通过去年的亮点来为ODSC West 2023做准备！
Preparing for ODSC West 2023 based on last year's highlights!
学习数据科学时需要考虑很多因素，比如相关主题、格式等等。为了帮助您更好地构建人工智能，我们为您创建了今年ODSC West的十个顶级虚拟讲座列表，这样您就可以学习各种主题和来自不同背景的讲者。您只需注册一个免费的Ai+培训账户，就可以访问这些讲座！在这里观看所有讲座。
DS/AI用于事件响应和威胁搜索
Jess Garcia | 首席执行官，安全与取证分析师，事件响应者 | One eSecurity，高级讲师 | SANS Institute
现在关于在网络安全领域中使用人工智能的讨论很多。许多网络安全供应商声称他们的产品使用人工智能来检测和阻止威胁，但是很少有关于他们如何做到的信息。在这个讲座中，您将学习如何透明地使用人工智能进行事件响应和威胁搜索，借助DS4N6工具集（DAISY VM和CHRYSALIS），并了解用于此目的的最有用的机器学习算法。
去噪扩散生成建模
Stefano Ermon，博士 | 助理教授 | 斯坦福大学
基于扩散的生成模型，如DALL·E 2，已经实现了异常的图像生成质量。与其他基于显式概率分布表示（例如，自回归）或隐式采样过程（例如，GAN）的生成模型不同，扩散模型直接学习数据分布的梯度向量场（得分）。这个框架允许灵活的架构，在训练过程中不需要采样或使用对抗训练方法。这些基于得分的生成模型能够进行精确的似然度评估，实现了最先进的样本质量，并可用于改善各种反问题的性能，包括医学成像。
用Dagster协调数据资产而不是任务
Sandy Ryza | Dagster项目主管工程师 | Elementl
基于资产的编排与现代数据堆栈工具（如dbt，Meltano，Airbyte和Fivetran）非常配合，因为这些工具已经从资产的角度思考。参加此会议的人将学习如何以使其数据集和机器学习模型极易于信任和演进的方式构建和维护数据管道。
基于直觉的强化学习方法
Oswald Campesato | 创始人 | iQuarkt
强化学习在各种任务中取得了显著的成功，例如在MMP（大规模多人）游戏中击败全人类团队，在机器人技术方面取得突破性进展，并在化学中的蛋白质折叠问题中取得了令人惊讶的结果。精通强化学习需要对机器学习、统计学和数学领域有很强的知识。此外，强化学习包含许多看起来“模糊”的概念，对于试图学习强化学习的初学者来说可能具有挑战性。然而，本讲座提供了各种强化学习概念的直觉，例如探索/开发和预期回报的最大化，以及这些概念的实际示例。
乘风破浪的自然语言处理
Rongyao Huang | 高级数据科学家 | CB Insights
在这个讲座中，我们将分享我们如何在CBI R&D中现代化我们的自然语言处理堆栈以及我们遇到的挑战。第一部分将带您了解自然语言处理演变的时间线和里程碑，重点介绍“注意力”革命之后的重大趋势。第二部分将讨论在各种任务和语言中使用Transformer模型所获得的经验教训，利用HuggingFace Transformers和Pytorch Lightning等开源库。
因果推理入门
Robert Osazuwa Ness，博士 | 高级研究员 | 微软
因果推理在数据科学、机器学习和数据驱动决策中越来越成为不可或缺的工具。在这个讲座中，Robert将介绍因果机器学习的最新进展，并着重介绍实践中的相关问题，尤其是技术和零售行业。他还将讨论因果推理开源工具的趋势。最后，他将展示DoWhy及其姐妹软件包EconML的示例，它们共同构成了因果推理的PyTorch。
新兴的人工智能治理方法：技术主导 vs 政策主导
Ilana Golbin | 主任 | PwC新兴技术和负责任人工智能负责人
在过去几年中，许多人对不当部署和使用AI/ML系统可能带来的潜在风险变得更加熟悉。几乎所有规模的公司以及几乎所有行业都见过重大AI失败的例子，导致对这些系统的信任大幅下降。因此，组织内的利益相关者对纠正这些风险并掌握AI的能力产生了兴趣 – 拥有AI治理。有些人被技术能力所吸引，这些能力承诺解决伦理问题并实现质量。其他人依赖现有的合规和政策方法来执行标准。在本次会议上，我们将描述这些不同方法的样子，每种方法的利弊以及围绕AI治理建立一个涉及技术、业务和合规团队的强大框架的考虑因素。
云计算方向，MLOps和生产数据科学
Joe Hellerstein，博士 | 加州大学伯克利分校计算机科学Jim Gray教授
云技术的最新趋势，包括无服务器计算，承诺了一些抽象基础设施的新方法。不幸的是，这些提供并不足以应对MLOps的挑战。在这次演讲中，Josh将介绍当前云服务的重要承诺和弱点，并描述伯克利的RISElab的研究以及由此产生的开源Aqueduct系统，该系统使任何与数据和模型相关的人都可以轻松进行生产数据科学。
鲁棒和公平的不确定性估计
Aaron Roth，博士 | 宾夕法尼亚大学计算机和认知科学教授
在本讲座中，我们将描述一种解决一些常见问题的新技术：一种为任意黑盒预测方法生成预测集的方法，即使数据分布可能以任意、未预料的方式发生变化，也能保持正确的经验覆盖，即使我们把焦点放在可能是任意且交叉的人口群体上，我们仍然能够保持正确的覆盖。
现在查看会议
以上会议涵盖了数据科学领域的各个方面，帮助您更好地构建AI，并得到了ODSC West虚拟会议参与者的高度评价。您可以免费查看所有会议。如果您渴望实时的会议体验，您可以在10月30日至11月2日期间以60%的折扣购买ODSC West的现场或虚拟门票。
