#1 Meetup Data Science

18:00 - 18:50 - Modele generatywne oparte na architekturze AutoEncoderów - Przemysław Spurek

Abstrakt: Modele generatywne stanowią szeroką klasę modeli Deep Learningu służącą do modelowania rozkładu łącznego danych. Celem takiego podejścia jest wygenerowanie przykładów podobnych do tych ze zbioru uczącego ale nie identycznych z żadnym elementem ze zbiory treningowego. Takie podejście można wykorzystać np. w chemio informatyce do generowania nowych leków.

W czasie prezentacji przedstawione zostaną klasyczne modele Variational Autoencoder (VAE), Wasserstein Autoencoder (WAE) jak i nowe podejście: Cramer-Wold AutoEncoder (CWAE).

18:55 - 19:45 - Pracuj mądrze, nie ciężko - automatyzacja procesów przetwarzania danych i uczenia maszynowego - Konrad Łyda

Abstrakt: W pewnym momencie cyklu życia naszego projektu analizy danych i budowania modeli uczenia maszynowego musimy wyjść z ciepłego środowiska naszego własnego laptopa i wdrażać nasze rozwiązania w większej skali. Czy jesteśmy skazani na tworzenie własnych wielkich domków z kart randomowych skryptów, które zawalą się w przypadku pierwszego „dziwnego” przypadku na wejściu (patrz: https://xkcd.com/2054/)

W prezentacji pokażemy, jak wykorzystać Airflow do budowania zautomatyzowanych i kontrolowalnych workflow uczenia maszynowego, aby jak najbardziej zminimalizować konieczność ręcznego procesowania informacji i wykonywania powtarzalnych czynności. Po prezentacji będziesz również uzbrojony w wiedzę, czy takie rozwiązanie jest w stanie rozwiązać Twoje problemy automatyzacji procesów.

19:50 - 20:40 - HabitatOS: system operacyjny dla habitatów księżycowych
i marsjańskich - Matt Harasymczuk

Abstrakt: System HabitatOS jest projektem badawczym, który pozwala na rozpoznanie problemów charakterystycznych dla prowadzenia kosmicznych misji eksploracyjnych głębokiej przestrzeni kosmicznej. System jest zdolny również do wykorzystania w nowoczesnym i inteligentnym budownictwie przy zarządzaniu czujnikami analizie danych i wykrywaniu anomalii. Obecnie trwają pracę nad wykorzystaniem systemu polskich bazach na Arktyce (Hornsund) oraz na Antarktyce (Arctowski) i Antarktydzie (Dobrowolski). Można go również zastosować przy obsłudze komór hipo- i hiperbarycznych w centrach medycznych oraz w kopalniach.

20:45 - networking

UWAGA: PIERWSZE 35 OSÓB, PRZY BARZE NA HASŁO "MEETUP" OTRZYMA ZIMNE PIWO BĄDŹ SOK ZA FREE :)

PRELEGENCI:
➡ PRZEMYSŁAW SPUREK - Uzyskał stopień doktora nauk matematycznych w dyscyplinie informatyka za pracę doktorską z zastosowań teorii informacji oraz kompresji danych. Asystent w Katedrze Uczenia Maszynowego w Instytucie Informatyki i Matematyki Komputerowej UJ. Specjalista w zakresie nauczania maszynowego, analizy danych. Ponadto czynnie uczestniczy w pracach grupy Group of Machine Learning Research (GMUM) (http://gmum.net/).

➡ KONRAD ŁYDA - Machine Learning Engineer w Asseco Business Solutions, zawodowo parający się głównie zagadnieniami Deep Learningu i Computer Vision. Ex-developer, ex-Project Manager, nawrócony na techniczną ścieżkę. W wolnych chwilach zgłębia szeroki ocean zastosowań Machine/Deep Learningu w różnych dziedzinach życia, współorganizuje spotkania społeczności Data Science Lublin oraz pomaga wejść w świat machine learning publikując na UczymyMaszyny.pl

➡ MATT HARASYMCZUK - Były inżynier Europejskiej Agencji Kosmicznej. Obecnie Aerospace Systems Engineer w firmie Astro Tech oraz właściciel Analog Astronaut Training Center. Rozwija HabitatOS pierwszy system operacyjny dla baz Marsjańskich i Księżycowych wykorzystujący uczenie maszynowe do wyszukiwania anomalii i analizy danych w czasie rzeczywistym. Prowadził pierwszą transformację agile rządowych instytucji w Polsce pracując w Centralnym Ośrodku Informatyki przy MSWiA (obecnie MC). Ukończył studia podyplomowe z Zarządzania Ruchem Lotniczym, Geofizyki Stosowanej oraz Medycyny Ekstremalnej, European Master in Radiation Biology (Belgijskie centrum nuklearne SCK CEN).