True docs
Автор: Юрий Зубаровский
Распределенное хранилище документов, с использованием блокчейна для валидации времени создания и отправки документов, определения подлинности распечатанного документа. Позволяет решать следующие проблемы: • Исключить различие бумажных версий договоров и документов у двух сторон (внешне одинаковые версии на бумаге, разница где-то внутри) • Сделать прозрачной процедуру проверки времени создания, отправки документов. • Сделать доступной такую проверку для третьих лиц (арбитража). Документы хранятся в распределенном хранилище, в блокчейне хранится информация о времени создания, отправки документа получателям + хэш контента документа, позволяющий легко выявлять подлоги.
03.02.2017
Dkozlov
Автор: Дмитрий Козлов
Решение: Признаки: были взяты все поля изначальной таблицы с данными. Все категориальные переменные были переведены с цифровым кодированием. От всех полей были взяты: максимумы, минимумы, средние, медианы, суммы, логарифмы этих значений, разницы этих значений и отношения этих значений. Всего было 125 признаков. Модель: Поверх этих признаков были обучены модели xgboost. При подборе параметров использовался 20% holdout и 10-fold кросс валидация. Для финального сабмита использовалось геометрическое средние от двух лучших сабмитов, которые были сгенерированы разбивкой с 5% holdout и 20-fold валидацией.
03.02.2017
Innopolis team
Автор: Эмиль Магеррамов
Задача была предсказать количество заявок на некоторые услуги компании «Рассвет Капитал». Первым делом смотрели на то, какие данные вообще находятся в наборе данных, какие features, как они взаимосвязаны. Искали выбросы - нереалистичные данные, который можно исключить из набора для обучения. Затем искали хорошие features, в том числе обогащали наши данные, так как по каждой заявке имели регион, из которого была подана заявка, так что смогли достать количество жителей и обеспеченность региона, а также динамику роста этих показателей. Эти переменные оказались очень полезными для предсказания. После этого мы строили несколько различных моделей, которые обучали на разных переменных, как тех, которые и так были в наборе данных, так и новые, созданные нами. Использовали подходы анализа временных рядов, так как были переменные за несколько разных последовательных лет, затем использовали полученные модели для создания конечной результаты с помощью стекинга, то есть, объединения различных моделей в одну, которая будет содержать все достоинства моделей и не будет содержать их недостатки. То есть, мы строили как бы метамодель над нашими имеющимися моделями и получили в итоге хороший результат на этапе кросс-валидации, а затем на собственной тестовой выборке, которая была частью изначальной тренировочной выборки.
03.02.2017
Global Data Mafia
Автор: Дегтярев Роман Вячеславович
Каждый год компания пролонгирует полисы Каско клиентов – физических лиц. Для оптимизации работы со списками на пролонгацию необходимо прогнозировать с какой вероятностью каждый из клиентов пролонгируется и какие факторы на это влияют. В зависимости от этого расставляются приоритеты операторам колл-центра, которые обрабатывают список (осуществляют обзвон клиентов), а также принимаются решения по дополнительной мотивации клиентов к пролонгации.
03.02.2017
Aperso
Автор: Руслан Романов
В настоящий момент мы работаем над задачей распознавания человеческих лиц ЭВМ с помощью искусственных нейронных сетей (искусственные нейронные сети - одна из разновидностей искусственного интеллекта). Нейронные сети известны с середины XX века, но активно применяться на практике стали лишь недавно (примеры: приложение Prisma; алгоритмы Facebook; поиск по картинкам Google). Использование нейронных сетей для "узнавания" людей машиной даёт очень хороший результат (точность 90%-97%), особенно в сравнении со другими методами (точность 50%-80%), но требует редких пока знаний и умений, а также высокой общей IT-инженерной квалификации. В настоящий момент у нас готова собственная технология, решающая эту задачу.
Россия
03.02.2017
WhoDoYouLookLike (Dkozlov)
Автор: Дмитрий Козлов
WhoDoYouLookLike.tk. Поиск лиц - приложение, кто из классиков похож на тебя. Мы проанализировали 3 тысячи лиц выдающихся соотечественников из Wikipedia и разработали приложение, которое устанавливает соответствие между фотографией пользователя и фотографиями великих русских людей. В качестве дополнения мы сделали WhoDoYouLookLike.tk/movies - поиск похожих на тебя лиц среди зарубежных актёров. Проект выполнен за 24 часа с нуля, идея предложена Mail.ru Group.
Россия
03.02.2017
ChatFirst
Автор: Павел Осадчук
Интеллектуальная система мониторинга и прогнозирования эмоционального состояния сотрудников компании, по которой генеральный директор сможет определить, какой отдел не справляется со сдачей отчётов задолго до дедлайна.
Россия
27.01.2017
Smartan
Автор: Мария Михайленко
Система для экспертной оценки платежеспособности юридических лиц.
Россия
27.01.2017
EyeMove
Автор: Михаил Янчиков
Разработка автоматизированного программного обеспечения для диагностики Болезни Паркинсона и Болезни Альцгеймера на ранней стадии по траектории движения глаз.
Россия
27.01.2017