie do tematyki system贸w rekomendacji. Om贸wione zostan膮 metod rekomendacji oraz sposoby ich ewaluacja. Zaprezentowane zostanie podej艣cie do rekomendacji jako "ranking top-N". Ca艂o艣膰 uzupe艂niona zostanie do艣wiadczeniami i ciekawymi problemami z implementacji platformy rekomendacyjnej dla najwi臋kszego serwisu e-commerce w Polsce.]]>
Wprowadzenie do system贸w rekomendacji - prezentacja z seminarium Instytutu Informatyki Politechniki Warszawskiej. W zalewie informacji odnalezienie tych kt贸re nas rzeczywi艣cie interesuj膮 staje si臋 bardzo trudne. Wspomagaj膮 nas w tym systemy IR, np. w postaci wyszukiwarek internetowych. O krok dalej id膮 systemy rekomendacji, pr贸buj膮c odgadn膮膰 preferencje u偶ytkownika i zaoferowa膰 najlepiej spersonalizowane tre艣ci automatycznie. Podej艣cie do problemu rekomendacji u偶ytkownikowi najbardziej dopasowanych informacji zmienia艂o si臋 w czasie. Aktualnie do wyboru mamy szereg gotowych do zastosowania metod: od prostego opisu podobie艅stwa u偶ytkownik贸w, ko艅cz膮c na z艂o偶onych modelach data mining. Trudno艣膰 zaczyna stanowi膰 poprawne zrozumienie problemu/domeny, odpowiednie dobranie metody rekomendacji oraz spos贸b jej pomiaru. Na prezentacji zostanie przedstawione kr贸tkie wprowadzenie do tematyki system贸w rekomendacji. Om贸wione zostan膮 metod rekomendacji oraz sposoby ich ewaluacja. Zaprezentowane zostanie podej艣cie do rekomendacji jako "ranking top-N". Ca艂o艣膰 uzupe艂niona zostanie do艣wiadczeniami i ciekawymi problemami z implementacji platformy rekomendacyjnej dla najwi臋kszego serwisu e-commerce w Polsce.]]> Mon, 25 May 2015 07:14:01 GMT /slideshow/systemy-rekomendacji-48556533/48556533 BartomiejTwardowski@slideshare.net(BartomiejTwardowski) Systemy rekomendacji, Algorytmy rankingu Top-N rekomendacji bazuj膮ce na niejawnej opinii u偶ytkownik贸w BartomiejTwardowski Wprowadzenie do system贸w rekomendacji - prezentacja z seminarium Instytutu Informatyki Politechniki Warszawskiej. W zalewie informacji odnalezienie tych kt贸re nas rzeczywi艣cie interesuj膮 staje si臋 bardzo trudne. Wspomagaj膮 nas w tym systemy IR, np. w postaci wyszukiwarek internetowych. O krok dalej id膮 systemy rekomendacji, pr贸buj膮c odgadn膮膰 preferencje u偶ytkownika i zaoferowa膰 najlepiej spersonalizowane tre艣ci automatycznie. Podej艣cie do problemu rekomendacji u偶ytkownikowi najbardziej dopasowanych informacji zmienia艂o si臋 w czasie. Aktualnie do wyboru mamy szereg gotowych do zastosowania metod: od prostego opisu podobie艅stwa u偶ytkownik贸w, ko艅cz膮c na z艂o偶onych modelach data mining. Trudno艣膰 zaczyna stanowi膰 poprawne zrozumienie problemu/domeny, odpowiednie dobranie metody rekomendacji oraz spos贸b jej pomiaru. Na prezentacji zostanie przedstawione kr贸tkie wprowadzenie do tematyki system贸w rekomendacji. Om贸wione zostan膮 metod rekomendacji oraz sposoby ich ewaluacja. Zaprezentowane zostanie podej艣cie do rekomendacji jako "ranking top-N". Ca艂o艣膰 uzupe艂niona zostanie do艣wiadczeniami i ciekawymi problemami z implementacji platformy rekomendacyjnej dla najwi臋kszego serwisu e-commerce w Polsce. <img style="border:1px solid #C3E6D8;float:right;" alt="" src="https://cdn.slidesharecdn.com/ss_thumbnails/ii-seminar-recsys-btwardowski-150525071401-lva1-app6891-thumbnail.jpg?width=120&amp;height=120&amp;fit=bounds" /><br> Wprowadzenie do system贸w rekomendacji - prezentacja z seminarium Instytutu Informatyki Politechniki Warszawskiej. W zalewie informacji odnalezienie tych kt贸re nas rzeczywi艣cie interesuj膮 staje si臋 bardzo trudne. Wspomagaj膮 nas w tym systemy IR, np. w postaci wyszukiwarek internetowych. O krok dalej id膮 systemy rekomendacji, pr贸buj膮c odgadn膮膰 preferencje u偶ytkownika i zaoferowa膰 najlepiej spersonalizowane tre艣ci automatycznie. Podej艣cie do problemu rekomendacji u偶ytkownikowi najbardziej dopasowanych informacji zmienia艂o si臋 w czasie. Aktualnie do wyboru mamy szereg gotowych do zastosowania metod: od prostego opisu podobie艅stwa u偶ytkownik贸w, ko艅cz膮c na z艂o偶onych modelach data mining. Trudno艣膰 zaczyna stanowi膰 poprawne zrozumienie problemu/domeny, odpowiednie dobranie metody rekomendacji oraz spos贸b jej pomiaru. Na prezentacji zostanie przedstawione kr贸tkie wprowadzenie do tematyki system贸w rekomendacji. Om贸wione zostan膮 metod rekomendacji oraz sposoby ich ewaluacja. Zaprezentowane zostanie podej艣cie do rekomendacji jako &quot;ranking top-N&quot;. Ca艂o艣膰 uzupe艂niona zostanie do艣wiadczeniami i ciekawymi problemami z implementacji platformy rekomendacyjnej dla najwi臋kszego serwisu e-commerce w Polsce.
Systemy rekomendacji, Algorytmy rankingu Top-N rekomendacji bazuj膮ce na niejawnej opinii u偶ytkownik贸w from Bartlomiej Twardowski
]]> 7100 4 https://cdn.slidesharecdn.com/ss_thumbnails/ii-seminar-recsys-btwardowski-150525071401-lva1-app6891-thumbnail.jpg?width=120&height=120&fit=bounds presentation Black http://activitystrea.ms/schema/1.0/post http://activitystrea.ms/schema/1.0/posted 0 https://cdn.slidesharecdn.com/profile-photo-BartomiejTwardowski-48x48.jpg?cb=1612959547 Recommender Systems, Machine Learning, Big Data Processing, Opinion Mining, Natural Language Processing and Data Mining https://cdn.slidesharecdn.com/ss_thumbnails/dss2017btwardowmlinrtb-170531090719-thumbnail.jpg?width=320&height=320&fit=bounds slideshow/dss2017-machine-learning-w-reklamie-rtb/76516668 DSS2017 - Machine Lear... https://cdn.slidesharecdn.com/ss_thumbnails/recsys2016reviewbtwardow-161019075606-thumbnail.jpg?width=320&height=320&fit=bounds slideshow/warsaw-data-science-recsys2016-quick-review/67394302 Warsaw Data Science - ... https://cdn.slidesharecdn.com/ss_thumbnails/2016wdsmeetupfmintrobtwardow-161019075557-thumbnail.jpg?width=320&height=320&fit=bounds slideshow/warsaw-data-science-factorization-machines-introduction/67394300 Warsaw Data Science - ...