DataStart Conference 2018

Вторая обучающая конференция по Data Science, посвященная Big Data и Machine Learning

Зачем изучать Data Science?

07 апреля 2018 / Москва
00
ДНЕЙ
00
ЧАСОВ
00
МИНУТ
00
СЕКУНД
КУПИТЬ БИЛЕТ

Мы принимаем платежи от юридических лиц онлайн через платежную систему

Бесплатный звонок по России: 8 800 707 67 04

О мероприятии

Вы узнаете про науку о данных — Data Science и начнете изучать ее с нуля. Поймете, что такое нейронные сети, для чего нужны, и какие задачи они решают. Теоретические знания о Data Science вы примените на практике в ходе интенсивов и научитесь решать практические задачи по Big Data. Программа мероприятия составлена так, чтобы охватить самые необходимые навыки. Вы сэкономите до 100 000 рублей на курсах подготовки по Data Science.

Для кого эта конференция

Не требует технической подготовки.

Разработчики

Технические специалисты, программисты, желающие внедрить машинное обучение в свой проект.

Руководители

Понимать современные технические возможности для роста бизнеса и внедрения цифровых технологий в процесс.

Аналитики

Наш курс обработки и анализа данных поможет работе с объемными данными, применяя современные технологии.

Студенты

Набраться вдохновления на исследование новых задач. Выбрать техническую специализацию для обучения.

Научиться Data Science за один день?

Конечно же нет. Это долгий процесс, сопряженный с огромным количеством изучения технической литературы и решения практических задач. Это большое разнообразие направлений развития. На конференции вы узнаете основы, погрузитесь в тему и сможете определить направление работы дальше.

Посмотреть программу
  • Соревнования и Хакатоны

    Решение задач анализа данных, продвинутые техники и трюки на практическом интенсиве "Как побеждать на Kaggle" от Александра Гущина

    Раздел мероприятия
  • Найти работу мечты

    Насколько профессия Data Scientist может быть интересна, чем они занимаются, какие инструменты используют расскажет Александр Фонарев, преподаватель ШАД.

    Раздел мероприятия
  • Распознавание образов и звука

    Deep Learning в действии покажет Дмитрий Коробченко (NVidia). На практике будет показана работа со сверточными нейросетями. Примеры с изображениями и текстами.

    Раздел мероприятия

Спонсоры мероприятия

NVidia

Ценные подарки и сувениры самым активным участникам конференции.

Яндекс

Туториал от команды CatBoost.

Naumen

Представляет исследование инструментов и алгоритмов NLP.

HeadHunter

Исследование актуальности профессии Data Scientist.

Программа мероприятия DataStart 2018 Moscow

Мероприятие состоит из двух треков с теоретическим и практическими материалами

  • Регистрация участников
  • Зал A

    Александр Фонарев

    Введение в методы машинного обучения и data science / В последние годы человечество находит всё больше способов с пользой использовать данные, накапливающиеся в ходе самых разных процессов. Например, информация о поведении пользователя на музыкальном сайте позволяет рекомендательной системе предположить, что ещё может ему понравиться. Анализируя истории болезней пациентов, можно обнаруживать незаметные для человека связи и устанавливать неизвестные ранее симптомы опасных заболеваний. А используя базу изображений из интернета, можно построить алгоритм для автоматической детекции нужных объектов на фотографиях. Все эти задачи решаются с помощью методов машинного обучения, которые способны находить сложные закономерности в больших данных. Мы поговорим о том, что такое машинное обучение и что изучает data science. А также обсудим большое количество современных методов машинного обучения и задач, для решения которых они применяются.

    #machine-learning #intro #data-science

    Зал B

    Дмитрий Бабаев

    Нерешенные проблемы нейронных сетей / Глубокое обучение нейронных сетей явилось прорывом в развитии систем искусственного интеллекта. Многие задачи недоступные классическим методам машинного обучения были решены на уровне близком к возможностям человеки или даже более высоком. Тем не менее, существуют значительные проблемы обучения нейронных сетей, серьезно ограничивающие их применение. Примеры таких проблем, это большой объем размеченных данных, необходимый для обучения сети, сложности переноса опыта обученной сети на другие задачи. Мы поговорим об этих проблемах и о возможных путях их решения.

    #deep-learning #ai #transfer-learning
  • Зал A

    Александр Гущин

    Зачем нужны соревнования по анализу данных? / С какой целью компании проводят соревнования, зачем дата-саентисты в них участвуют, и какая польза от этого остальным.

    #kaggle #data-science-competitions #data-analysis #machine-learning

    Зал B

    Александр Фонарев Практика

    Рекомендательные системы в теории и на практике / В докладе будут разобраны цели и разновидности задач персональных рекомендаций, какие алгоритмы имеет смысл применять в каждом конкретном случае, какие подводные камни часто встречаются на практике, как правильно поставить эксперимент и какие основные заблуждения существуют в этой области.

    #recommender-systems #machine-learning #marketing #business #personalization
  • Кофе-брейк
  • Зал A

    Дмитрий Коробченко

    Deep Learning / Введение в машинное обучение и нейронные сети (Deep Learning), обзор современных архитектур нейронных сетей, примеры применения нейронных сетей, тренды.

    #machine-learning #deep-learning #neural-network #cnn #rnn #gan

    Зал B

    Александр Гущин Практика

    Предсказание кредитного предложения. Соревнование Kaggle "Springleaf Marketing Response" / Мы разберем самые важные шаги, которые требуются для решения соревновательных задач: разберемся в данных, сгенерируем новые мощные признаки, правильно выстроим валидацию и наконец, объединим силу различных предсказательных моделей ансамблем.

    #kaggle #data-science-competitions #data-analysis #machine-learning #credit-scoring
  • Зал A

    Евгений Бурнаев

    Обнаружение аномалий и прогнозирование поломок. Промышленные применения / Ряд практических задач в инженерии, финансах и медицине можно сформулировать в виде задачи обнаружения аномалий. Классическим методом решения подобной задачи является описание нормального состояния, которое может быть сделано, например, с помощью одноклассовой классификации. В докладе будет проведен краткий обзор моделей и методов для обнаружения аномалий. Также будет представлен новый алгоритм одноклассовой классификации. Его отличие от остальных алгоритмов - использование привилегированной информации. Предложена формальная постановка задачи с учетом привилегированной информации на этапе обучения и предложен эффективный алгоритм её решения. Примеры применения методов обнаружения аномалий проиллюстрированы на примерах решения задач в рамках индустриальных приложений.

    #machine-learning #anomaly-detection #industrial-analytics

    Зал B

    Дмитрий Коробченко Практика

    Deep Learning / Построение и обучение свёрточной нейронной сети для решения задачи компьютерного зрения (распознавания рукописных цифр) на TensorFlow с описанием особенностей работы Data Scientist’а.

    #deep-learning #neural-network #python #cnn #tensorflow
  • Обед
  • Зал A

    Сергей Николенко

    Что же делают AlphaGo и AlphaZero? Глубокое обучение с подкреплением / 9-15 марта 2016 года программа AlphaGo, созданная Google DeepMind на основе методов deep reinforcement learning, победила со счётом 4-1 Ли Седоля, профессионала го 9 дана и одного из лучших игроков-людей. А совсем недавно AlphaZero научилась играть в го, шахматы и сёги ещё лучше прежнего, не используя вообще никакой внешней информации, только правила игры. В этом докладе мы попробуем ответить на следующие вопросы: -- почему это так важно и сложно, ведь, казалось бы, DeepBlue обыграл Каспарова десять лет назад? -- что такое deep reinforcement learning, как это работает? -- в чём основные идеи собственно AlphaGo, в чём прорыв? -- зачем эти игрушки? для чего ещё можно использовать идеи AlphaGo в частности и deep reinforcement learning в целом?

    #deep-learning #reinforcement-learning #alphago #alphazero #deepmind

    Зал B

    Дмитрий Сергеев

    Игрушечный Data Science. Практические кейсы из геймдева / Небольшое введение что такое геймдев; особенности бизнеса; общий обзор задач по аналитике; предсказание действий пользователей;$ интерпретируемый ML; что такое LTV и почему вы хотите его предсказать; экономим на платных решениях и делаем свои; автоматизация и оптимизация; где и как можно убрать ручной труд с помощью моделей; перспективы Data Science в геймдеве.

    #data-science #gamedev #business-cases #automatization #time-series-forecasting
  • Зал A

    Дмитрий Сергеев Практика

    Как предсказать будущее, экспресс-курс по работе с временными рядами / Что такое временные ряды; специфика данных; простейшие методы и модели; экспоненциальное сглаживание и Хольт-Винтерс; эконометрический подход, семейство ARIMA; ML для временных рядов; генерация признаков; бустинг; автоматические решения

    #data-science #gamedev #business-cases #automatization #time-series-forecasting

    Зал B

    Дмитрий Смоляков Практика

    Практические аспекты применения методов обнаружения аномалий / В докладе будут рассмотрены практические аспекты применения методов обнаружения аномалий. На примерах решения задач из сферы сетевой безопасности и из области индустриального интернета вещей будут рассмотрены вопросы выбора подходящей метрики, особенности различных алгоритмов, а так же техники рэсемплинга данных для работы с несбалансированными выборками.

    #machine-learning #anomaly-detection #industrial-analytics
  • Зал A

    Александр Жебрак

    Как генеративные модели спасут мир. Искусственный интеллект для создания новых лекарств. / В этом докладе я расскажу о том, что такое генеративные модели, и какие существуют подходы к созданию новых объектов и моделированию распределений реальных данных. Мы поговорим о том, как на самом деле работают эти модели, и где они применяются уже сейчас. Во второй части я расскажу, как мы применяем генеративные модели для создания новых лекарств с требуемыми свойствами в Insilico Medicine.

    #deeplearning #probability #prediction #machinelearning #generative-models

    Зал B

    Иван Оселедец

    Математика нейронных сетей / Нейронные сети ставят рекорды во многих приложениях. Однако, 1) мы не понимаем, почему они работают так хорошо 2) оценки текущих теории не дают понять, почему увеличение "глубины" сетей приводит к улучшению качества работы 3) их очень легко обмануть (adversarial examples) 4) нет понимания, в каком случае одна архитектура будет работать лучше чем другая. Все это - открытые научные вопросы, на которые должна дать ответ математика. В докладе будет дан обзор некоторых частных, но очень интересных результатов в этой области.

    #machine-learning #deep-learning #tensors
  • Кофе-брейк
  • Зал A

    Геннадий Штех

    Эволюция задач и алгоритмов на текстах, NLP и production / В процессе доклада выясним необходимые этапы работы с текстами и проблемы с этим возникающие. В бизнес-секции поговорим о пользе, которую приносят современные решения NLP. Далее речь пойдет о классических решениях задач и новых вызовах, связанных с повышенными требованиями к течению информации, и новых возникших методах. В исследовательском блоке посмотрим подробнее на перспективные методы. В инженерном - кратко познакомимся с типичными инструментами для NLP.

    #nlp #documents #semantics #embeddings #search

    Зал B

    Анна-Вероника Дорогуш Практика

    Туториал от команды CatBoost / На практической сессии мы изучим функциональность библиотеки CatBoost на примере решения контеста на Kaggle: научимся обучать модель, рассмотрим различные параметры, которые влияют на скорость обучения и итоговое качество модели. Научимся анализировать полезность факторов. И многое другое.

    #machinelearning #datascience #gradientboosting #gbm #catboost
  • Зал A

    Вопросы спикерам. Закрытие конференции

    Сессия вопросов к спикерам из зала

    Зал B

    Геннадий Штех Практика

    Toolchain практикующего NLP: [не]простые подходы, которые работают / Построим простой конвейер обработки текстовых данных от сырых текстов до готового прототипа, который сможет автоматически навешивать тэги, строить карту предметной области, искать похожие документы и даже в каком-то смысле переводить слова между русским и английским.

    #nltk #pymorphy2 #gensim #bigartm
logo
Александр Фонарев Александр Фонарев

Преподаватель ШАД Яндекс

Введение в методы машинного обучения и data science

Теория 45 минут
logo
Дмитрий Бабаев Дмитрий Бабаев

Исследователь в лаборатории AI Сбербанка

Нерешенные проблемы нейронных сетей

Теория 45 минут
logo
Дмитрий Коробченко Дмитрий Коробченко

NVidia

Deep Learning. Введение в машинное обучение и нейронные сети

Теория 45 минут
logo
Сергей Николенко Сергей Николенко

ПОМИ РАН

Что же делают AlphaGo и AlphaZero? Глубокое обучение с подкреплением

Теория 45 минут
logo
Александр Жебрак Александр Жебрак

CTO Insilico Medicine

Как генеративные модели спасут мир

Теория 45 минут
logo
Евгений Бурнаев Евгений Бурнаев

Профессор Сколтех

Обнаружение аномалий и прогнозирование поломок. Промышленные применения

Теория 45 минут
logo
Иван Оселедец Иван Оселедец

Доцент Сколтеха

Математика нейронных сетей

Теория 45 минут
logo
Дмитрий Сергеев Дмитрий Сергеев

Data Scientist в Zeptolab

Игрушечный Data Science. Практические кейсы из геймдева

Теория 45 минут
logo
Александр Гущин Александр Гущин

Senior Data Scientist в Яндекс.Такси

Зачем нужны соревнования по анализу данных?

Теория 45 минут
logo
Геннадий Штех Геннадий Штех

Naumen

Эволюция задач и алгоритмов на текстах, NLP и production

Теория 45 минут
logo
Дмитрий Смоляков Дмитрий Смоляков

Аспирант Сколтеха

Практические аспекты применения методов обнаружения аномалий

Практика 45 минут
logo
Дмитрий Сергеев Дмитрий Сергеев

Data Scientist в Zeptolab

Как предсказать будущее, экспресс-курс по работе с временными рядами

Практика 45 минут
logo
Александр Фонарев Александр Фонарев

Преподаватель ШАД Яндекс

Рекомендательные системы в теории и на практике

Практика 45 минут
logo
Дмитрий Коробченко Дмитрий Коробченко

NVidia

Deep Learning. Построение свёрточной нейронной сети для решения задачи компьютерного зрения

Практика 45 минут
logo
Александр Жебрак Александр Жебрак

CTO Insilico Medicine

Искусственный интеллект для создания новых лекарств

Практика 45 минут
logo
Геннадий Штех Геннадий Штех

Naumen

Toolchain практикующего NLP: [не]простые подходы, которые работают

Практика 45 минут
logo
Анна Вероника Дорогуш Анна Вероника Дорогуш

Яндекс

Функциональность библиотеки CatBoost на примере решения контеста на Kaggle

Практика 45 минут
Перейти к заказу билетов

Почему стоит посетить конференцию?

Возможность погрузиться в Data Science за один день
Спикеры расскажут самое нужное для начала карьеры
Построишь собственную сверточную нейросеть для распознавания образов
Пройдешь практику решения задач с соревнований по Data Science
Узнаешь, как данные могут помочь расти бизнесу
Сможешь завести новые профессиональные связи
Это отличная база начать заниматься самостоятельно
Сможешь сэкономить средства на дорогих курсах

DataStart Conference 2017

В ноябре 2017 года прошла первая однодневная обучающая конференция DataStart. Спикеры из Москвы и Санкт-Петербурга провели лекции и воркшопы по Big Data и машинному обучению.

Отзывы участников о прошедшем мероприятии

Мы получили много положительных и позитивных отзывов от наших участников. Узнали о всех недочетах и нюансах первого мероприятия, для того, чтобы учесть их все и сделать новое мероприятие еще лучше.

Превысили ожидания!

Алексей
Тариф Standart Plus

Да, я получил ответы на все вопросы, которые хотел

Степан
Тариф Standart

Большое спасибо! Продолжайте в том же духе, и определенно будет ещё лучше. Так держать!

Макс
Тариф Online

Ожидания оправдались, очень интересные доклады

Наталья
Тариф Standart Plus
Купить билет
Поддержка конференции DataStart:

Решение задач на Kaggle

Покажем все сказанное в виде обучащих кейсов. Научим использовать продвинутые техники работы с данными, действующие эффективнее. Все, что обычно делает Data Scientist.

Что такое Kaggle?

Самый популярный конкурс по созданию прогнозирующих моделей. Здесь вы можете бесплатно, используя все доступные инструменты сделать прогноз по любой задаче. Порог вхождения для решения простых задач минимальный. Это эффективный способ быстро научиться работать с нейронными сетями.

Чем он хорош для начала карьеры?

Kaggle — простой и надежный способ начать карьеру аналитика данных. На сайте представлено множество примеров и решений для новичков. Это идеальный способ пробовать изученные подходы и модели на практике.

Что будет на конференции?

Покажем как подготовить данные, найти взаимосвязи, строить гипотезы в разных моделях предсказаний и классификаций, используя полный набор применяемых практик и инструментов. Вы сможете самостоятельно повторить все представленное на интенсиве и начать собственный путь в решении задач.

Что дают эти знания в перспективе?

Вы получите старт для развития в этом направлении. Дальше сможете найти наставника или сильную команду, чтобы добиться лучших результатов.

Начни новую карьеру с DataStart

Зачем изучать Data Science?

Data science - это поиск закономерностей в нашем мире и применение этих знаний к решению сложных проблем. Эти проблемы могут быть совершенно разными, от скорости глобального потепления до постройки беспилотных автомобилей.

Data science позволяет менять мир, занимаясь интересными вещами, такими как машинное обучение. На нашем мероприятии в DataStart вы сможете понять, почему Data Science может быть новым и захватывающим вариантом вашей карьеры.

Купить билет

Спикеры конференции

Дмитрий Коробченко Deep Learning R&D engineer в NVIDIA, (Москва)

Закончил ВМК МГУ с отличием. Работал в IBM и Samsung, где занимался исследовательскими задачами, связанными с машинным обучением (Deep Learning), компьютерным зрением и обработкой сигналов. Сейчас работает в NVIDIA, где продолжает исследования и разработку в этой области.

Александр Фонарёв Chief Data Scientist, Rubbles, преподаватель ШАД Яндекс, (Москва)

Chief Data Scientist и сооснователь компании Rubbles (SBDA Group), преподаватель машинного обучения в Школе Анализа Данных Яндекса и аспирант Сколтеха. В прошлом работал в Яндексе в отделах машинного перевода и исследований в машинном интеллекте.

Геннадий Штех Руководитель R&D отдела компании Naumen, (Москва)

Исследует инструменты и алгоритмы NLP. В Naumen строит семантический поиск документов, контентные рекомендательные движки и системы поддержки принятия решений. Руководит разработкой и внедрением Machine Learning решений.

Александр Гущин Senior Data Scientist в Яндекс.Такси, (Москва)

Занимается прогнозированием поведения пользователей в Яндекс.Такси, преподаёт на открытых курсах по анализу данных Data Mining in Action. Входил в топ-5 мирового рейтинга kaggle, автор курса на Coursera про соревновательный анализ данных.

Сергей Николенко ПОМИ РАН, (Санкт-Петербург)

Специалист по машинному обучению и анализу алгоритмов. Автор книг по машинному обучению и нейронным сетям. Опыт сотрудничества с индустрией в области машинного обучения.

Дмитрий Сергеев Data Scientist в Zeptolab, (Москва)

Занимается внедрением машинного обучения, автоматизацией бизнес-процессов и анализом поведения пользователей в Zeptolab. Является одним из авторов открытого курса по машинному обучению от Open Data Science, преподавал в ЦМФ МГУ.

Анна Вероника Дорогуш Руководитель группы разработки систем машинного обучения в Яндекс, (Москва)

Окончила факультет ВМК Московского государственного университета и Школу анализа данных (ШАД). Работала в компаниях ABBYY, Microsoft, Bing, Google. В Яндексе с 2015 года. Занимается задачами, связанными с развитием алгоритмов машинного обучения.

Евгений Бурнаев Профессор Сколтех, (Москва)

Российский ученый, кандидат физико-математических наук. Профессор Центра по научным и инженерным вычислительным технологиям для задач с большими массивами данных Сколковского института науки и технологий («Сколтех»). Руководит научной группой Advanced Data Analytics in Science and Engineering, специализируется на приложениях в области индустриальной инженерии и разработке соответствующих методов машинного обучения.

Дмитрий Смоляков Аспирант Сколтеха, (Москва)

Аспирант Сколковского института науки и технологий, научный сотрудник Института проблем передачи информации. Занимается разработкой систем обнаружения аномалий для инженерных приложений, такие как: предсказательное обслуживание авиационного оборудования, обнаружения поломок в датчиках автоматических дорожных метеостанций.

Александр Жебрак CTO Insilico Medicine, (Москва)

Занимается проектами в области анализа биомедицинских данных и применением машинного обучения для поиска биомаркеров и создания новых лекарств. 5 лет руководил разработкой проектов в Mail.Ru Group, преподавал в МГТУ им. Баумана, делает образовательные курсы на Coursera.

Иван Оселедец Доцент Сколтеха, (Москва)

Доктор физико-математических наук, доцент Сколтеха, руководитель лаборатории научных вычислений.

Дмитрий Бабаев Исследователь в лаборатории AI Сбербанка, (Москва)

Занимается развитием data science в рамках направления big data. До того работал в «Тинькофф банке», Яндексе, Digital Society Laboratory. Около пяти лет работал с технологиями экосистемы Hadoop.

Как будет проходить мероприятие

Конференция пройдет в конференц-залах "Восточный Экспресс", "Экспресс Махараджей" и "Ледниковый Экспресс" отеля Novotel Moscow Kievskaya 07 апреля с 10 до 19 часов. Конференция состоит из двух треков теоретической части, практической части, интерактивного общения между участниками. В перерывах организован обед. Все участники получат подарки-сюрпризы от спонсоров.

Теоретическая часть

Мы подобрали самые интересные, актуальные и полезные темы нашей теорической части. Благодаря которым, вы получите самые нужные знания, необходимые для подготовки к новой специальности работы с данными.

Практические интенсивы

Программа мероприятия предусматривает два практических интенсива, закрепляющих знания, полученные на теорической части. Формат интенсива позволяет выполнить задание параллельно с лектором.

Сертификат участия

Все участники конференции получат электронный сертификат, подтверждающий участие в конференции. Материалы конференции будут направлены в течение 3 дней после проведения конференции.

Вкусные перерывы

Между занятиями по регламенту мероприятия предусмотрены кофе-брейки и ланчи для участников. Отдохнуть и перекусить достаточно важно при большой интенсивности новых знаний.

Подарки от спонсоров

Спонсоры нашего мероприятия подготовят ценные подарки и скидки для участников, позволяющих продолжить обучение самостоятельно. Не пропусти вручение в самом конце мероприятия.

Ярмарка вакансий

Мы пригласили представителей HR-менеджеров крупных компаний, использующих большие данные в работе своих компаний и аутсорсинга. Для консультации и понимания текущего состояния рынка труда.

Сотрудничество с организаторами

Мы готовы к сотрудничеству. Если вы хотите подать доклад, быть волонтером или стать партнером, свяжитесь с нами удобным способом.

Спикерам

Подать технический доклад

Приглашаем сотрудников вендоров, частных спикеров, научных работников выступить с теоретическим/практическим докладом. Отправить презентацию и описания доклада можно на info@datastart.ru

Теоретический материал

Обзорный теоретический материал для начального уровня подготовки; материал освещающий подход к решению задач, используя Data Science. Лекция 45 минут + вопросы

Практический кейс или воркшоп

Материал, решающий конкретную задачу или подход используя Data Science; технический кейс из собственных наработок. Длительность 30-45 минут + вопросы

Партнерам и спонсорам

Участие компании в мероприятии

Мы имеем большой спектр решений для участия брендов и вендоров в мероприятии. Презентацию с предложением можно запросить на anna@datastart.ru

Рассказать о продукте

Уникальная возможность рассказать заинтересованной аудитории о своем продукте или решении в сфере Data Science и Machine Learning.

Networking

Продуктивная атмосфера для налаживания деловых связей и проведения переговоров.

Повысить лояльность к бренду

Ваш бренд станет более узнаваемым на рынке, что может помочь в повышении продаж и закрытии вакансий.

Взаимодействие с посетителями

Обмен визитками на конференции. Или возможность разыграть приз в обмен на визитки.

Волонтерам

Стать волонтером конференции

Приглашаем инициативных и ответственных стать частью команды для организации работы мероприятия. Отправить заявку можно на info@datastart.ru. Укажите наличие опыта волонтерства и информацию о себе.

Место проведения

Конференция пройдет в субботу, 07 апреля 2018 в современных просторных конференц-залах отеля Novotel Moscow Kievskaya

Как добраться

Отель Novotel Moscow Kievskaya расположен в центре Москвы напротив Киевского вокзала, в двух минутах от метро "Киевская", напротив ТРК Европейский.

Для участников мероприятия доступна подземная парковка торгового комплекса «Киевский». Оплата производится по следующей стоимости: до 3 часов – 50 рублей в час, от 3 часов - 100 рублей в час

  • Москва, ул. Киевская, 2
  • 07 апреля 2018, 10:00 - 19:30
Top