PRELEKCJE
Wiele razy pracując z klasycznymi metodami uczenia maszynowego, gdzie mając dane w postaci tabelarycznej i używając czasami nawet i dość prostych technik często można zbudować modele predykcyjne, które zadowolą biznes. Ale o ile np. wstępne przetwarzanie danych i dobór rodziny modeli wraz z parametrami to dobrze znane kroki modelowania, to już o dopasowaniu funkcji celu się mniej mówi. Pokaże z własnej praktyki przykłady, gdzie odpowiednią konstrukcją funkcji celu udało się zbudować modele znacznie lepiej odwzorowujące potrzeby biznesu.
Pracuje z metodami obliczeniowymi od ponad dekady, a hobbistycznie ogólnie pojętym programowaniem znacznie dłużej. O ile ostatnio zajmuje się architekturą systemów przetwarzania dużych zbiorów danych, to spędził też jakiś czas jako specjalista od metod uczenia maszynowego. W wolnych chwilach gra w gry planszowe i uczy się języków obcych.
Data Scientist wymaga umiejętności pracy z różnymi zespołami. Jedne są bardziej analityczno-matematyczne inne zdecydowanie bardziej techniczne. Te pierwsze miewają genialne pomysły. Te drugie miewają problemy z ich implementacją, szczególnie jeśli prototyp powstał na danych kilka rzędów wielkości mniejszych, a cała jego dokumentacja to chaotyczny Jupyterowy notebook. Prelegent pokaże kilka problemów. Warto umieć myśleć jak obie strony.
Pasjonat szeroko pojętego programowania. Pisał w życiu zarówno programy działające na mikrokontrolerach, jak i takie pracujące na klastrach z terabajtami RAMu. Aktualnie zajmuje się rozwojem, weryfikacją i nadzorowaniem implementacji modeli uczenia maszynowego w zastosowaniach analityki mediów cyfrowych. Prywatnie lubi bawić się Arduino i jeździć na rowerze.
ul. Granitowa 17, 52-235 Wrocław
KRS
0001257086
NIP
8993064563
REGON
545351967
Tam ogłaszamy spotkania.