Wiki - Факультет компьютерных наук - Вклад [ru]

Многомерное прогнозирование цен криптовалют с помощью анализа открытых транзакций и Twitter (проект)

2017-11-01T09:50:40Z

РџСЂРѕРЅСЊРєРёРЅ РђР»РµРєСЃРµР№:

{{Карточка_проекта
|name=Многомерное прогнозирование цен криптовалют с помощью анализа открытых транзакций и Twitter
|mentor=Пронькин Алексей
|mentor_login={{URLENCODE:Пронькин Алексей|WIKI}}
|semester=Осень 2017
|course=2
|summer=
|number_of_students=8
|categorize=yes
}}

=== Что это за проект? ===
Определение среднесрочных (time frame 5-10 минут) цен на криптовалюты с помощью анализа многомерных временных рядов предыдущих цен и транзакций и новостям из twitter.

Есть множество исследований на тему того, что данный подход не получается применить к ценам акций, но пока непроверенная гипотеза состоит в том, что:

1) Рынок криптовалют в среднем движется в одном направлении при некотором хайпе, который можно оценить по Твиттеру.

2) Есть взаимосвязь цен один криптовалют от других с временным лагом (когда становятся популярнее одни валюты, курсы других падают или растут.

3) Для каждой криптовалюты можно выделить twitter аккаунты, которые оказывают максимальное влияние на цену этой валюты.

И еще великое можество гипотез, которые сможете сформулировать Вы и проверить с помощью этого проекта.

=== Чему вы научитесь? ===
Работать с многомерными временными рядами с помощью Python или R, познакомитесь с базовыми идеями в NLP, получите опыт работы с Twitter.API
=== Какие начальные требования? ===

Проект подойдёт и новичкам в машинном обучении. Необходимо иметь желание разобраться с Python или R (NB! С помощью R тяжело применять state of the art решения в NLP, но зато намного проще освоить этот язык с нуля, с помощью него интереснее и легче делать интерактивные визуализации, работать с временными рядами и т.д.) Выбор за Вами.

=== Какие будут использоваться технологии? ===

Twitter API

Анализ транзакций блокчейна

R: shiny, ggplot2, data.table, forecast, vars, text2vec, etc.

Python: pandas, scikit-learn, statsmodels, xgboost, NLTK, CoreNLP word2vec, etc.

=== Темы вводных занятий ===

Twitter API.

(NB! Обратите внимание, что из твиттера возможно загрузить только последние две недели твиттов, поэтому необходимо заняться этим пунктом в первую очередь).

Модели временных рядов(VARs, (G)ARCH, ARIMA, LSTM, etc. Декомпозиция и Фурье/Вейвлет анализ.). Как прикрутить Xgboost :)

Краткий экскурс в NLP.

=== Направления развития ===

Два направления:

-Дальнейшее исследование алгоритмов машинного обучения для прогнозирования многомерных временных рядов (теоретическое направление)

-Создание прототипов торговых ботов (прикладное направление)

=== Критерии оценки ===
Сложно заранее выставить четкие критерии по проекту основанному на гипотезах, поэтому оценка будет скорее основана на количестве проделанной работы.

Ориентировочные критерии для КТ3:

4-7: получены все данные, произведен первичный анализ и визуализации, сделан baseline(скажем, многомерная линейная регрессия без учета взаимных корреляций и one hot encoding по словам из твиттов)

8-10: попробованы интересные методы, интерактивные визуализации, выдвинуты и протестированы свои гипотезы.

=== Ориентировочное расписание занятий ===

СР 14.00-..., СБ 14.00-..., ВТ ...-..., остальные дни занят, но расписание меняется в каждом новом модуле.

=== Контакты ===

По поводу данного проекта с любыми вопросами Вы можете написать мне в telegram: avpronkin или на почту из wiki профиля.

=== UPD ===

Увеличил количество мест на проект.

Автоматическая нарезка хайлайтов из длинных стримов по одной популярной игре (проект)

2017-10-23T07:10:32Z

РџСЂРѕРЅСЊРєРёРЅ РђР»РµРєСЃРµР№: /* Что это за проект? */

{{Карточка_проекта
|name=Автоматическая нарезка хайлайтов из длинных стримов по одной популярной игре
|mentor=Пронькин Алексей
|mentor_login={{URLENCODE:Пронькин Алексей|WIKI}}
|semester=Осень 2017
|course=2
|summer=
|number_of_students=7
|categorize=yes
}}

=== Что это за проект? ===
Нарезка самых интересных моментов видео по игре с помощью машинного обучения(CV, NLP, speech recognition/acoustic models, популярная нерешенная задача video summarizing)

Выборка: функция clips на twitch (30-60 секундные видео, которые делают зрители стрима) для определенной популярной игры.

=== Чему вы научитесь? ===
- Использовать один из фрейморков для deep learning (tensorflow или pytorch, на выбор).

- Использовать быстрые архитектуры свёрточных глубоких нейронных сетей для классификации (Inception-v3), сегментации (ENet) и детекции (SSD, YOLO).

- Использовать нейронные акустические модели и совершенствовать их скорость выполнения.

- Собирать production код с помощью tf.serve.

- Эффективно обрабатывать и рендерить видео через командную строку и python.

- Познакомитесь с Twitch.API.

=== Какие начальные требования? ===
Хорошее знание python. Желание писать и разбираться в длинном коде, стараться приводить его к production виду, много и долго разбираться в чужом коде. Знание (или огромное желание изучить) популярных(ые) архитектур(ы) нейросетей.

Проект не очень простой, поэтому предполагается, что Вы уже неплохо знаете питон, представляете как работают сверточные и рекуррентные нейросети, имеете много времени и мотивации.

=== Какие будут использоваться технологии? ===
Python, some JavaScript

Tensorflow(production) and(or) Pytorch

ffmpeg

InceptionV3,ResNet(ResNext),VGG(really old, but good feature extractor :-) ),SSD(YOLO),Enet(Unet)

https://github.com/TwitchDev/clips-samples

https://github.com/Franiac/TwitchLeecher

https://github.com/tensorflow/tensorflow

https://github.com/pytorch/pytorch

=== Темы вводных занятий ===
Вводное занятие по tensorflow и популярным архитектурам нейросетей, настройка окружения, выбор фреймворков.
Далее занятие по дедлайнам с демонстрацией Вашего кода.

=== Помощь ментора ===

- Теоретическая консультация о текущих state of the art (если лень использовать Google)

- Hardware

- Помощь в рамках Skoltech Data Science Club (можно будет прийти к нам и спросить, как решить какую-либо проблему с кодом)

=== Направления развития ===
Доведение прототипа до сервиса, которым могут пользоваться как зрители, так и сами стримеры для создания контента. Исследования в области повышения качества сервиса и метрик. Оптимизация кода.

=== Критерии оценки ===
Ориентировочные критерии за КТ3:

4-6: Одна нейросеть feature extractor + xgboost, результат вектор номеров интересных фреймов(секунд)

6-7: Тоже самое, но добавлены фичи(активность, one hot на смайлики и так далее) из чата

7-8: Тоже, но на выходе смонтированное видео

8-10: Тоже, но анализируется наличие и положение вебкамеры, добавлена маленькая нейросеть предобученная на эмоции, которая анализирует вебкамеру

Возможно повышение оценки, если прототип работает и силы были потрачены на глубокое исследование одного из пунктов(чат, вебкамера, акустическая модель)

=== Ориентировочное расписание занятий ===
СР 14.00-..., СБ 14.00-..., ВТ ...-..., остальные дни занят, но расписание меняется в каждом новом модуле.

=== Контакты ===

По поводу данного проекта с любыми вопросами Вы можете написать мне в telegram: avpronkin или на почту из wiki профиля.

Автоматическая нарезка хайлайтов из длинных стримов по одной популярной игре (проект)

2017-10-23T07:02:02Z

РџСЂРѕРЅСЊРєРёРЅ РђР»РµРєСЃРµР№:

{{Карточка_проекта
|name=Автоматическая нарезка хайлайтов из длинных стримов по одной популярной игре
|mentor=Пронькин Алексей
|mentor_login={{URLENCODE:Пронькин Алексей|WIKI}}
|semester=Осень 2017
|course=2
|summer=
|number_of_students=7
|categorize=yes
}}

=== Что это за проект? ===
Нарезка самых интересных моментов видео по игре с помощью машинного обучения(CV, NLP, speech recognition/acoustic models)

Выборка: функция clips на twitch (30-60 секундные видео, которые делают зрители стрима) для определенной популярной игры.

=== Чему вы научитесь? ===
- Использовать один из фрейморков для deep learning (tensorflow или pytorch, на выбор).

- Использовать быстрые архитектуры свёрточных глубоких нейронных сетей для классификации (Inception-v3), сегментации (ENet) и детекции (SSD, YOLO).

- Использовать нейронные акустические модели и совершенствовать их скорость выполнения.

- Собирать production код с помощью tf.serve.

- Эффективно обрабатывать и рендерить видео через командную строку и python.

- Познакомитесь с Twitch.API.

=== Какие начальные требования? ===
Хорошее знание python. Желание писать и разбираться в длинном коде, стараться приводить его к production виду, много и долго разбираться в чужом коде. Знание (или огромное желание изучить) популярных(ые) архитектур(ы) нейросетей.

Проект не очень простой, поэтому предполагается, что Вы уже неплохо знаете питон, представляете как работают сверточные и рекуррентные нейросети, имеете много времени и мотивации.

=== Какие будут использоваться технологии? ===
Python, some JavaScript

Tensorflow(production) and(or) Pytorch

ffmpeg

InceptionV3,ResNet(ResNext),VGG(really old, but good feature extractor :-) ),SSD(YOLO),Enet(Unet)

https://github.com/TwitchDev/clips-samples

https://github.com/Franiac/TwitchLeecher

https://github.com/tensorflow/tensorflow

https://github.com/pytorch/pytorch

=== Темы вводных занятий ===
Вводное занятие по tensorflow и популярным архитектурам нейросетей, настройка окружения, выбор фреймворков.
Далее занятие по дедлайнам с демонстрацией Вашего кода.

=== Помощь ментора ===

- Теоретическая консультация о текущих state of the art (если лень использовать Google)

- Hardware

- Помощь в рамках Skoltech Data Science Club (можно будет прийти к нам и спросить, как решить какую-либо проблему с кодом)

=== Направления развития ===
Доведение прототипа до сервиса, которым могут пользоваться как зрители, так и сами стримеры для создания контента. Исследования в области повышения качества сервиса и метрик. Оптимизация кода.

=== Критерии оценки ===
Ориентировочные критерии за КТ3:

4-6: Одна нейросеть feature extractor + xgboost, результат вектор номеров интересных фреймов(секунд)

6-7: Тоже самое, но добавлены фичи(активность, one hot на смайлики и так далее) из чата

7-8: Тоже, но на выходе смонтированное видео

8-10: Тоже, но анализируется наличие и положение вебкамеры, добавлена маленькая нейросеть предобученная на эмоции, которая анализирует вебкамеру

Возможно повышение оценки, если прототип работает и силы были потрачены на глубокое исследование одного из пунктов(чат, вебкамера, акустическая модель)

=== Ориентировочное расписание занятий ===
СР 14.00-..., СБ 14.00-..., ВТ ...-..., остальные дни занят, но расписание меняется в каждом новом модуле.

=== Контакты ===

По поводу данного проекта с любыми вопросами Вы можете написать мне в telegram: avpronkin или на почту из wiki профиля.

Многомерное прогнозирование цен криптовалют с помощью анализа открытых транзакций и Twitter (проект)

2017-10-23T07:00:17Z

РџСЂРѕРЅСЊРєРёРЅ РђР»РµРєСЃРµР№:

{{Карточка_проекта
|name=Многомерное прогнозирование цен криптовалют с помощью анализа открытых транзакций и Twitter
|mentor=Пронькин Алексей
|mentor_login={{URLENCODE:Пронькин Алексей|WIKI}}
|semester=Осень 2017
|course=2
|summer=
|number_of_students=7
|categorize=yes
}}

=== Что это за проект? ===
Определение среднесрочных (time frame 5-10 минут) цен на криптовалюты с помощью анализа многомерных временных рядов предыдущих цен и транзакций и новостям из twitter.

Есть множество исследований на тему того, что данный подход не получается применить к ценам акций, но пока непроверенная гипотеза состоит в том, что:

1) Рынок криптовалют в среднем движется в одном направлении при некотором хайпе, который можно оценить по Твиттеру.

2) Есть взаимосвязь цен один криптовалют от других с временным лагом (когда становятся популярнее одни валюты, курсы других падают или растут.

3) Для каждой криптовалюты можно выделить twitter аккаунты, которые оказывают максимальное влияние на цену этой валюты.

И еще великое можество гипотез, которые сможете сформулировать Вы и проверить с помощью этого проекта.

=== Чему вы научитесь? ===
Работать с многомерными временными рядами с помощью Python или R, познакомитесь с базовыми идеями в NLP, получите опыт работы с Twitter.API
=== Какие начальные требования? ===

Проект подойдёт и новичкам в машинном обучении. Необходимо иметь желание разобраться с Python или R (NB! С помощью R тяжело применять state of the art решения в NLP, но зато намного проще освоить этот язык с нуля, с помощью него интереснее и легче делать интерактивные визуализации, работать с временными рядами и т.д.) Выбор за Вами.

=== Какие будут использоваться технологии? ===

Twitter API

Анализ транзакций блокчейна

R: shiny, ggplot2, data.table, forecast, vars, text2vec, etc.

Python: pandas, scikit-learn, statsmodels, xgboost, NLTK, CoreNLP word2vec, etc.

=== Темы вводных занятий ===

Twitter API.

(NB! Обратите внимание, что из твиттера возможно загрузить только последние две недели твиттов, поэтому необходимо заняться этим пунктом в первую очередь).

Модели временных рядов(VARs, (G)ARCH, ARIMA, LSTM, etc. Декомпозиция и Фурье/Вейвлет анализ.). Как прикрутить Xgboost :)

Краткий экскурс в NLP.

=== Направления развития ===

Два направления:

-Дальнейшее исследование алгоритмов машинного обучения для прогнозирования многомерных временных рядов (теоретическое направление)

-Создание прототипов торговых ботов (прикладное направление)

=== Критерии оценки ===
Сложно заранее выставить четкие критерии по проекту основанному на гипотезах, поэтому оценка будет скорее основана на количестве проделанной работы.

Ориентировочные критерии для КТ3:

4-7: получены все данные, произведен первичный анализ и визуализации, сделан baseline(скажем, многомерная линейная регрессия без учета взаимных корреляций и one hot encoding по словам из твиттов)

8-10: попробованы интересные методы, интерактивные визуализации, выдвинуты и протестированы свои гипотезы.

=== Ориентировочное расписание занятий ===

СР 14.00-..., СБ 14.00-..., ВТ ...-..., остальные дни занят, но расписание меняется в каждом новом модуле.

=== Контакты ===

По поводу данного проекта с любыми вопросами Вы можете написать мне в telegram: avpronkin или на почту из wiki профиля.

=== UPD ===

Увеличил количество мест на проект.

Автоматическая нарезка хайлайтов из длинных стримов по одной популярной игре (проект)

2017-09-29T08:16:32Z

РџСЂРѕРЅСЊРєРёРЅ РђР»РµРєСЃРµР№:

{{Карточка_проекта
|name=Автоматическая нарезка хайлайтов из длинных стримов по одной популярной игре
|mentor=Пронькин Алексей
|mentor_login={{URLENCODE:Пронькин Алексей|WIKI}}
|semester=Осень 2017
|course=2
|summer=
|number_of_students=6
|categorize=yes
}}

=== Что это за проект? ===
Нарезка самых интересных моментов видео по игре с помощью машинного обучения(CV, NLP, speech recognition/acoustic models)

Выборка: функция clips на twitch (30-60 секундные видео, которые делают зрители стрима) для определенной популярной игры.

=== Чему вы научитесь? ===
- Использовать один из фрейморков для deep learning (tensorflow или pytorch, на выбор).

- Использовать быстрые архитектуры свёрточных глубоких нейронных сетей для классификации (Inception-v3), сегментации (ENet) и детекции (SSD, YOLO).

- Использовать нейронные акустические модели и совершенствовать их скорость выполнения.

- Собирать production код с помощью tf.serve.

- Эффективно обрабатывать и рендерить видео через командную строку и python.

- Познакомитесь с Twitch.API.

=== Какие начальные требования? ===
Хорошее знание python. Желание писать и разбираться в длинном коде, стараться приводить его к production виду, много и долго разбираться в чужом коде. Знание (или огромное желание изучить) популярных(ые) архитектур(ы) нейросетей.

Проект не очень простой, поэтому предполагается, что Вы уже неплохо знаете питон, представляете как работают сверточные и рекуррентные нейросети, имеете много времени и мотивации.

=== Какие будут использоваться технологии? ===
Python, some JavaScript

Tensorflow(production) and(or) Pytorch

ffmpeg

InceptionV3,ResNet(ResNext),VGG(really old, but good feature extractor :-) ),SSD(YOLO),Enet(Unet)

https://github.com/TwitchDev/clips-samples

https://github.com/Franiac/TwitchLeecher

https://github.com/tensorflow/tensorflow

https://github.com/pytorch/pytorch

=== Темы вводных занятий ===
Вводное занятие по tensorflow и популярным архитектурам нейросетей, настройка окружения, выбор фреймворков.
Далее занятие по дедлайнам с демонстрацией Вашего кода.

=== Помощь ментора ===

- Теоретическая консультация о текущих state of the art (если лень использовать Google)

- Hardware

- Помощь в рамках Skoltech Data Science Club (можно будет прийти к нам и спросить, как решить какую-либо проблему с кодом)

=== Направления развития ===
Доведение прототипа до сервиса, которым могут пользоваться как зрители, так и сами стримеры для создания контента. Исследования в области повышения качества сервиса и метрик. Оптимизация кода.

=== Критерии оценки ===
Ориентировочные критерии за КТ3:

4-6: Одна нейросеть feature extractor + xgboost, результат вектор номеров интересных фреймов(секунд)

6-7: Тоже самое, но добавлены фичи(активность, one hot на смайлики и так далее) из чата

7-8: Тоже, но на выходе смонтированное видео

8-10: Тоже, но анализируется наличие и положение вебкамеры, добавлена маленькая нейросеть предобученная на эмоции, которая анализирует вебкамеру

Возможно повышение оценки, если прототип работает и силы были потрачены на глубокое исследование одного из пунктов(чат, вебкамера, акустическая модель)

=== Ориентировочное расписание занятий ===
СР 14.00-..., СБ 14.00-..., ВТ ...-..., остальные дни занят, но расписание меняется в каждом новом модуле.

=== Контакты ===

По поводу данного проекта с любыми вопросами Вы можете написать мне в telegram: avpronkin или на почту из wiki профиля.

Участник:Пронькин Алексей

2017-09-29T08:15:14Z

РџСЂРѕРЅСЊРєРёРЅ РђР»РµРєСЃРµР№:

Выпускник МГУ. им. Ломоносова. Сейчас студент совместной магистерской программы ВШЭ и Сколтеха: "Статистическая теория обучения".

Почта на гугле для связи: pronkinalexeyviktorovich@...
Или телега: avpronkin

Участник:Пронькин Алексей

2017-09-29T08:14:53Z

РџСЂРѕРЅСЊРєРёРЅ РђР»РµРєСЃРµР№:

Выпускник МГУ. им. Ломоносова. Сейчас студент совместной магистерской программы ВШЭ и Сколтеха: "Статистическая теория обучения".
Почта на гугле для связи: pronkinalexeyviktorovich@...
Или телега: avpronkin

Многомерное прогнозирование цен криптовалют с помощью анализа открытых транзакций и Twitter (проект)

2017-09-29T08:13:27Z

РџСЂРѕРЅСЊРєРёРЅ РђР»РµРєСЃРµР№:

{{Карточка_проекта
|name=Многомерное прогнозирование цен криптовалют с помощью анализа открытых транзакций и Twitter
|mentor=Пронькин Алексей
|mentor_login={{URLENCODE:Пронькин Алексей|WIKI}}
|semester=Осень 2017
|course=2
|summer=
|number_of_students=TBA
|categorize=yes
}}

=== Что это за проект? ===
Определение среднесрочных (time frame 5-10 минут) цен на криптовалюты с помощью анализа многомерных временных рядов предыдущих цен и транзакций и новостям из twitter.

Есть множество исследований на тему того, что данный подход не получается применить к ценам акций, но пока непроверенная гипотеза состоит в том, что:

1) Рынок криптовалют в среднем движется в одном направлении при некотором хайпе, который можно оценить по Твиттеру.

2) Есть взаимосвязь цен один криптовалют от других с временным лагом (когда становятся популярнее одни валюты, курсы других падают или растут.

3) Для каждой криптовалюты можно выделить twitter аккаунты, которые оказывают максимальное влияние на цену этой валюты.

И еще великое можество гипотез, которые сможете сформулировать Вы и проверить с помощью этого проекта.

=== Чему вы научитесь? ===
Работать с многомерными временными рядами с помощью Python или R, познакомитесь с базовыми идеями в NLP, получите опыт работы с Twitter.API
=== Какие начальные требования? ===

Проект подойдёт и новичкам в машинном обучении. Необходимо иметь желание разобраться с Python или R (NB! С помощью R тяжело применять state of the art решения в NLP, но зато намного проще освоить этот язык с нуля, с помощью него интереснее и легче делать интерактивные визуализации, работать с временными рядами и т.д.) Выбор за Вами.

=== Какие будут использоваться технологии? ===

Twitter API

Анализ транзакций блокчейна

R: shiny, ggplot2, data.table, forecast, vars, text2vec, etc.

Python: pandas, scikit-learn, statsmodels, xgboost, NLTK, CoreNLP word2vec, etc.

=== Темы вводных занятий ===

Twitter API.

(NB! Обратите внимание, что из твиттера возможно загрузить только последние две недели твиттов, поэтому необходимо заняться этим пунктом в первую очередь).

Модели временных рядов(VARs, (G)ARCH, ARIMA, LSTM, etc. Декомпозиция и Фурье/Вейвлет анализ.). Как прикрутить Xgboost :)

Краткий экскурс в NLP.

=== Направления развития ===

Два направления:

-Дальнейшее исследование алгоритмов машинного обучения для прогнозирования многомерных временных рядов (теоретическое направление)

-Создание прототипов торговых ботов (прикладное направление)

=== Критерии оценки ===
Сложно заранее выставить четкие критерии по проекту основанному на гипотезах, поэтому оценка будет скорее основана на количестве проделанной работы.

Ориентировочные критерии для КТ3:

4-7: получены все данные, произведен первичный анализ и визуализации, сделан baseline(скажем, многомерная линейная регрессия без учета взаимных корреляций и one hot encoding по словам из твиттов)

8-10: попробованы интересные методы, интерактивные визуализации, выдвинуты и протестированы свои гипотезы.

=== Ориентировочное расписание занятий ===

СР 14.00-..., СБ 14.00-..., ВТ ...-..., остальные дни занят, но расписание меняется в каждом новом модуле.

=== Контакты ===

По поводу данного проекта с любыми вопросами Вы можете написать мне в telegram: avpronkin или на почту из wiki профиля.

Многомерное прогнозирование цен криптовалют с помощью анализа открытых транзакций и Twitter (проект)

2017-09-28T23:22:33Z

РџСЂРѕРЅСЊРєРёРЅ РђР»РµРєСЃРµР№:

{{Карточка_проекта
|name=Многомерное прогнозирование цен криптовалют с помощью анализа открытых транзакций и Twitter
|mentor=Пронькин Алексей
|mentor_login={{URLENCODE:Пронькин Алексей|WIKI}}
|semester=Осень 2017
|course=2
|summer=
|number_of_students=TBA
|categorize=yes
}}

=== Что это за проект? ===
Определение среднесрочных (time frame 5-10 минут) цен на криптовалюты с помощью анализа многомерных временных рядов предыдущих цен и транзакций и новостям из twitter.

Есть множество исследований на тему того, что данный подход не получается применить к ценам акций, но пока непроверенная гипотеза состоит в том, что:

1) Рынок криптовалют в среднем движется в одном направлении при некотором хайпе, который можно оценить по Твиттеру.

2) Есть взаимосвязь цен один криптовалют от других с временным лагом (когда становятся популярнее одни валюты, курсы других падают или растут.

3) Для каждой криптовалюты можно выделить twitter аккаунты, которые оказывают максимальное влияние на цену этой валюты.

И еще великое можество гипотез, которые сможете сформулировать Вы и проверить с помощью этого проекта.

=== Чему вы научитесь? ===
Работать с многомерными временными рядами с помощью Python или R, познакомитесь с базовыми идеями в NLP, получите опыт работы с Twitter.API
=== Какие начальные требования? ===

Проект подойдёт и новичкам в машинном обучении. Необходимо иметь желание разобраться с Python или R (NB! С помощью R тяжело применять state of the art решения в NLP, но зато намного проще освоить этот язык с нуля, с помощью него интереснее и легче делать интерактивные визуализации, работать с временными рядами и т.д.) Выбор за Вами.

=== Какие будут использоваться технологии? ===

Twitter API

Анализ транзакций блокчейна

R: shiny, ggplot2, data.table, forecast, vars, text2vec, etc.

Python: pandas, scikit-learn, statsmodels, xgboost, NLTK, CoreNLP word2vec, etc.

=== Темы вводных занятий ===

Twitter API.

(NB! Обратите внимание, что из твиттера возможно загрузить только последние две недели твиттов, поэтому необходимо заняться этим пунктом в первую очередь).

Модели временных рядов(VARs, (G)ARCH, ARIMA, LSTM, etc. Декомпозиция и Фурье/Вейвлет анализ.). Как прикрутить Xgboost :)

Краткий экскурс в NLP.

=== Направления развития ===

Два направления:

-Дальнейшее исследование алгоритмов машинного обучения для прогнозирования многомерных временных рядов (теоретическое направление)

-Создание прототипов торговых ботов (прикладное направление)

=== Критерии оценки ===
Сложно заранее выставить четкие критерии по проекту основанному на гипотезах, поэтому оценка будет скорее основана на количестве проделанной работы.

Ориентировочные критерии для КТ3:

5-7: получены все данные, произведен первичный анализ и визуализации, сделан baseline(скажем, многомерная линейная регрессия без учета взаимных корреляций и one hot encoding по словам из твиттов)

8-10: попробованы интересные методы, интерактивные визуализации, выдвинуты и протестированы свои гипотезы.

=== Ориентировочное расписание занятий ===

СР 14.00-..., СБ 14.00-..., ВТ ...-..., остальные дни занят, но расписание меняется в каждом новом модуле.

=== Контакты ===

По поводу данного проекта с любыми вопросами Вы можете написать мне в telegram: avpronkin или на почту из wiki профиля.

Многомерное прогнозирование цен криптовалют с помощью анализа открытых транзакций и Twitter (проект)

2017-09-28T23:21:48Z

РџСЂРѕРЅСЊРєРёРЅ РђР»РµРєСЃРµР№:

{{Карточка_проекта
|name=Многомерное прогнозирование цен криптовалют с помощью анализа открытых транзакций и Twitter
|mentor=Пронькин Алексей
|mentor_login={{URLENCODE:Пронькин Алексей|WIKI}}
|semester=Осень 2017
|course=2
|summer=
|number_of_students=TBA
|categorize=yes
}}

=== Что это за проект? ===
Определение среднесрочных (time frame 5-10 минут) цен на криптовалюты с помощью анализа многомерных временных рядов предыдущих цен и транзакций и новостям из twitter.

Есть множество исследований на тему того, что данный подход не получается применить к ценам акций, но пока непроверенная гипотеза состоит в том, что:

1) Рынок криптовалют в среднем движется в одном направлении при некотором хайпе, который можно оценить по Твиттеру.

2) Есть взаимосвязь цен один криптовалют от других с временным лагом (когда становятся популярнее одни валюты, курсы других падают или растут.

3) Для каждой криптовалюты можно выделить twitter аккаунты, которые оказывают максимальное влияние на цену этой валюты.

И еще великое можество гипотез, которые сможете сформулировать Вы и проверить с помощью этого проекта.

=== Чему вы научитесь? ===
Работать с многомерными временными рядами с помощью Python или R, познакомитесь с базовыми идеями в NLP, получите опыт работы с Twitter.API
=== Какие начальные требования? ===

Проект подойдёт и новичкам в машинном обучении. Необходимо иметь желание разобраться с Python или R (NB! С помощью R тяжело применять state of the art решения в NLP, но зато намного проще освоить этот язык с нуля, с помощью него интереснее и легче делать интерактивные визуализации, работать с временными рядами и т.д.) Выбор за Вами.

=== Какие будут использоваться технологии? ===

Twitter API

Анализ транзакций блокчейна

R: shiny, ggplot2, data.table, forecast, vars, text2vec, etc.

Python: pandas, scikit-learn, statsmodels, xgboost, NLTK, CoreNLP word2vec, etc.

=== Темы вводных занятий ===

Twitter API.

(NB! Обратите внимание, что из твиттера возможно загрузить только последние две недели твиттов, поэтому необходимо заняться этим пунктом в первую очередь).

Модели временных рядов(VARs, (G)ARCH, ARIMA, LSTM, etc Декомпозиция и Фурье/Вейвлет анализ.). Как прикрутить Xgboost :)

Краткий экскурс в NLP.

=== Направления развития ===

Два направления:

-Дальнейшее исследование алгоритмов машинного обучения для прогнозирования многомерных временных рядов (теоретическое направление)

-Создание прототипов торговых ботов (прикладное направление)

=== Критерии оценки ===
Сложно заранее выставить четкие критерии по проекту основанному на гипотезах, поэтому оценка будет скорее основана на количестве проделанной работы.

Ориентировочные критерии для КТ3:

5-7: получены все данные, произведен первичный анализ и визуализации, сделан baseline(скажем, многомерная линейная регрессия без учета взаимных корреляций и one hot encoding по словам из твиттов)

8-10: попробованы интересные методы, интерактивные визуализации, выдвинуты и протестированы свои гипотезы.

=== Ориентировочное расписание занятий ===

СР 14.00-..., СБ 14.00-..., ВТ ...-..., остальные дни занят, но расписание меняется в каждом новом модуле.

=== Контакты ===

По поводу данного проекта с любыми вопросами Вы можете написать мне в telegram: avpronkin или на почту из wiki профиля.

Участник:Пронькин Алексей

2017-09-28T23:20:16Z

РџСЂРѕРЅСЊРєРёРЅ РђР»РµРєСЃРµР№:

Выпускник МГУ. им. Ломоносова. Сейчас студент совместной магистерской программы ВШЭ и Сколтеха: "Статистическая теория обучения".

Участник:Пронькин Алексей

2017-09-28T23:18:38Z

РџСЂРѕРЅСЊРєРёРЅ РђР»РµРєСЃРµР№: Новая страница: «Выпускник МГУ. им. Ломоносова Сейчас студент совместной магистерской программы ВШЭ и Ск…»

Выпускник МГУ. им. Ломоносова
Сейчас студент совместной магистерской программы ВШЭ и Сколтеха: "Статистическая теория обучения".

Многомерное прогнозирование цен криптовалют с помощью анализа открытых транзакций и Twitter (проект)

2017-09-28T23:15:38Z

РџСЂРѕРЅСЊРєРёРЅ РђР»РµРєСЃРµР№:

{{Карточка_проекта
|name=Многомерное прогнозирование цен криптовалют с помощью анализа открытых транзакций и Twitter
|mentor=Пронькин Алексей
|mentor_login={{URLENCODE:Пронькин Алексей|WIKI}}
|semester=Осень 2017
|course=2
|summer=
|number_of_students=TBA
|categorize=yes
}}

=== Что это за проект? ===
Определение среднесрочных (time frame 5-10 минут) цен на криптовалюты с помощью анализа многомерных временных рядов предыдущих цен и транзакций и новостям из twitter.

Есть множество исследований на тему того, что данный подход не получается применить к ценам акций, но пока непроверенная гипотеза состоит в том, что:

1) Рынок криптовалют в среднем движется в одном направлении при некотором хайпе, который можно оценить по Твиттеру.

2) Есть взаимосвязь цен один криптовалют от других с временным лагом (когда становятся популярнее одни валюты, курсы других падают или растут.

3) Для каждой криптовалюты можно выделить twitter аккаунты, которые оказывают максимальное влияние на цену этой валюты.

И еще великое можество гипотез, которые сможете сформулировать Вы и проверить с помощью этого проекта.

=== Чему вы научитесь? ===
Работать с многомерными временными рядами с помощью Python или R, познакомитесь с базовыми идеями в NLP, получите опыт работы с Twitter.API
=== Какие начальные требования? ===

Проект подойдёт и новичкам в машинном обучении. Необходимо иметь желание разобраться с Python или R (NB! С помощью R тяжело применять state of the art решения в NLP, но зато намного проще освоить этот язык с нуля, с помощью него интереснее и легче делать интерактивные визуализации, работать с временными рядами и т.д.) Выбор

=== Какие будут использоваться технологии? ===

Twitter API

Анализ транзакций блокчейна

R: shiny, ggplot2, data.table, forecast, vars, text2vec, etc.

Python: pandas, scikit-learn, statsmodels, xgboost, NLTK, CoreNLP word2vec, etc.

=== Темы вводных занятий ===

Twitter API.

(NB! Обратите внимание, что из твиттера возможно загрузить только последние две недели твиттов, поэтому необходимо заняться этим пунктом в первую очередь).

Модели временных рядов(VARs, (G)ARCH, ARIMA, LSTM, etc Декомпозиция и Фурье/Вейвлет анализ.). Как прикрутить Xgboost :)

Краткий экскурс в NLP.

=== Направления развития ===

Два направления:

-Дальнейшее исследование алгоритмов машинного обучения для прогнозирования многомерных временных рядов (теоретическое направление)

-Создание прототипов торговых ботов (прикладное направление)

=== Критерии оценки ===
Сложно заранее выставить четкие критерии по проекту основанному на гипотезах, поэтому оценка будет скорее основана на количестве проделанной работы.

Ориентировочные критерии для КТ3:

5-7: получены все данные, произведен первичный анализ и визуализации, сделан baseline(скажем, многомерная линейная регрессия без учета взаимных корреляций и one hot encoding по словам из твиттов)

8-10: попробованы интересные методы, интерактивные визуализации, выдвинуты и протестированы свои гипотезы.

=== Ориентировочное расписание занятий ===

СР 14.00-..., СБ 14.00-..., ВТ ...-..., остальные дни занят, но расписание меняется в каждом новом модуле.

=== Контакты ===

По поводу данного проекта с любыми вопросами Вы можете написать мне в telegram: avpronkin или на почту из wiki профиля.

Автоматическая нарезка хайлайтов из длинных стримов по одной популярной игре (проект)

2017-09-28T23:14:28Z

РџСЂРѕРЅСЊРєРёРЅ РђР»РµРєСЃРµР№:

{{Карточка_проекта
|name=Автоматическая нарезка хайлайтов из длинных стримов по одной популярной игре
|mentor=Пронькин Алексей
|mentor_login={{URLENCODE:Пронькин Алексей|WIKI}}
|semester=Осень 2017
|course=2
|summer=
|number_of_students=6
|categorize=yes
}}

=== Что это за проект? ===
Нарезка самых интересных моментов видео по игре с помощью машинного обучения(CV, NLP, speech recognition/acoustic models)

Выборка: функция clips на twitch (30-60 секундные видео, которые делают зрители стрима) для определенной популярной игры.

=== Чему вы научитесь? ===
- Использовать один из фрейморков для deep learning (tensorflow или pytorch, на выбор).

- Использовать быстрые архитектуры свёрточных глубоких нейронных сетей для классификации (Inception-v3), сегментации (ENet) и детекции (SSD, YOLO).

- Использовать нейронные акустические модели и совершенствовать их скорость выполнения.

- Собирать production код с помощью tf.serve.

- Эффективно обрабатывать и рендерить видео через командную строку и python.

- Познакомитесь с Twitch.API.

=== Какие начальные требования? ===
Хорошее знание python. Желание писать и разбираться в длинном коде, стараться приводить его к production виду, много и долго разбираться в чужом коде. Знание (или огромное желание изучить) популярных(ые) архитектур(ы) нейросетей.

Проект не очень простой, поэтому предполагается, что Вы уже неплохо знаете питон, представляете как работают сверточные и рекуррентные нейросети, имеете много времени и мотивации.

=== Какие будут использоваться технологии? ===
Python, some JavaScript

Tensorflow(production) and(or) Pytorch

ffmpeg

InceptionV3,ResNet(ResNext),VGG(really old, but good feature extractor :-) ),SSD(YOLO),Enet(Unet)

https://github.com/TwitchDev/clips-samples

https://github.com/Franiac/TwitchLeecher

https://github.com/tensorflow/tensorflow

https://github.com/pytorch/pytorch

=== Темы вводных занятий ===
Вводное занятие по tensorflow и популярным архитектурам нейросетей, настройка окружения, выбор фреймворков.
Далее занятие по дедлайнам с демонстрацией Вашего кода.

=== Помощь ментора ===

- Теоретическая консультация о текущих state of the art (если лень использовать Google)

- Hardware

- Помощь в рамках Skoltech Data Science Club (можно будет прийти к нам и спросить, как решить какую-либо проблему с кодом)

=== Направления развития ===
Доведение прототипа до сервиса, которым могут пользоваться как зрители, так и сами стримеры для создания контента. Исследования в области повышения качества сервиса и метрик. Оптимизация кода.

=== Критерии оценки ===
Ориентировочные критерии за КТ3:

5-6: Одна нейросеть feature extractor + xgboost, результат вектор номеров интересных фреймов(секунд)

6-7: Тоже самое, но добавлены фичи(активность, one hot на смайлики и так далее) из чата

7-8: Тоже, но на выходе смонтированное видео

8-10: Тоже, но анализируется наличие и положение вебкамеры, добавлена маленькая нейросеть предобученная на эмоции, которая анализирует вебкамеру

Возможно повышение оценки, если прототип работает и силы были потрачены на глубокое исследование одного из пунктов(чат, вебкамера, акустическая модель)

=== Ориентировочное расписание занятий ===
СР 14.00-..., СБ 14.00-..., ВТ ...-..., остальные дни занят, но расписание меняется в каждом новом модуле.

=== Контакты ===

По поводу данного проекта с любыми вопросами Вы можете написать мне в telegram: avpronkin или на почту из wiki профиля.

Автоматическая нарезка хайлайтов из длинных стримов по одной популярной игре (проект)

2017-09-28T23:07:25Z

РџСЂРѕРЅСЊРєРёРЅ РђР»РµРєСЃРµР№:

{{Карточка_проекта
|name=Автоматическая нарезка хайлайтов из длинных стримов по одной популярной игре
|mentor=Пронькин Алексей
|mentor_login={{URLENCODE:Пронькин Алексей|WIKI}}
|semester=Осень 2017
|course=2
|summer=
|number_of_students=6
|categorize=yes
}}

=== Что это за проект? ===
Нарезка самых интересных моментов видео по игре с помощью машинного обучения(CV, NLP, speech recognition/acoustic models)

Выборка: функция clips на twitch (30-60 секундные видео, которые делают зрители стрима) для определенной популярной игры.

=== Чему вы научитесь? ===
- Использовать один из фрейморков для deep learning (tensorflow или pytorch, на выбор).

- Использовать быстрые архитектуры свёрточных глубоких нейронных сетей для классификации (Inception-v3), сегментации (ENet) и детекции (SSD, YOLO).

- Использовать нейронные акустические модели и совершенствовать их скорость выполнения.

- Собирать production код с помощью tf.serve.

- Эффективно обрабатывать и рендерить видео через командную строку и python.

- Познакомитесь с Twitch.API.

=== Какие начальные требования? ===
Хорошее знание python. Желание писать и разбираться в длинном коде, стараться приводить его к production виду, много и долго разбираться в чужом коде. Знание (или огромное желание изучить) популярных(ые) архитектур(ы) нейросетей.

Проект не очень простой, поэтому предполагается, что Вы уже неплохо знаете питон, представляете как работают сверточные и рекуррентные нейросети, имеете много времени и мотивации.

=== Какие будут использоваться технологии? ===
Python, some JavaScript

Tensorflow(production) and(or) Pytorch

ffmpeg

InceptionV3,ResNet(ResNext),VGG(really old, but good feature extractor :-) ),SSD(YOLO),Enet(Unet)

https://github.com/TwitchDev/clips-samples

https://github.com/Franiac/TwitchLeecher

https://github.com/tensorflow/tensorflow

https://github.com/pytorch/pytorch

=== Темы вводных занятий ===
Вводное занятие по tensorflow и популярным архитектурам нейросетей, настройка окружения, выбор фреймворков.
Далее занятие по дедлайнам с демонстрацией Вашего кода.

=== Направления развития ===
Доведение прототипа до сервиса, которым могут пользоваться как зрители, так и сами стримеры для создания контента. Исследования в области повышения качества сервиса и метрик. Оптимизация кода.

=== Критерии оценки ===
Ориентировочные критерии за КТ3:

5-6: Одна нейросеть feature extractor + xgboost, результат вектор номеров интересных фреймов(секунд)

6-7: Тоже самое, но добавлены фичи(активность, one hot на смайлики и так далее) из чата

7-8: Тоже, но на выходе смонтированное видео

8-10: Тоже, но анализируется наличие и положение вебкамеры, добавлена маленькая нейросеть предобученная на эмоции, которая анализирует вебкамеру

Возможно повышение оценки, если прототип работает и силы были потрачены на глубокое исследование одного из пунктов(чат, вебкамера, акустическая модель)

=== Ориентировочное расписание занятий ===
СР 14.00-..., СБ 14.00-..., ВТ ...-..., остальные дни занят, но расписание меняется в каждом новом модуле.

Многомерное прогнозирование цен криптовалют с помощью анализа открытых транзакций и Twitter (проект)

2017-09-28T23:03:26Z

РџСЂРѕРЅСЊРєРёРЅ РђР»РµРєСЃРµР№:

{{Карточка_проекта
|name=Многомерное прогнозирование цен криптовалют с помощью анализа открытых транзакций и Twitter
|mentor=Пронькин Алексей
|mentor_login={{URLENCODE:Пронькин Алексей|WIKI}}
|semester=Осень 2017
|course=2
|summer=
|number_of_students=TBA
|categorize=yes
}}

=== Что это за проект? ===
Определение среднесрочных (time frame 5-10 минут) цен на криптовалюты с помощью анализа многомерных временных рядов предыдущих цен и транзакций и новостям из twitter.

Есть множество исследований на тему того, что данный подход не получается применить к ценам акций, но пока непроверенная гипотеза состоит в том, что:

1) Рынок криптовалют в среднем движется в одном направлении при некотором хайпе, который можно оценить по Твиттеру.

2) Есть взаимосвязь цен один криптовалют от других с временным лагом (когда становятся популярнее одни валюты, курсы других падают или растут.

3) Для каждой криптовалюты можно выделить twitter аккаунты, которые оказывают максимальное влияние на цену этой валюты.

И еще великое можество гипотез, которые сможете сформулировать Вы и проверить с помощью этого проекта.

=== Чему вы научитесь? ===
Работать с многомерными временными рядами с помощью Python или R, познакомитесь с базовыми идеями в NLP, получите опыт работы с Twitter.API
=== Какие начальные требования? ===

Проект подойдёт и новичкам в машинном обучении. Необходимо иметь желание разобраться с Python или R (NB! С помощью R тяжело применять state of the art решения в NLP, но зато намного проще освоить этот язык с нуля, с помощью него интереснее и легче делать интерактивные визуализации, работать с временными рядами и т.д.) Выбор

=== Какие будут использоваться технологии? ===

Twitter API

Анализ транзакций блокчейна

R: shiny, ggplot2, data.table, forecast, vars, text2vec, etc.

Python: pandas, scikit-learn, statsmodels, xgboost, NLTK, CoreNLP word2vec, etc.

=== Темы вводных занятий ===

Twitter API.

(NB! Обратите внимание, что из твиттера возможно загрузить только последние две недели твиттов, поэтому необходимо заняться этим пунктом в первую очередь).

Модели временных рядов(VARs, (G)ARCH, ARIMA, LSTM, etc Декомпозиция и Фурье/Вейвлет анализ.). Как прикрутить Xgboost :)

Краткий экскурс в NLP.

=== Направления развития ===

Два направления:

-Дальнейшее исследование алгоритмов машинного обучения для прогнозирования многомерных временных рядов (теоретическое направление)

-Создание прототипов торговых ботов (прикладное направление)

=== Критерии оценки ===
Сложно заранее выставить четкие критерии по проекту основанному на гипотезах, поэтому оценка будет скорее основана на количестве проделанной работы.

Ориентировочные критерии для КТ3:

5-7: получены все данные, произведен первичный анализ и визуализации, сделан baseline(скажем, многомерная линейная регрессия без учета взаимных корреляций и one hot encoding по словам из твиттов)

8-10: попробованы интересные методы, интерактивные визуализации, выдвинуты и протестированы свои гипотезы.
=== Ориентировочное расписание занятий ===
СР 14.00-..., СБ 14.00-..., ВТ ...-..., остальные дни занят, но расписание меняется в каждом новом модуле.

Многомерное прогнозирование цен криптовалют с помощью анализа открытых транзакций и Twitter (проект)

2017-09-28T23:02:03Z

РџСЂРѕРЅСЊРєРёРЅ РђР»РµРєСЃРµР№:

{{Карточка_проекта
|name=Многомерное прогнозирование цен криптовалют с помощью анализа открытых транзакций и Twitter
|mentor=Пронькин Алексей
|mentor_login={{URLENCODE:Пронькин Алексей|WIKI}}
|semester=Осень 2017
|course=2
|summer=
|number_of_students=TBA
|categorize=yes
}}

=== Что это за проект? ===
Определение среднесрочных(тайм фрейм 5-10 минут) цен на криптовалюты с помощью анализа многомерных временных рядов предыдущих цен и транзакций и новостям из twitter.

Есть множество исследований на тему того, что данный подход не получается применить к ценам акций, но пока непроверенная гипотеза состоит в том, что:

1) Рынок криптовалют в среднем движется в одном направлении при некотором хайпе, который можно оценить по Твиттеру.

2) Есть взаимосвязь цен один криптовалют от других с временным лагом (когда становятся популярнее одни валюты, курсы других падают или растут.

3) Для каждой криптовалюты можно выделить twitter аккаунты, которые оказывают максимальное влияние на цену этой валюты.

И еще великое можество гипотез, которые сможете сформулировать Вы и проверить с помощью этого проекта.

=== Чему вы научитесь? ===
Работать с многомерными временными рядами с помощью Python или R, познакомитесь с базовыми идеями в NLP, получите опыт работы с Twitter.API
=== Какие начальные требования? ===

Проект подойдёт и новичкам в машинном обучении. Необходимо иметь желание разобраться с Python или R (NB! С помощью R тяжело применять state of the art решения в NLP, но зато намного проще освоить этот язык с нуля, с помощью него интереснее и легче делать интерактивные визуализации, работать с временными рядами и т.д.) Выбор

=== Какие будут использоваться технологии? ===

Twitter API

Анализ транзакций блокчейна

R: shiny, ggplot2, data.table, forecast, vars, text2vec, etc.

Python: pandas, scikit-learn, statsmodels, xgboost, NLTK, CoreNLP word2vec, etc.

=== Темы вводных занятий ===

Twitter API.

(NB! Обратите внимание, что из твиттера возможно загрузить только последние две недели твиттов, поэтому необходимо заняться этим пунктом в первую очередь).

Модели временных рядов(VARs, (G)ARCH, ARIMA, LSTM, etc Декомпозиция и Фурье/Вейвлет анализ.). Как прикрутить Xgboost :)

Краткий экскурс в NLP.

=== Направления развития ===

Два направления:

-Дальнейшее исследование алгоритмов машинного обучения для прогнозирования многомерных временных рядов (теоретическое направление)

-Создание прототипов торговых ботов (прикладное направление)

=== Критерии оценки ===
Сложно заранее выставить четкие критерии по проекту основанному на гипотезах, поэтому оценка будет скорее основана на количестве проделанной работы.

Ориентировочные критерии для КТ3:

5-7: получены все данные, произведен первичный анализ и визуализации, сделан baseline(скажем, многомерная линейная регрессия без учета взаимных корреляций и one hot encoding по словам из твиттов)

8-10: попробованы интересные методы, интерактивные визуализации, выдвинуты и протестированы свои гипотезы.
=== Ориентировочное расписание занятий ===
СР 14.00-..., СБ 14.00-..., ВТ ...-..., остальные дни занят, но расписание меняется в каждом новом модуле.

Многомерное прогнозирование цен криптовалют с помощью анализа открытых транзакций и Twitter (проект)

2017-09-28T23:01:16Z

РџСЂРѕРЅСЊРєРёРЅ РђР»РµРєСЃРµР№:

{{Карточка_проекта
|name=Многомерное прогнозирование цен криптовалют с помощью анализа открытых транзакций и Twitter
|mentor=Пронькин Алексей
|mentor_login={{URLENCODE:Пронькин Алексей|WIKI}}
|semester=Осень 2017
|course=2
|summer=
|number_of_students=TBA
|categorize=yes
}}

=== Что это за проект? ===
Определение среднесрочных(тайм фрейм 5-10 минут) цен на криптовалюты с помощью анализа многомерных временных рядов предыдущих цен и транзакций и новостям из twitter.

Есть множество исследований на тему того, что данный подход не получается применить к ценам акций, но пока непроверенная гипотеза состоит в том, что:

1) Рынок криптовалют в среднем движется в одном направлении при некотором хайпе, который можно оценить по Твиттеру.

2) Есть взаимосвязь цен один криптовалют от других с временным лагом (когда становятся популярнее одни валюты, курсы других падают или растут.

3) Для каждой криптовалюты можно выделить twitter аккаунты, которые оказывают максимальное влияние на цену этой валюты.

И еще великое можество гипотез, которые сможете сформулировать Вы и проверить с помощью этого проекта.

=== Чему вы научитесь? ===
Работать с многомерными временными рядами с помощью Python или R, познакомитесь с базовыми идеями в NLP, получите опыт работы с Twitter.API
=== Какие начальные требования? ===

Проект подойдёт и новичкам в машинном обучении. Необходимо иметь желание разобраться с Python или R (NB! С помощью R тяжело применять state of the art решения в NLP, но зато намного проще освоить этот язык с нуля, с помощью него интереснее и легче делать интерактивные визуализации, работать с временными рядами и т.д.) Выбор

=== Какие будут использоваться технологии? ===

Twitter API

Анализ транзакций блокчейна

R: shiny, ggplot2, data.table, forecast, vars, text2vec, etc.

Python: pandas, scikit-learn, statsmodels, xgboost, NLTK, CoreNLP word2vec, etc.

=== Темы вводных занятий ===

Twitter API.

(NB! Обратите внимание, что из твиттера возможно загрузить только последние две недели твиттов, поэтому необходимо заняться этим пунктом в первую очередь.

Модели временных рядов(VARs, (G)ARCH, ARIMA, LSTM, etc Декомпозиция и Фурье/Вейвлет анализ.). Как прикрутить Xgboost :)

Краткий экскурс в NLP.

=== Направления развития ===

Два направления:

-Дальнейшее исследование алгоритмов машинного обучения для прогнозирования многомерных временных рядов (теоретическое направление)

-Создание прототипов торговых ботов (прикладное направление)

=== Критерии оценки ===
Сложно заранее выставить четкие критерии по проекту основанному на гипотезах, поэтому оценка будет скорее основана на количестве проделанной работы.

Ориентировочные критерии для КТ3:

5-7: получены все данные, произведен первичный анализ и визуализации, сделан baseline(скажем, многомерная линейная регрессия без учета взаимных корреляций и one hot encoding по словам из твиттов)

8-10: попробованы интересные методы, интерактивные визуализации, выдвинуты и протестированы свои гипотезы.
=== Ориентировочное расписание занятий ===
СР 14.00-..., СБ 14.00-..., ВТ ...-..., остальные дни занят, но расписание меняется в каждом новом модуле.

Многомерное прогнозирование цен криптовалют с помощью анализа открытых транзакций и Twitter (проект)

2017-09-28T22:59:58Z

РџСЂРѕРЅСЊРєРёРЅ РђР»РµРєСЃРµР№:

{{Карточка_проекта
|name=Многомерное прогнозирование цен криптовалют с помощью анализа открытых транзакций и Twitter
|mentor=Пронькин Алексей
|mentor_login={{URLENCODE:Пронькин Алексей|WIKI}}
|semester=Осень 2017
|course=2
|summer=
|number_of_students=TBA
|categorize=yes
}}

=== Что это за проект? ===
Определение среднесрочных(тайм фрейм 5-10 минут) цен на криптовалюты с помощью анализа многомерных временных рядов предыдущих цен и транзакций и новостям из twitter.

Есть множество исследований на тему того, что данный подход не получается применить к ценам акций, но пока непроверенная гипотеза состоит в том, что:

1) Рынок криптовалют в среднем движется в одном направлении при некотором хайпе, который можно оценить по Твиттеру.

2) Есть взаимосвязь цен один криптовалют от других с временным лагом (когда становятся популярнее одни валюты, курсы других падают или растут.

3) Для каждой криптовалюты можно выделить twitter аккаунты, которые оказывают максимальное влияние на цену этой валюты.

И еще великое можество гипотез, которые сможете сформулировать Вы и проверить с помощью этого проекта.

=== Чему вы научитесь? ===
Работать с многомерными временными рядами с помощью Python или R, познакомитесь с базовыми идеями в NLP, получите опыт работы с Twitter.API
=== Какие начальные требования? ===

Проект подойдёт и новичкам в машинном обучении. Необходимо иметь желание разобраться с Python или R (NB! С помощью R тяжело применять state of the art решения в NLP, но зато намного проще освоить этот язык с нуля, с помощью него интереснее и легче делать интерактивные визуализации, работать с временными рядами и т.д.) Выбор

=== Какие будут использоваться технологии? ===

Twitter API

Анализ транзакций блокчейна

R: shiny, ggplot2, data.table, forecast, vars, text2vec, etc.

Python: pandas, scikit-learn, statsmodels, xgboost, NLTK, CoreNLP word2vec, etc.

=== Темы вводных занятий ===

Twitter API.

(NB! Обратите внимание, что из твиттера возможно загрузить только последние две недели твиттов, поэтому необходимо заняться этим пунктом в первую очередь.

Модели временных рядов(VARs, (G)ARCH, ARIMA, LSTM, etc Декомпозиция и Фурье/Вейвлет анализ.). Как прикрутить Xgboost :)

Краткий экскурс в NLP.

=== Направления развития ===

Два направления:

-Дальнейшее исследование алгоритмов машинного обучения для прогнозирования многомерных временных рядов (теоретическое направление)

-Создание прототипов торговых ботов (прикладное направление)

=== Критерии оценки ===
Сложно заранее выставить четкие критерии по проекту основанному на гипотезах, поэтому оценка будет скорее основана на количестве проделанной работы.
Примерные критерии для КТ3:
5-7: получены все данные, произведен первичный анализ и визуализации, сделан baseline(скажем, многомерная линейная регрессия без учета взаимных корреляций и one hot encoding по словам из твиттов)
8-10: попробованы интересные методы, интерактивные визуализации, выдвинуты и протестированы свои гипотезы.

=== Ориентировочное расписание занятий ===
СР 14.00-..., СБ 14.00-..., ВТ ...-..., остальные дни занят, но расписание меняется в каждом новом модуле.

Многомерное прогнозирование цен криптовалют с помощью анализа открытых транзакций и Twitter (проект)

2017-09-28T22:18:48Z

РџСЂРѕРЅСЊРєРёРЅ РђР»РµРєСЃРµР№:

Автоматическая нарезка хайлайтов из длинных стримов по одной популярной игре (проект)

2017-09-28T22:04:11Z

РџСЂРѕРЅСЊРєРёРЅ РђР»РµРєСЃРµР№:

{{Карточка_проекта
|name=Автоматическая нарезка хайлайтов из длинных стримов по одной популярной игре
|mentor=Пронькин Алексей
|mentor_login={{URLENCODE:Пронькин Алексей|WIKI}}
|semester=Осень 2017
|course=2
|summer=
|number_of_students=6
|categorize=yes
}}

=== Что это за проект? ===
Нарезка самых интересных моментов видео по игре с помощью машинного обучения(CV, NLP, speech recognition/acoustic models)

Выборка: функция clips на twitch (30-60 секундные видео, которые делают зрители стрима) для определенной популярной игры.

=== Чему вы научитесь? ===
- Использовать один из фрейморков для deep learning (tensorflow или pytorch, на выбор).

- Использовать быстрые архитектуры свёрточных глубоких нейронных сетей для классификации (Inception-v3), сегментации (ENet) и детекции (SSD, YOLO).

- Использовать нейронные акустические модели и совершенствовать их скорость выполнения.

- Собирать production код с помощью tf.serve.

- Эффективно обрабатывать и рендерить видео через командную строку и python.

- Познакомитесь с Twitch.API.

=== Какие начальные требования? ===
Хорошее знание python. Желание писать и разбираться в длинном коде, стараться приводить его к production виду, много и долго разбираться в чужом коде. Знание (или огромное желание изучить) популярных(ые) архитектур(ы) нейросетей.

Проект не очень простой, поэтому предполагается, что Вы уже неплохо знаете питон, представляете как работают сверточные и рекуррентные нейросети, имеете много времени и мотивации.

=== Какие будут использоваться технологии? ===
Python, some JavaScript

Tensorflow(production) and(or) Pytorch

ffmpeg

InceptionV3,ResNet(ResNext),VGG(really old, but good feature extractor :-) ),SSD(YOLO),Enet(Unet)

https://github.com/TwitchDev/clips-samples

https://github.com/Franiac/TwitchLeecher

https://github.com/tensorflow/tensorflow

https://github.com/pytorch/pytorch

=== Темы вводных занятий ===
Вводное занятие по tensorflow и популярным архитектурам нейросетей, настройка окружения, выбор фреймворков.
Далее занятие по дедлайнам с демонстрацией Вашего кода.

=== Направления развития ===
Доведение прототипа до сервиса, которым могут пользоваться как зрители, так и сами стримеры для создания контента. Исследования в области повышения качества сервиса и метрик. Оптимизация кода.

=== Критерии оценки ===
5-6: Одна нейросеть feature extractor + xgboost, результат вектор номеров интересных фреймов(секунд)

6-7: Тоже самое, но добавлены фичи(активность, one hot на смайлики и так далее) из чата

7-8: Тоже, но на выходе смонтированное видео

8-10: Тоже, но анализируется наличие и положение вебкамеры, добавлена маленькая нейросеть предобученная на эмоции, которая анализирует вебкамеру

Возможно повышение оценки, если прототип работает и силы были потрачены на глубокое исследование одного из пунктов(чат, вебкамера, акустическая модель)

=== Ориентировочное расписание занятий ===
СР 14.00-..., СБ 14.00-..., ВТ ...-..., остальные дни занят, но расписание меняется в каждом новом модуле.

Автоматическая нарезка highlights из длинных игровых twitch streams (проект)

2017-09-28T22:01:52Z

РџСЂРѕРЅСЊРєРёРЅ РђР»РµРєСЃРµР№: Полностью удалено содержимое страницы

Автоматическая нарезка хайлайтов из длинных стримов по одной популярной игре (проект)

2017-09-28T22:00:03Z

РџСЂРѕРЅСЊРєРёРЅ РђР»РµРєСЃРµР№: Новая страница, с помощью формы Новый_проект

{{Карточка_проекта
|name=Автоматическая нарезка хайлайтов из длинных стримов по одной популярной игре
|mentor=Пронькин Алексей
|mentor_login={{URLENCODE:Пронькин Алексей|WIKI}}
|semester=Осень 2017
|course=2
|summer=
|number_of_students=6
|categorize=yes
}}

=== Что это за проект? ===
Нарезка самых интересных моментов видео по игре с помощью машинного обучения(CV, NLP, speech recognition/acoustic models)

Выборка: функция clips на twitch (30-60 секундные видео, которые делают зрители стрима) для определенной популярной игры.

=== Чему вы научитесь? ===
- Использовать один из фрейморков для deep learning (tensorflow или pytorch, на выбор).

- Использовать быстрые архитектуры свёрточных глубоких нейронных сетей для классификации (Inception-v3), сегментации (ENet) и детекции (SSD, YOLO).

- Использовать нейронные акустические модели и совершенствовать их скорость выполнения.

- Собирать production код с помощью tf.serve.

- Эффективно обрабатывать и рендерить видео через командную строку и python.

- Познакомитесь с Twitch.API.

=== Какие начальные требования? ===
Хорошее знание python. Желание писать и разбираться в длинном коде, стараться приводить его к production виду, много и долго разбираться в чужом коде. Знание (или огромное желание изучить) популярных(ые) архитектур(ы) нейросетей.

Проект не очень простой, поэтому предполагается, что Вы уже неплохо знаете питон, представляете как работают сверточные и рекуррентные нейросети, имеете много времени и мотивации.

=== Какие будут использоваться технологии? ===
Python, some JavaScript

Tensorflow(production) and(or) Pytorch

ffmpeg

InceptionV3,ResNet(ResNext),VGG(really old, but good feature extractor :-) ),SSD(YOLO),Enet(Unet)

https://github.com/TwitchDev/clips-samples

https://github.com/Franiac/TwitchLeecher

https://github.com/tensorflow/tensorflow

https://github.com/pytorch/pytorch

=== Темы вводных занятий ===
Вводное занятие по tensorflow и популярным архитектурам нейросетей, настройка окружения, выбор фреймворков.
Далее занятие по дедлайнам с демонстрацией Вашего кода.

=== Направления развития ===
Доведение прототипа до сервиса, которым могут пользоваться как зрители, так и сами стримеры для создания контента. Исследования в области повышения качества сервиса и метрик. Оптимизация кода.

=== Критерии оценки ===
5-6: Одна нейросеть feature extractor + xgboost, результат вектор интересных секунд

6-7: Тоже самое, но добавлены фичи(активность, one hot на смайлики и так далее) из чата

7-8: Тоже, но на выходе смонтированное видео

8-10: Тоже, но анализируется наличие и положение вебкамеры, добавлена маленькая нейросеть предобученная на эмоции, которая анализирует вебкамеру

Возможно повышение оценки, если прототип работает и силы были потрачены на глубокое исследование одного из пунктов(чат, вебкамера, акустическая модель)

=== Ориентировочное расписание занятий ===
СР 14.00-..., СБ 14.00-..., ВТ ...-..., остальные дни занят, но расписание меняется в каждом новом модуле.

Автоматическая нарезка highlights из длинных игровых twitch streams (проект)

2017-09-28T21:07:09Z

РџСЂРѕРЅСЊРєРёРЅ РђР»РµРєСЃРµР№:

{{Карточка_проекта
|name=Автоматическая нарезка хайлайтов из длинных стримов по одной популярной игре
|mentor=Пронькин Алексей
|mentor_login={{URLENCODE:Пронькин Алексей|WIKI}}
|semester=Осень 2017
|course=2
|summer=
|number_of_students=TBA
|categorize=yes
}}

=== Что это за проект? ===
Нарезка самых интересных моментов видео по игре с помощью машинного обучения(CV, NLP, speech recognition/acoustic models)

Выборка: функция clips на twitch (30-60 секундные видео, которые делают зрители стрима) для определенной популярной игры.

=== Чему вы научитесь? ===
- Использовать один из фрейморков для deep learning (tensorflow или pytorch, на выбор).

- Использовать быстрые архитектуры свёрточных глубоких нейронных сетей для классификации (Inception-v3), сегментации (ENet) и детекции (SSD, YOLO).

- Использовать нейронные акустические модели и совершенствовать их скорость выполнения.

- Собирать production код с помощью tf.serve.

- Эффективно обрабатывать и рендерить видео через командную строку и python.

- Познакомитесь с Twitch.API.

=== Какие начальные требования? ===
Хорошее знание python. Желание писать и разбираться в длинном коде, желание изучить популярные архитектуры нейросетей вместе с огромной мотивацией.

=== Какие будут использоваться технологии? ===
Python, some JavaScript

Tensorflow(production) and(or) Pytorch

ffmpeg

InceptionV3,ResNet(ResNext),VGG(really old, but good feature extractor :-) ),SSD(YOLO),Enet(Unet)

https://github.com/TwitchDev/clips-samples

https://github.com/Franiac/TwitchLeecher

https://github.com/tensorflow/tensorflow

https://github.com/pytorch/pytorch

=== Темы вводных занятий ===
Вводное занятие по tensorflow и популярным архитектурам нейросетей (на случай, если Вам лень гуглить)

=== Помощь ментора ===

- Теоретическая консультация о текущих state of the art (если лень использовать Google)

- Hardware

- Помощь в рамках Skoltech Data Science Club (можно будет прийти к нам и спросить, как решить какую-либо проблему с кодом)

=== Критерии оценки ===
5-6: Одна нейросеть feature extractor + xgboost, результат вектор интересных секунд

6-7: Тоже самое, но добавлены фичи(активность, one hot на смайлики и так далее) из чата

7-8: Тоже, но на выходе смонтированное видео

8-10: Тоже, но анализируется наличие и положение вебкамеры, добавлена маленькая нейросеть предобученная на эмоции, которая анализирует вебкамеру

Возможно повышение оценки, если прототип работает и силы были потрачены на глубокое исследование одного из пунктов(чат, вебкамера, акустическая модель)

=== Ориентировочное расписание занятий ===
TBA

Автоматическая нарезка highlights из длинных игровых twitch streams (проект)

2017-09-28T21:05:48Z

РџСЂРѕРЅСЊРєРёРЅ РђР»РµРєСЃРµР№:

{{Карточка_проекта
|name=Автоматическая нарезка хайлайтов из длинных стримов по одной популярной игре
|mentor=Пронькин Алексей
|mentor_login={{URLENCODE:Пронькин Алексей|WIKI}}
|semester=Осень 2017
|course=2
|summer=
|number_of_students=TBA
|categorize=yes
}}

=== Что это за проект? ===
Нарезка самых интересных моментов видео по играм с помощью машинного обучения(CV, NLP, speech recognition/acoustic models)

Выборка: функция clips на twitch (30-60 секундные видео, которые делают зрители стрима) для определенной популярной игры.

=== Чему вы научитесь? ===
- Использовать один из фрейморков для deep learning (tensorflow или pytorch, на выбор).

- Использовать быстрые архитектуры свёрточных глубоких нейронных сетей для классификации (Inception-v3), сегментации (ENet) и детекции (SSD, YOLO).

- Использовать нейронные акустические модели и совершенствовать их скорость выполнения.

- Собирать production код с помощью tf.serve.

- Эффективно обрабатывать и рендерить видео через командную строку и python.

- Познакомитесь с Twitch.API.

=== Какие начальные требования? ===
Хорошее знание python. Желание писать и разбираться в длинном коде, желание изучить популярные архитектуры нейросетей вместе с огромной мотивацией.

=== Какие будут использоваться технологии? ===
Python, some JavaScript

Tensorflow(production) and(or) Pytorch

ffmpeg

InceptionV3,ResNet(ResNext),VGG(really old, but good feature extractor :-) ),SSD(YOLO),Enet(Unet)

https://github.com/TwitchDev/clips-samples

https://github.com/Franiac/TwitchLeecher

https://github.com/tensorflow/tensorflow

https://github.com/pytorch/pytorch

=== Темы вводных занятий ===
Вводное занятие по tensorflow и популярным архитектурам нейросетей (на случай, если Вам лень гуглить)

=== Помощь ментора ===

- Теоретическая консультация о текущих state of the art (если лень использовать Google)

- Hardware

- Помощь в рамках Skoltech Data Science Club (можно будет прийти к нам и спросить, как решить какую-либо проблему с кодом)

=== Критерии оценки ===
5-6: Одна нейросеть feature extractor + xgboost, результат вектор интересных секунд

6-7: Тоже самое, но добавлены фичи(активность, one hot на смайлики и так далее) из чата

7-8: Тоже, но на выходе смонтированное видео

8-10: Тоже, но анализируется наличие и положение вебкамеры, добавлена маленькая нейросеть предобученная на эмоции, которая анализирует вебкамеру

Возможно повышение оценки, если прототип работает и силы были потрачены на глубокое исследование одного из пунктов(чат, вебкамера, акустическая модель)

=== Ориентировочное расписание занятий ===
TBA

Автоматическая нарезка highlights из длинных игровых twitch streams (проект)

2017-09-28T21:03:09Z

РџСЂРѕРЅСЊРєРёРЅ РђР»РµРєСЃРµР№:

{{Карточка_проекта
|name=Автоматическая нарезка хайлайтов из длинных игровых стримов по одной популярной игре
|mentor=Пронькин Алексей
|mentor_login={{URLENCODE:Пронькин Алексей|WIKI}}
|semester=Осень 2017
|course=2
|summer=
|number_of_students=TBA
|categorize=yes
}}

=== Что это за проект? ===
Нарезка самых интересных моментов видео по играм с помощью машинного обучения(CV, NLP, speech recognition/acoustic models)

Выборка: функция clips на twitch (30-60 секундные видео, которые делают зрители стрима) для определенной популярной игры.

=== Чему вы научитесь? ===
- Использовать один из фрейморков для deep learning (tensorflow или pytorch, на выбор).

- Использовать быстрые архитектуры свёрточных глубоких нейронных сетей для классификации (Inception-v3), сегментации (ENet) и детекции (SSD, YOLO).

- Использовать нейронные акустические модели и совершенствовать их скорость выполнения.

- Собирать production код с помощью tf.serve.

- Эффективно обрабатывать и рендерить видео через командную строку и python.

- Познакомитесь с Twitch.API.

=== Какие начальные требования? ===
Хорошее знание python. Желание писать и разбираться в длинном коде, желание изучить популярные архитектуры нейросетей вместе с огромной мотивацией.

=== Какие будут использоваться технологии? ===
Python, some JavaScript

Tensorflow(production) and(or) Pytorch

ffmpeg

InceptionV3,ResNet(ResNext),VGG(really old, but good feature extractor :-) ),SSD(YOLO),Enet(Unet)

https://github.com/TwitchDev/clips-samples

https://github.com/Franiac/TwitchLeecher

https://github.com/tensorflow/tensorflow

https://github.com/pytorch/pytorch

=== Темы вводных занятий ===
Вводное занятие по tensorflow и популярным архитектурам нейросетей (на случай, если Вам лень гуглить)

=== Помощь ментора ===

- Теоретическая консультация о текущих state of the art (если лень использовать Google)

- Hardware

- Помощь в рамках Skoltech Data Science Club (можно будет прийти к нам и спросить как решить какую либо проблему с кодом)

=== Критерии оценки ===
5-6: Одна нейросеть feature extractor + xgboost, результат вектор интересных секунд

6-7: Тоже самое, но добавлены фичи(активность, one hot на смайлики и так далее) из чата

7-8: Тоже, но на выходе смонтированное видео

8-10: Тоже, но анализируется наличие и положение вебкамеры, добавлена маленькая нейросеть предобученная на эмоции, которая анализирует вебкамеру

Возможно повышение оценки, если прототип работает и силы были потрачены на глубокое исследование одного из пунктов(чат, вебкамера, акустическая модель)

=== Ориентировочное расписание занятий ===
TBA

Автоматическая нарезка highlights из длинных игровых twitch streams (проект)

2017-09-28T20:59:30Z

РџСЂРѕРЅСЊРєРёРЅ РђР»РµРєСЃРµР№:

{{Карточка_проекта
|name=Автоматическая нарезка highlights из длинных игровых twitch streams
|mentor=Пронькин Алексей
|mentor_login={{URLENCODE:GalinaKaleeva|WIKI}}
|semester=Осень 2017
|course=2
|summer=
|number_of_students=TBA
|categorize=yes
}}

=== Что это за проект? ===
Нарезка самых интересных моментов видео по играм с помощью машинного обучения(CV, NLP, speech recognition/acoustic models)

Выборка: функция clips на twitch (30-60 секундные видео, которые делают зрители стрима) для определенной популярной игры.

=== Чему вы научитесь? ===
- Использовать один из фрейморков для deep learning (tensorflow или pytorch, на выбор).

- Использовать быстрые архитектуры свёрточных глубоких нейронных сетей для классификации (Inception-v3), сегментации (ENet) и детекции (SSD, YOLO).

- Использовать нейронные акустические модели и совершенствовать их скорость выполнения.

- Собирать production код с помощью tf.serve.

- Эффективно обрабатывать и рендерить видео через командную строку и python.

- Познакомитесь с Twitch.API.

=== Какие начальные требования? ===
Хорошее знание python. Желание писать и разбираться в длинном коде, желание изучить популярные архитектуры нейросетей вместе с огромной мотивацией.

=== Какие будут использоваться технологии? ===
Python, some JavaScript

Tensorflow(production) and(or) Pytorch

ffmpeg

InceptionV3,ResNet(ResNext),VGG(really old, but good feature extractor :-) ),SSD(YOLO),Enet(Unet)

https://github.com/TwitchDev/clips-samples

https://github.com/Franiac/TwitchLeecher

https://github.com/tensorflow/tensorflow

https://github.com/pytorch/pytorch

=== Темы вводных занятий ===
Вводное занятие по tensorflow и популярным архитектурам нейросетей (на случай, если Вам лень гуглить)

=== Помощь ментора ===

- Теоретическая консультация о текущих state of the art (если лень использовать Google)

- Hardware

- Помощь в рамках Skoltech Data Science Club (можно будет прийти к нам и спросить как решить какую либо проблему с кодом)

=== Критерии оценки ===
5-6: Одна нейросеть feature extractor + xgboost, результат вектор интересных секунд

6-7: Тоже самое, но добавлены фичи(активность, one hot на смайлики и так далее) из чата

7-8: Тоже, но на выходе смонтированное видео

8-10: Тоже, но анализируется наличие и положение вебкамеры, добавлена маленькая нейросеть предобученная на эмоции, которая анализирует вебкамеру

Возможно повышение оценки, если прототип работает и силы были потрачены на глубокое исследование одного из пунктов(чат, вебкамера, акустическая модель)

=== Ориентировочное расписание занятий ===
TBA

Автоматическая нарезка highlights из длинных игровых twitch streams (проект)

2017-09-28T20:56:59Z

РџСЂРѕРЅСЊРєРёРЅ РђР»РµРєСЃРµР№:

{{Карточка_проекта
|name=Автоматическая нарезка highlights из длинных игровых twitch streams
|mentor=Пронькин Алексей
|mentor_login={{URLENCODE:GalinaKaleeva|WIKI}}
|semester=Осень 2017
|course=2
|summer=
|number_of_students=TBA
|categorize=yes
}}

=== Что это за проект? ===
Нарезка самых интересных моментов видео по играм с помощью машинного обучения(CV, NLP, speech recognition/acoustic models)

Выборка: функция clips на twitch (30-60 секундные видео, которые делают зрители стрима) для определенной популярной игры.

=== Чему вы научитесь? ===
- Использовать один из фрейморков для deep learning (tensorflow или pytorch, на выбор).

- Использовать быстрые архитектуры свёрточных глубоких нейронных сетей для классификации (Inception-v3), сегментации (ENet) и детекции (SSD, YOLO).

- Использовать нейронные акустические модели и совершенствовать их скорость выполнения.

- Собирать production код с помощью tf.serve.

- Эффективно обрабатывать и рендерить видео через командную строку и python.

- Познакомитесь с Twitch.API.

=== Какие начальные требования? ===
Хорошее знание python. Желание писать и разбираться в длинном коде, желание изучить популярные архитектуры нейросетей вместе с огромной мотивацией.

=== Какие будут использоваться технологии? ===
Python, some JavaScript

Tensorflow(production) and(or) Pytorch

ffmpeg

InceptionV3,ResNet(ResNext),VGG(really old, but good feature extractor :-) ),SSD(YOLO),Enet(Unet)

https://github.com/TwitchDev/clips-samples

https://github.com/Franiac/TwitchLeecher

https://github.com/tensorflow/tensorflow

https://github.com/pytorch/pytorch

=== Темы вводных занятий ===
Вводное занятие по tensorflow и популярным архитектурам нейросетей (на случай, если Вам лень гуглить)

=== Направления развития ===
TBA

=== Критерии оценки ===
5-6: Одна нейросеть feature extractor + xgboost, результат вектор интересных секунд

6-7: Тоже самое, но добавлены фичи(активность, one hot на смайлики и так далее) из чата

7-8: Тоже, но на выходе смонтированное видео

8-10: Тоже, но анализируется наличие и положение вебкамеры, добавлена маленькая нейросеть предобученная на эмоции, которая анализирует вебкамеру

Возможно повышение оценки, если прототип работает и силы были потрачены на глубокое исследование одного из пунктов(чат, вебкамера, акустическая модель)

=== Ориентировочное расписание занятий ===
TBA

Автоматическая нарезка highlights из длинных игровых twitch streams (проект)

2017-09-28T20:55:12Z

РџСЂРѕРЅСЊРєРёРЅ РђР»РµРєСЃРµР№:

{{Карточка_проекта
|name=Автоматическая нарезка highlights из длинных игровых twitch streams
|mentor=Пронькин Алексей
|mentor_login={{URLENCODE:GalinaKaleeva|WIKI}}
|semester=Осень 2017
|course=2
|summer=
|number_of_students=TBA
|categorize=yes
}}

=== Что это за проект? ===
Нарезка самых интересных моментов видео по играм с помощью машинного обучения(CV, NLP, speech recognition/acoustic models)

Выборка: функция clips на twitch (30-60 секундные видео, которые делают зрители стрима) для определенной популярной игры.

=== Чему вы научитесь? ===
- Использовать один из фрейморков для deep learning (tensorflow или pytorch, на выбор).

- Использовать быстрые архитектуры свёрточных глубоких нейронных сетей для классификации (Inception-v3), сегментации (ENet) и детекции (SSD, YOLO).

- Использовать нейронные акустические модели и совершенствовать их скорость выполнения.

- Собирать production код с помощью tf.serve.

- Эффективно обрабатывать и рендерить видео через командную строку и python.

- Познакомитесь с Twitch.API.

=== Какие начальные требования? ===
Хорошее знание python. Желание писать и разбираться в длинном коде, желание изучить популярные архитектуры нейросетей вместе с огромной мотивацией.

=== Какие будут использоваться технологии? ===
Python, some JavaScript

Tensorflow(production) and(or) Pytorch

ffmpeg

InceptionV3,ResNet(ResNext),VGG(really old, but good feature extractor :-) ),SSD(YOLO),Enet(Unet)

https://github.com/TwitchDev/clips-samples

https://github.com/Franiac/TwitchLeecher

https://github.com/tensorflow/tensorflow

https://github.com/pytorch/pytorch

=== Темы вводных занятий ===
TBA

=== Направления развития ===
TBA

=== Критерии оценки ===
5-6: Одна нейросеть feature extractor + xgboost, результат вектор интересных секунд

6-7: Тоже самое, но добавлены фичи(активность, one hot на смайлики и так далее) из чата

7-8: Тоже, но на выходе смонтированное видео

8-10: Тоже, но анализируется наличие и положение вебкамеры, добавлена маленькая нейросеть предобученная на эмоции, которая анализирует вебкамеру

Возможно повышение оценки, если прототип работает и силы были потрачены на глубокое исследование одного из пунктов(чат, вебкамера, акустическая модель)

=== Ориентировочное расписание занятий ===
TBA

Автоматическая нарезка highlights из длинных игровых twitch streams (проект)

2017-09-28T20:54:15Z

РџСЂРѕРЅСЊРєРёРЅ РђР»РµРєСЃРµР№: /* Критерии оценки */

{{Карточка_проекта
|name=Автоматическая нарезка highlights из длинных игровых twitch streams
|mentor=Пронькин Алексей
|mentor_login={{URLENCODE:GalinaKaleeva|WIKI}}
|semester=Осень 2017
|course=2
|summer=
|number_of_students=TBA
|categorize=yes
}}

=== Что это за проект? ===
Нарезка самых интересных моментов видео по играм с помощью машинного обучения(CV, NLP, speech recognition/acoustic models)

Выборка: функция clips на twitch (30-60 секундные видео, которые делают зрители стрима) для определенной популярной игры.

Помощь ментора:

- Теоретическая консультация о текущих state of the art (если лень использовать Google)

- Hardware

- Помощь в рамках Skoltech Data Science Club

Проект не простой, поэтому предполагается, что Вы уже хорошо знаете питон, представляете как работают сверточные и рекуррентные нейросети, имеете много времени и мотивации.

=== Чему вы научитесь? ===
- Использовать один из фрейморков для deep learning (tensorflow или pytorch, на выбор).

- Использовать быстрые архитектуры свёрточных глубоких нейронных сетей для классификации (Inception-v3), сегментации (ENet) и детекции (SSD, YOLO).

- Использовать нейронные акустические модели и совершенствовать их скорость выполнения.

- Собирать production код с помощью tf.serve.

- Эффективно обрабатывать и рендерить видео через командную строку и python.

- Познакомитесь с Twitch.API.

=== Какие начальные требования? ===
Хорошее знание python. Желание писать и разбираться в длинном коде, желание изучить популярные архитектуры нейросетей вместе с огромной мотивацией.

=== Какие будут использоваться технологии? ===
Python, some JavaScript

Tensorflow(production) and(or) Pytorch

ffmpeg

InceptionV3,ResNet(ResNext),VGG(really old, but good feature extractor :-) ),SSD(YOLO),Enet(Unet)

https://github.com/TwitchDev/clips-samples

https://github.com/Franiac/TwitchLeecher

https://github.com/tensorflow/tensorflow

https://github.com/pytorch/pytorch

=== Темы вводных занятий ===
TBA

=== Направления развития ===
TBA

=== Критерии оценки ===
5-6: Одна нейросеть feature extractor + xgboost, результат вектор интересных секунд

6-7: Тоже самое, но добавлены фичи(активность, one hot на смайлики и так далее) из чата

7-8: Тоже, но на выходе смонтированное видео

8-10: Тоже, но анализируется наличие и положение вебкамеры, добавлена маленькая нейросеть предобученная на эмоции, которая анализирует вебкамеру

Возможно повышение оценки, если прототип работает и силы были потрачены на глубокое исследование одного из пунктов(чат, вебкамера, акустическая модель)

=== Ориентировочное расписание занятий ===
TBA

Автоматическая нарезка highlights из длинных игровых twitch streams (проект)

2017-09-28T20:46:32Z

РџСЂРѕРЅСЊРєРёРЅ РђР»РµРєСЃРµР№:

{{Карточка_проекта
|name=Автоматическая нарезка highlights из длинных игровых twitch streams
|mentor=Пронькин Алексей
|mentor_login={{URLENCODE:GalinaKaleeva|WIKI}}
|semester=Осень 2017
|course=2
|summer=
|number_of_students=TBA
|categorize=yes
}}

=== Что это за проект? ===
Нарезка самых интересных моментов видео по играм с помощью машинного обучения(CV, NLP, speech recognition/acoustic models)

Выборка: функция clips на twitch (30-60 секундные видео, которые делают зрители стрима) для определенной популярной игры.

Помощь ментора:

- Теоретическая консультация о текущих state of the art (если лень использовать Google)

- Hardware

- Помощь в рамках Skoltech Data Science Club

Проект не простой, поэтому предполагается, что Вы уже хорошо знаете питон, представляете как работают сверточные и рекуррентные нейросети, имеете много времени и мотивации.

=== Чему вы научитесь? ===
- Использовать один из фрейморков для deep learning (tensorflow или pytorch, на выбор).

- Использовать быстрые архитектуры свёрточных глубоких нейронных сетей для классификации (Inception-v3), сегментации (ENet) и детекции (SSD, YOLO).

- Использовать нейронные акустические модели и совершенствовать их скорость выполнения.

- Собирать production код с помощью tf.serve.

- Эффективно обрабатывать и рендерить видео через командную строку и python.

- Познакомитесь с Twitch.API.

=== Какие начальные требования? ===
Хорошее знание python. Желание писать и разбираться в длинном коде, желание изучить популярные архитектуры нейросетей вместе с огромной мотивацией.

=== Какие будут использоваться технологии? ===
Python, some JavaScript

Tensorflow(production) and(or) Pytorch

ffmpeg

InceptionV3,ResNet(ResNext),VGG(really old, but good feature extractor :-) ),SSD(YOLO),Enet(Unet)

https://github.com/TwitchDev/clips-samples

https://github.com/Franiac/TwitchLeecher

https://github.com/tensorflow/tensorflow

https://github.com/pytorch/pytorch

=== Темы вводных занятий ===
TBA

=== Направления развития ===
TBA

=== Критерии оценки ===
TBA

=== Ориентировочное расписание занятий ===
TBA

Автоматическая нарезка highlights из длинных игровых twitch streams (проект)

2017-09-28T20:37:55Z

РџСЂРѕРЅСЊРєРёРЅ РђР»РµРєСЃРµР№:

Автоматическая нарезка highlights из длинных игровых twitch streams (проект)

2017-09-28T20:35:45Z

РџСЂРѕРЅСЊРєРёРЅ РђР»РµРєСЃРµР№:

Автоматическая нарезка highlights из длинных игровых twitch streams (проект)

2017-09-28T20:34:32Z

РџСЂРѕРЅСЊРєРёРЅ РђР»РµРєСЃРµР№: