Neste material, abordaremos sobre a Cultura Hacker, analisaremos como surgiu esse grupo, como eles se organizaram em um padrão cultural e porque a maioria dos estereótipos impostos a eles são equivocados. Faremos um breve estudo sobre o surgimento e evolução das atividades que envolvem a Cultura Hacker.
Building an Implicit Recommendation Engine with Spark with Sophie WatsonDatabricks
Many of today’s most engaging – and commercially important – applications provide personalised experiences to users. Collaborative filtering algorithms capture the commonality between users and enable applications to make personalised recommendations quickly and efficiently. The Alternating Least Squares (ALS) algorithm is still deemed the industry standard in collaborative filtering. In this talk Sophie will show you how to implement ALS using Apache Spark to build your own recommendation engine.
Sophie will show that, by splitting the recommendation engine into multiple cooperating services, it is possible to reduce the system’s complexity and produce a robust collaborative filtering platform with support for continuous model training. In this presentation you will learn how to build a recommendation system for the case where recorded data is explicitly given as a rating, as well as for the case where the data is less succinct. You will walk away from this talk with the knowledge and tools needed to implement your own recommendation system using collaborative filtering and microservices.
Recap: Designing a more Efficient Estimator for Off-policy Evaluation in Band...Justin Basilico
Talk from the REVEAL workshop at RecSys 2019 on 2019-09-20 in Copenhagen, Denmark. The slides were primarily made by Ajinkya More and the paper was also joint work with Linas Baltrunas and Nikos Vlassis.
The paper is available here: https://drive.google.com/open?id=1oaM5Fu2bJ0GzMC09yyqjA7eZD9axzSKb
Neste material, abordaremos sobre a Cultura Hacker, analisaremos como surgiu esse grupo, como eles se organizaram em um padrão cultural e porque a maioria dos estereótipos impostos a eles são equivocados. Faremos um breve estudo sobre o surgimento e evolução das atividades que envolvem a Cultura Hacker.
Building an Implicit Recommendation Engine with Spark with Sophie WatsonDatabricks
Many of today’s most engaging – and commercially important – applications provide personalised experiences to users. Collaborative filtering algorithms capture the commonality between users and enable applications to make personalised recommendations quickly and efficiently. The Alternating Least Squares (ALS) algorithm is still deemed the industry standard in collaborative filtering. In this talk Sophie will show you how to implement ALS using Apache Spark to build your own recommendation engine.
Sophie will show that, by splitting the recommendation engine into multiple cooperating services, it is possible to reduce the system’s complexity and produce a robust collaborative filtering platform with support for continuous model training. In this presentation you will learn how to build a recommendation system for the case where recorded data is explicitly given as a rating, as well as for the case where the data is less succinct. You will walk away from this talk with the knowledge and tools needed to implement your own recommendation system using collaborative filtering and microservices.
Recap: Designing a more Efficient Estimator for Off-policy Evaluation in Band...Justin Basilico
Talk from the REVEAL workshop at RecSys 2019 on 2019-09-20 in Copenhagen, Denmark. The slides were primarily made by Ajinkya More and the paper was also joint work with Linas Baltrunas and Nikos Vlassis.
The paper is available here: https://drive.google.com/open?id=1oaM5Fu2bJ0GzMC09yyqjA7eZD9axzSKb
Building Large-scale Real-world Recommender Systems - Recsys2012 tutorialXavier Amatriain
There is more to recommendation algorithms than rating prediction. And, there is more to recommender systems than algorithms. In this tutorial, given at the 2012 ACM Recommender Systems Conference in Dublin, I review things such as different interaction and user feedback mechanisms, offline experimentation and AB testing, or software architectures for Recommender Systems.
Spotify uses a range of Machine Learning models to power its music recommendation features including the Discover page and Radio. Due to the iterative nature of training these models they suffer from IO overhead of Hadoop and are a natural fit to the Spark programming paradigm. In this talk I will present both the right way as well as the wrong way to implement collaborative filtering models with Spark. Additionally, I will deep dive into how Matrix Factorization is implemented in the MLlib library.
Seu token parou de funcionar?
Aguarde a informação do link certo do Manual!!
Se o windows atualiza uma versão o computador pode deixar de reconhecer o seu certificado digital.
Saiba como corrigir o erro.
Making Decisions - From Software Architecture Theory to PracticeParis Avgeriou
Keynote at the 20th IEEE International Conference on Software Architecture (ICSA 2023).
Abstract: Around the mid 2000’s we had a ‘lightbulb moment’: architecting is more about making design decisions than drawing boxes and lines with UML or Architecture Description Languages. The enthusiasm of shifting the architecting paradigm was followed by a frenzy of research work in ontologies, methods and tools to harness Architecture Knowledge and empower architects in their decision making. Are we there yet? In this talk, I will revisit the state of the art and give my personal account on what worked, what failed, and how to move forward, especially in order to actually impact industry practice.
Music Recommendations at Scale with SparkChris Johnson
Spotify uses a range of Machine Learning models to power its music recommendation features including the Discover page, Radio, and Related Artists. Due to the iterative nature of these models they are a natural fit to the Spark computation paradigm and suffer from the IO overhead incurred by Hadoop. In this talk, I review the ALS algorithm for Matrix Factorization with implicit feedback data and how we’ve scaled it up to handle 100s of Billions of data points using Scala, Breeze, and Spark.
A Learning to Rank Project on a Daily Song Ranking ProblemSease
Ranking data, i.e., ordered list of items, naturally appears in a wide variety of situation; understanding how to adapt a specific dataset and to design the best approach to solve a ranking problem in a real-world scenario is thus crucial.This talk aims to illustrate how to set up and build a Learning to Rank (LTR) project starting from the available data, in our case a Spotify Dataset (available on Kaggle) on the Worldwide Daily Song Ranking, and ending with the implementation of a ranking model. A step by step (phased) approach to cope with this task using open source libraries will be presented.We will examine in depth the most important part of the pipeline that is the data preprocessing and in particular how to model and manipulate the features in order to create the proper input dataset, tailored to the machine learning algorithm requirements.
Building Large-scale Real-world Recommender Systems - Recsys2012 tutorialXavier Amatriain
There is more to recommendation algorithms than rating prediction. And, there is more to recommender systems than algorithms. In this tutorial, given at the 2012 ACM Recommender Systems Conference in Dublin, I review things such as different interaction and user feedback mechanisms, offline experimentation and AB testing, or software architectures for Recommender Systems.
Spotify uses a range of Machine Learning models to power its music recommendation features including the Discover page and Radio. Due to the iterative nature of training these models they suffer from IO overhead of Hadoop and are a natural fit to the Spark programming paradigm. In this talk I will present both the right way as well as the wrong way to implement collaborative filtering models with Spark. Additionally, I will deep dive into how Matrix Factorization is implemented in the MLlib library.
Seu token parou de funcionar?
Aguarde a informação do link certo do Manual!!
Se o windows atualiza uma versão o computador pode deixar de reconhecer o seu certificado digital.
Saiba como corrigir o erro.
Making Decisions - From Software Architecture Theory to PracticeParis Avgeriou
Keynote at the 20th IEEE International Conference on Software Architecture (ICSA 2023).
Abstract: Around the mid 2000’s we had a ‘lightbulb moment’: architecting is more about making design decisions than drawing boxes and lines with UML or Architecture Description Languages. The enthusiasm of shifting the architecting paradigm was followed by a frenzy of research work in ontologies, methods and tools to harness Architecture Knowledge and empower architects in their decision making. Are we there yet? In this talk, I will revisit the state of the art and give my personal account on what worked, what failed, and how to move forward, especially in order to actually impact industry practice.
Music Recommendations at Scale with SparkChris Johnson
Spotify uses a range of Machine Learning models to power its music recommendation features including the Discover page, Radio, and Related Artists. Due to the iterative nature of these models they are a natural fit to the Spark computation paradigm and suffer from the IO overhead incurred by Hadoop. In this talk, I review the ALS algorithm for Matrix Factorization with implicit feedback data and how we’ve scaled it up to handle 100s of Billions of data points using Scala, Breeze, and Spark.
A Learning to Rank Project on a Daily Song Ranking ProblemSease
Ranking data, i.e., ordered list of items, naturally appears in a wide variety of situation; understanding how to adapt a specific dataset and to design the best approach to solve a ranking problem in a real-world scenario is thus crucial.This talk aims to illustrate how to set up and build a Learning to Rank (LTR) project starting from the available data, in our case a Spotify Dataset (available on Kaggle) on the Worldwide Daily Song Ranking, and ending with the implementation of a ranking model. A step by step (phased) approach to cope with this task using open source libraries will be presented.We will examine in depth the most important part of the pipeline that is the data preprocessing and in particular how to model and manipulate the features in order to create the proper input dataset, tailored to the machine learning algorithm requirements.
1. il gioco dell’oca del ricercatore precario
Ti sei laureato con lode in Hai vinto una borsa Hai vinto la borsa di Ora però non riesci
2 3 5 7
fisica delle particelle, ce universitaria di dottorato alle più a rinviare il
l'hai fatta. perfezionamento università di Firenze servizio civile; parti
Mamma e papà sono all'estero per stare e Roma ! per Castelnuovo di
contenti e immaginano per al Cern di Ginevra. Inizi il dottorato alla Garfagnana in
te un radioso avvenire ! Avanza di una Sapienza. Avanza provincia di Lucca.
Avanza, giovane e casella. orgoglioso di due Stai fermo
ingenuo, di 3 caselle. 1 4 caselle. 6 un turno. 8
A fine 2001 completi
la tesi di dottorato
su un esperimento LEP.
Ora sei Dottore di
Sono sbloccate le assunzioni, Passa un altro anno e intanto alcuni vincitori di concorsone Si cambia strategia ! Finalmente, a Non è così facile ! Il Consiglio Ricerca, il più alto
23
e vengono banditi concorsi vengono assunti a tempo indeterminato con le stabilizzazioni dicembre 2007, l'INFN decide di applicare Direttivo ha deciso che, invece di una titolo di studio della
universitari in tutta Italia... in virtù di contratti precedenti all'assunzione con l'INFN; l'art. 5 del CCNL (Contratto Collettivo semplice relazione sull’attività di nostra (povera)
è inutile che tu faccia doman- ci saresti anche tu se ti avessero riconosciuto almeno la Nazionale di Lavoro) degli Enti di Ricerca(3). questi ultimi anni, la verifica Repubblica 9
da perché sei considerato già fellowship al Cern. Vieni a sapere che un altro ente di Adesso ti chiederanno una relazione su consisterà in un colloquio di fronte
"sistemato“ e quindi non ricerca ha inserito nelle liste di stabilizzazione degli quello che hai fatto in questi due anni da alla Giunta Esecutiva dell’INFN al Ottieni un assegno di
vinceresti mai. Torna assegnisti di ricerca... Ente che hai, interpretazione ricercatore a tempo determinato, completo. I tempi si allungano...
indietro di tre caselle. 21 che trovi. Torna indietro di due caselle. 22 ed è fatta ! Avanza una casella. 24 Retrocedi di due caselle. 25 ricerca di due anni
con l'università la
Sapienza.
Ti arriva una lettera Regalino di addio del Ancora non ti è ben
dell'ente: "l'INFN ha governo Prodi e del chiara la differenza
stabilito il Suo mante- ministro Nicolais. Il 26 tra un contratto da
nimento in servizio fino febbraio viene appro-
Intanto la protesta Oggi, 21 dicembre 2008 hai raggiunto i tre anni di Sono più di 10 anni che giochi e ancora non sei dipendente e un
alla conclusione delle vata la legge 31 (con-
contro la 133/08 anzianità previsti dalla stabilizzazione, se è ancora arrivato alla firma del contratto (quello buono). contratto atipico
procedure di stabiliz- versione del decreto
inizia a crescere ed vero che la legge è uguale per tutti (vabbè, che c'entra Tanti altri tuoi colleghi sono incastrati in partite come l'assegno di
zazione". Sei contento “Milleproroghe”). Da
anche se pensi che con
un contratto di cinque
esplode a novembre
con il movimento
ora il lodo Alfano ?) devi essere assunto come i tuoi
colleghi assunti un anno fa. Ma devi essere assunto
simili e anche più lunghe della tua. Intanto i
governi di centro-destra e di centro-sinistra sono questo momento tutte
ricerca. Avanza
di una casella. 10
dell’Onda; dopo anche perché hai passato la procedura prevista impegnati, da almeno 15 anni, a distruggere tutto le assunzioni di perso-
anni, questa lettera non nale anche da parte
settimane di dall’articolo 5 del CCNL. Se sei ottimista avanza quello che c’è di buono nel mondo della
11
cambi niente, sicuro
occupazioni, cortei e di una casella, altrimenti resta bloccato qua. 33 ricerca e dell’università. To be continued… 34 degli enti di ricerca
che l’iter si con-
cluderà prima... 20 lezioni in piazza, il
Consiglio dei Ministri
deve avere l'autoriz-
zazione del Ministero
approva il Decreto della Funzione Pubblica.
19
Legge n. 180 che Torna indietro
annulla il taglio della di 1 casella. 26
pianta organica per
gli Enti di Ricerca Finalmente, ad aprile
legiferato solo tre 2008 ti convocano per Ottieni un secondo
mesi prima. Sei il colloquio al termine assegno di ricerca
tornato nella del quale ti viene detto biennnale. Inizia a
situazione in cui eri che "sarai presto as- venirti qualche
Il governo Prodi a fine prima di agosto. sunto, compatibilmente sospetto ma sembra
2006 da via libera alle Avanza scettico con i tempi della buro- non ci sia alternativa
stabilizzazioni per di una casella. 32 crazia" (sigh...). Ma a questa forma di
ricercatori a tempo oramai sei incappato contratto.
determinato selezio- Il 24 ottobre 2008, sei mesi La Funzione Pubblica se la prende comoda e, dopo alcuni mesi, nel Milleproroghe. Avanza ancora
12
31 29
nati con un concorso e dopo i colloqui e solo in seguito viene approvata dal governo Berlusconi la legge 133/08 L’INFN deve chiedere di una casella.
con una anzianità di ad una forte pressione tua e (guarda caso ad agosto) che tra l'altro taglia del 10% le dota- l’autorizzazione alla
almeno tre anni (2). Sei dei tuoi colleghi, il Consiglio zioni organiche di tutti gli enti di ricerca. L'INFN, che ha Funzione Pubblica.
13
"stabilizzabile", ma da Direttivo approva gli atti della 1802 dipendenti in servizio, a fronte di una Pianta Organica di Diventa ministro
subito ? Vediamo... il procedura di trasformazione 1909 unità, e che quindi fino ad oggi poteva assumerti, si vede Brunetta ! Retrocedi di
tuo contratto è quin- del tuo contratto a tagliare la Pianta Organica a poco più di 1700 unità. cinque caselle,
quennale e sei stato tempo indeterminato. 30 L’INFN non può più assumerti. Retrocedi di 4 caselle. 28 fannullone ! 27
assunto mediante un
concorso con due
scritti e un orale;
inoltre per il computo
dei tre anni valgono anche contratti a tempo determinato con altre università ed L'INFN ha deciso di reclutare con i concorsi nazionali. E' uscito il “concorsone” per Hai fatto due Sei selezionato per
17
enti di ricerca. Forse gli assegni di ricerca non verranno conteggiati (ormai ti é ricercatore. E' a tempo determinato. C‘è ancora il blocco delle assunzioni però tutti concorsi INFN per una fellowship di due
perfettamente chiaro che sono contratti truffa) ma l'anno e mezzo di fellowship nell'ente dicono che è come un posto a tempo indeterminato... Hai partecipato e lo ricercatore e pur non anni al Cern di
al Cern deve contare ! Ti hanno fatto dimettere proprio perché è "...una attività di hai vinto ! E' fatta ! Vieni assunto a dicembre 2005 come ricercatore a tempo avendo vinto il posto, Ginevra per lavorare
lavoro continuativo a tempo determinato“ E invece no !! Non ti viene riconosciuta determinato per 5 anni. Avanza di 4 caselle. Aspetta ! L'INFN ti scrive che non sei idoneo per alla costruzione
alcuna attività di ricerca al di fuori del contratto che hai adesso. Non puoi essere puoi terminare la fellowship al Cern essendo questa una “attività di lavoro entrambi. dell'esperimento
assunto subito a differenza di altri vincitori del concorsone. Potrai essere continuativo a tempo determinato” (1). Peccato, devi dimetterti e rinunciare Avanza di una CMS a LHC !
stabilizzato solo dopo il 21 dicembre 2008. Torna indietro di due caselle. 18 a sei mesi di stipendio svizzero. Va bene lo stesso, avanza di due caselle. 16 casella. 15 Congratulazioni ! 14
(1) INFN Sez. di Roma p. 335 del 28/2/2006: “i borsisti dell'Organizzazione Europea per la Ricerca Nucleare in Ginevra sono legati all'Organizzazione stessa da un contratto che... ha per oggetto la prestazione di una attività di lavoro
continuativo a tempo determinato che integra la posizione che, in base alla valutazione che può farsene alla stregua del nostro ordinamento, ha natura impiegatizia, ricorrendone tutti gli elementi costitutivi essenziali.“
(2) Legge 296/06 (legge finanziaria 2006) Art. 1 Commi 519 e 520 sulla stabilizzazione dei ricercatori, tecnologi, tecnici e personale impiegato in attività di ricerca “…in servizio a tempo determinato da almeno tre anni, anche non continuativi, o
che consegua tale requisito in virtù di contratti stipulati anteriormente alla data del 29 settembre 2006 o che sia stato in servizio per almeno tre anni, anche non continuativi, nel quinquennio anteriore alla data di entrata in vigore della presente
legge, che ne faccia istanza, purché sia stato assunto mediante procedure selettive di natura concorsuale o previste da norme di legge”.
(3) CCNL Art. 5 Comma 2: "Qualora l’assunzione a tempo determinato avvenga con le medesime modalità e procedure previste dalla legge per i concorsi a tempo indeterminato, l’Ente potrà, nei limiti stabiliti del fabbisogno di personale e previo il
superamento di un’ulteriore verifica sull’attività svolta e sulla qualificazione conseguita, trasformare il rapporto a tempo indeterminato.”
Ogni riferimento a fatti e cose è per nulla casuale, ma descrive nei dettagli la realtà di un percorso professionale. Se l’unica riflessione che hai fatto riguarda i numeri primi, stai fermo un turno !