Location image of event venue

Details

Kolejne spotkanie przed nami :)

Spotkanie odbędzie się ponownie na Politechnice Gdańskiej, jak równiez w wersji online, wystarczy się zarejestrować (https://rusers.clickmeeting.com/meet-r-in-tricity-2/register) ;)

Pierwszym z prelegentem będzie Marek Rogala z firmy Appsilon Data Science. Drugi z prelegentów Michał Marosz jest adiunktem w Katedrze Meteorologii i Klimatologii UG. Poniżej kilka informacji na temat treści prezentacji.

"Making your Shiny apps awesome!" - Marek Rogala

Content: The ability to present results and collect additional data effectively is crucial for successful application of data science. Shiny is well suited for this task - by allowing for rapid development of advanced data-driven applications, it lets us surprise our clients by delivering instant value starting from day 1. That said, making awesome Shiny apps has its challenges. We'll start by an overview of the challenges that we faced when building a number of Shiny apps and the solutions that worked for us. We'll put a special focus on building great user experience. I'll show two cool packages we've built internally, that help take the user experience to a whole new level, by adding real-time collaboration and beautiful UI out-of-the-box. That really made the difference for us and our clients, and we hope you'll find them useful! The packages are already open-sourced at GitHub.

BIO: I'm a data scientist, software engineer and entrepreneur with experience from Google and Domino Data Lab. Passionate about data analysis, machine learning, software design and tackling hard algorithmic and analytical problems. CTO and co-founder at Appsilon Data Science - consulting company based in Warsaw. We use R & Shiny a lot. Shiny helps us maximize value clients get out of what we build by streamlining communication in both directions.

"Klasyfikacja pól geofizycznych (SLP) z wykorzystaniem Sztucznych Sieci Neuronowych" - Michał Marosz

Klasyfikacja/typologia form/typów cyrkulacji atmosferycznej jest jednym z najistotniejszych a jednocześnie bardziej problematycznych zagadnień podejmowanych przez Klimatologię Synoptyczną. Zastosowanie narzędzi opartych o procedury samoorganizacji - sieci Kohonena - (zwane również SOM - Self Organizing Maps) jest jednym z możliwych podejść do rozwiązania, napotykanych w zagadnieniach klasyfikacji pól zmiennych geofizycznych problemów. Jednakże nawet w przypadku narzędzi klasy AI (Artificial Inteligence), do których zalicza się sieci neuronowe, oraz znacznego stopnia automatyzacji procesu przetwarzania danych, dobór optymalnej liczby wyróżnianych typów oraz topologii sieci wciąż pozostaje problematyczny. Często jest on arbitralną decyzją badacza będącą wypadkową studiów literatury przedmiotu oraz wstępną analizą wyników. Celem podjętych badań było omówienie i praktyczne zastosowanie procedury doboru optymalnej liczby wyróżnianych typów cyrkulacji oraz ocena opracowanej typologii po kątem jej potencjalnego wykorzystania. W analizie wykorzystano dane SLP (Sea Level Pressure) pozyskane z Reanalizy NCEP/NCAR. Zakres czasowy obejmował wielolecie[masked] natomiast ich rozdzielczość czasowa wynosiła 24h (12 UTC). Obszar badań obejmuje tzw. region atlantycko-europejski (40W-40E, 35N-75N: 561 punktów grid). W pracy przedstawiono podstawy metodologiczne podejścia klasyfikacyjnego opartego o sztuczne sieci neuronowe. Wykorzystano miary: quantisation error (q-error), oraz topological error (t-error) dla kilkudziesięciu wariantów SOM w celu dobrania optymalnej liczby wyróżnianych wzorców oraz topologii sieci. Wyniki skonfrontowano ze zdolnością typologii do różnicowania rozkładów gęstości prawdopodobieństwa maksymalnej dobowej temperatury powietrza w miesiącach letnich na wybranych stacjach w Polsce.