Data Science Summit

🌟 Exciting Recap from #DSSML24! 🌟 We're thrilled to share highlights from the recent DSS Machine Learning Edition 2024 conference! 🚀 It was an incredible gathering of the brightest minds in AI and machine learning, where industry leaders, researchers, and enthusiasts came together to explore the cutting-edge trends shaping our future. 👥 Thank you to all the speakers, sponsors, and participants who contributed to making this event a resounding success! Let's continue to drive innovation and shape the future of AI together. Special thanks go to our Program Council: - Michał Bijata, Academic Partners - Dominik Batorski, Community Leader, Data Science Warsaw - Aleksandra Przegalinska, Vice Rector at Kozminski University - Jakub Nowacki, Experienced Machine Learning Engineer, Amazon - Tomasz Trzcinski, AI Researcher, Entrepreneur and Angel Investor, Tooploox / PW / UJ - Bartosz Zieliński, PhD and Habilitation in Computer Vision, Associate Professor at Jagiellonian University, IDEAS NCBR - Bartosz Borucki, CEO, Smarter Diagnostics - Michal Zylinski, Customer Engineer - Telco, Google - Pawel Potasinski, Senior Program Manager, Microsoft - Tomasz Klekowski, Digital Transformation Expert and Technology Evangelist, ThinkTank - Tomasz Mostowski, Head of AI Hub in Poland, Accenture - Przemyslaw Biecek, Full Professor, Entrepreneur, Changemaker, Solutions42.ai - Jan Binda, Koordynator ds.. Prelegentów, Fundacja Academic Partners - Lukasz Bolikowski, Principal Data Scientist, Boston Consulting Group (BCG) - Eliza Bujnowska, Experienced Data Science Manager, CCC Group - Barbara Rychalska, PhD, AI Research Director, Synerise - Bartlomiej Twardowski, Research at Computer Vision Center, IDEAS NCBR Sp. z o.o. - Maciej Bryński, Head of Data, Jit Team - Karolina Tadel, Digital Health Innovation Manager, Novartis Poland - Paweł Kordos, Director - Pentesting, Visa - Paweł Moniewski, Enterprise Solution Architect Stay tuned for more updates and insights from the forefront of machine learning! #MachineLearning #AI #Innovation #Technology

🔹Powrót do Przyszłości. Modelowanie wzorców i prognozy w danych panelowych 🔹Bartosz Szabłowski, Adrian Foltyn Zła prognoza popytu dla firmy produkcyjnej skutkuje nadmiarem lub niedoborem zapasów, zwiększonymi kosztami operacyjnymi, czy niezadowoleniem klientów. Przedstawimy porównanie metod opartych na analizie danych panelowych, gdzie celem jest prognoza sprzedaży do klientów końcowych w sieciach będących klientami producenta, w oparciu o historyczną sprzedaż oraz promocje wydarzające się w sklepach. W naszym podejściu wykorzystujemy różnorodne przekroje danych, szukając zależności globalnych i lokalnych, jak również zależności pomiędzy szeregami czasowymi. Przedstawimy, jakie wyzwania są związane z charakterystyką naszych danych i jak radzimy sobie z nimi. Połączenie zalet inżynierii cech i tradycyjnych metod statystycznych oraz modeli uczenia maszynowego umożliwia nam modelowanie złożonych i nieliniowych wzorców popytu. Zestawimy ze sobą wyniki prognoz różnymi metodami, od modeli statystycznych w połączeniu z modelem uczenia maszynowego, takich jak LME i RF, poprzez najnowsze podejścia oparte na głębokim uczeniu, takie jak MLP (TiDE czy TSMixer), aż po zaawansowane sieci neuronowe typu N-BEATS/N-HiTS. Odniesiemy się też do realnych korzyści biznesowych oraz działania modelu w produkcji, uwzględniając stabilność prognoz, ich interpretowalność oraz koszty związane z obliczeniami. Obejrzyj całość ➡️ https://lnkd.in/d9ZX9DRN

🔹Powrót do Przyszłości. Modelowanie wzorców i prognozy w danych panelowych 🔹Bartosz Szabłowski, Adrian Foltyn Zła prognoza popytu dla firmy produkcyjnej skutkuje nadmiarem lub niedoborem zapasów, zwiększonymi kosztami operacyjnymi, czy niezadowoleniem klientów. Przedstawimy porównanie metod opartych na analizie danych panelowych, gdzie celem jest prognoza sprzedaży do klientów końcowych w sieciach będących klientami producenta, w oparciu o historyczną sprzedaż oraz promocje wydarzające się w sklepach. W naszym podejściu wykorzystujemy różnorodne przekroje danych, szukając zależności globalnych i lokalnych, jak również zależności pomiędzy szeregami czasowymi. Przedstawimy, jakie wyzwania są związane z charakterystyką naszych danych i jak radzimy sobie z nimi. Połączenie zalet inżynierii cech i tradycyjnych metod statystycznych oraz modeli uczenia maszynowego umożliwia nam modelowanie złożonych i nieliniowych wzorców popytu. Zestawimy ze sobą wyniki prognoz różnymi metodami, od modeli statystycznych w połączeniu z modelem uczenia maszynowego, takich jak LME i RF, poprzez najnowsze podejścia oparte na głębokim uczeniu, takie jak MLP (TiDE czy TSMixer), aż po zaawansowane sieci neuronowe typu N-BEATS/N-HiTS. Odniesiemy się też do realnych korzyści biznesowych oraz działania modelu w produkcji, uwzględniając stabilność prognoz, ich interpretowalność oraz koszty związane z obliczeniami. Obejrzyj całość ➡️ https://lnkd.in/d9ZX9DRN

🔹Badanie ubytków słuchu za pomocą sztucznej inteligencji 🔹Michał S. Jak algorytmy sztucznej inteligencji mogą wspierać audiologów w identyfikacji ubytków słuchu? Dowiedz się więcej! ➡️https://lnkd.in/dQNqZ-ku

🔹Real-Time Customer Engagement in Gaming using Kafka and Flink 🔹Volker Janz In the era of digital dominance, the art of harnessing data isn't just an advantage; it's a survival strategy. Gaming is more than pixels and polygons; it's about creating immersive experiences that captivate and resonate. Every second counts. Join Volker as he unveils the exhilarating world of Real-Time Customer Engagement using Kafka and Flink. Witness the fusion of cutting-edge Stream Processing with Apache Flink and the dynamic usage of Apache Kafka, all harnessed to enhance gaming experiences, processing more than 1,500,000,000 events per day. The heart of this journey is InnoGames' Real-Time CRM System – an Apache Flink application that allows to react to player interaction with the game products. Within mere seconds, the players receive personalized in-game offers. This talk delves into the essence of Stream Processing, where data is processed in motion as it's generated. Learn about Apache Flink basics, concepts behind Stateful Stream Processing, and how InnoGames applies the Broadcast State Pattern to configure the application with rules on how to react to player activity at runtime. Volker will take you behind the curtain, revealing insights on applying cutting-edge technology in a gaming context. As your guide, he'll unravel the potential of Real-Time Customer Engagement, showing you how every click, every action, becomes an opportunity for engagement. [DSS23] 🔗https://lnkd.in/dwn9YyET

🎥 Check out the highlights from DSS Machine Learning Edition 2024, held at Kinoteka PkiN! [2/2]

🔹Beyond the Continuum: The Importance of Quantization in Deep Learning 🔹Adrian Boguszewski Quantization is a process of mapping continuous values to a finite set of discrete values. It is a powerful technique that can significantly reduce the memory footprint and computational requirements of deep learning models, making them more efficient and easier to deploy on resource-constrained devices. In this talk, we will explore the different types of quantization techniques and discuss how they can be applied to deep learning models. In addition, we will cover the basics of NNCF and OpenVINO Toolkit, seeing how they collaborate to achieve outstanding performance - everything in a Jupyter Notebook, which allows you to try it at home. [Nagranie z DSSML23] 🔗 https://lnkd.in/dKCjrHRK

🎉🎉🎉

🎥 Check out the highlights from DSS Machine Learning Edition 2024, held at Kinoteka PkiN! 🏙️✨ We brought together industry leaders, AI enthusiasts, and data science experts for a day filled with insightful talks, cutting-edge demos, and amazing networking opportunities. From groundbreaking AI research to the latest trends in machine learning, DSS 2024 had it all! Missed the event? Don't worry! Stay tuned for more updates, and be sure to follow us for exclusive content, upcoming events, and more! #DSSML24 #MachineLearning #AI #DataScience #TechEvent

🔹Tworzenie przekonujących, syntetycznych zbiorów danych przy pomocy ChatGPT 🔹Piotr Menclewicz Demo produktowe. Pomoc szkoleniowa. I wiele więcej. Zastosowań syntetycznych zbiorów danych jest mnóstwo. Problem z tym, że zbiory ogólnodostępne bywają zbyt generyczne, a stworzenie nowego zbioru od zera jest bardzo pracochłonne. Podczas wystąpienia opowiem o próbach wykorzystania ChatGPT do generowania wysokiej jakości, przekonującyh zbiorów danych. [Nagranie z DSSML23] 🔗 https://lnkd.in/d34bkep2