Data Science Warsaw #49

Data Science Warsaw - wraca pocovidowo!
Serdecznie zapraszamy na #49 (i pierwszy od wybuchu pandemii) Meetup Data Science Warsaw

• Kiedy? Wtorek, 11 października 2022
• O której? 18:00 - 20:00 część merytoryczna, opcjonalny networking od 20:00, w miejscu do ustalenia po meetupie ;)
• Gdzie? Meta Przestrzeń, przy ulicy Koszykowej 61
• Opłaty? Jak zawsze wydarzenie bezpłatne, jednak konieczna jest osobna rejestracja.

W programie dwa wystąpienia poświęcone tematyce prognozowania:

1. Model matematyczny jako klucz do zagadki danych epidemicznych. Franciszek Rakowski
Epidemia COVID-19 przeszła przez świat i społeczeństwa, powodując niestety wiele zgonów i ciężkich stanów chorobowych. W pewnym sensie, pozostawiła także po sobie, wiele zbiorów danych które interpretowane są na różne sposoby. Dla wielu nie są one ani spójne i ani logiczne. Dane, które z pewnych względów powinny być analogiczne, zestawiane ze sobą mogą prowadzić do bardzo dziwnych wniosków. Na spotkaniu opowiem o modelu matematycznym epidemii, który poza zdolnością predykcyjną, przede wszystkim służy jako wyśmienite narzędzie hermeneutyczne, do danych niepewnych, niekompletnych i mocno zaburzonych.

dr inż. Franciszek Rakowski, fizyk, epidemiolog, ekspert w dziedzinie sztucznej inteligencji. Pracownik naukowy w Interdyscyplinarnym Centrum Modelowania Matematycznego i Komputerowego UW, kierownik zespołu prowadzącego model matematyczny epidemi COVID-19 w Polsce. Członek Zespołu ds. Monitorowania Epidemii przy Ministrze Zdrowia oraz Rady ds. COVID-19 przy Prezesie Rady Ministrów. Był zatrudniony jako główny specjalista ds. sztucznej inteligencji w centrum badawczo-rozwojowym firmy Samsung Electronics i w kilku startupach technologicznych. Przedsiębiorca, CEO firmy analitycznej Simmundi.

2. Podejścia dla prognozowania wielu szeregów czasowych. Bartosz Szabłowski
Być może pracowałeś z problemami szeregów czasowych, takimi jak prognozowanie liczby pasażerów linii lotniczych, zapotrzebowania na prąd, temperatury czy popytu firmy produkcyjnej. Ostatni problem to moja codzienność. Dzięki poprawnej prognozie przedsiębiorstwo może z wyprzedzeniem zaplanować produkcję, logistykę oraz wiele innych operacji. W biznesie czy naturze dostępnych jest wiele szeregów czasowych i często musimy prognozować zdecydowanie więcej niż jeden szereg czasowy oraz dla różnych hierarchii. Wyobraź sobie sieć sklepów, która chciałaby prognozować sprzedaż batonów różnych producentów na poziomie kraju (aby zaplanować zamówienia od producenta) oraz poszczególnych powiatów (aby zaplanować logistykę). Sprzedaż różnych batonów to różne szeregi czasowe, a kraj/powiat to inna hierarchia. Ponadto poza samymi szeregami czasowymi możesz mieć również dodatkowe zmienne objaśniające, na przykład sieć sklepów zamierza wprowadzić promocję tygodniową na jeden z batonów. Im więcej szeregów czasowych tym trudniejsze staje się utrzymywanie i weryfikacja naszych modeli. Chcemy, aby proces był automatyczny i nie było potrzeby weryfikacji przez pracownika wszystkich naszych prognoz. Stosowane algorytmy można podzielić na lokalne i globalne. Lokalne algorytmy, do niedawna najpopularniejsze, skupiają się na wyizolowanych szeregach czasowych, to znaczy, że biorą pod uwagę historię jednego szeregu czasowego i prognozują jego przyszłość. Z popularnych algorytmów, które zaliczyć można do lokalnych to ARIMA, Theta, czy Prophet. Algorytmy globalne to takie, które uczą się na wielu szeregach czasowych i tym samym jeden model potrafi prognozować wiele szeregów czasowych. Takie algorytmy potencjalnie mogą znaleźć więcej wzorców, jak i również niektóre szeregi czasowe są ze sobą powiązane, wzrost sprzedaży jednego batonu powoduje spadek sprzedaży innych. Za takie algorytmy należy wskazać algorytmy regresyjne (regresja liniowa czy LightGBM), DeepAR, N-BEATS czy Temporal Fusion Transformer. O samych algorytmach, ich stosowaniu z wykorzystaniem biblioteki Darts oraz backtestach i dobrych praktykach opowiem na podstawie case study.

Bartosz Szabłowski doświadczony Data Scientist, który wykorzystując algorytmy uczenia maszynowego wspiera procesy biznesowe w Nestlé. Specjalizuje się w problemach szeregów czasowych. Jako Machine Learning Trainer prowadzi szkolenia w Software Development Academy. W wolnych chwilach tworzy narzędzia rekomendacyjne inwestycje i podróżuje.

UWAGA:
Wymagana REJESTRACJA na stronie: https://datasciencewarsaw.dssconf.pl/

Do zobaczenia!
Dominik Batorski i Michał Bijata
P.S.
17-18.11, online i stacjonarnie na PGE Narodowym zapraszamy na tegoroczną edycję Data Science Summit. Rejestracja już jest otwarta. Zapraszamy serdecznie.