TRANSMISJA ONLINE
Poszukujesz transmisji z Sali B? Patrz niżej :)
Zachęcamy do korzystania ze #Slack w trakcie trwania całej konferencji.
To właśnie tu możesz poznać dużo ciekawych osób.

Pytania prelegentom możesz zadać w pokoju
#conf-dyskusja
Masz pytania organizacyjne? To śmiało pisz tu #conf-organizacyjne

A podczas game networkingu zapraszamy do pokoju
#conf-game-networking

Będzie się działo :)

Sala B
Program konferencji
07:55 – 09:00
07:55 – 09:00
Rejestracja, śniadanie, networking
09:00 – 09:15
09:00 – 09:15
Oficjalne otwarcie
09:15 – 09:45
09:15 – 09:45
Najlepszy moment, żeby zająć się uczeniem maszynowym jest teraz
Vladimir Alekseichenko (CEO & Founder / DataWorkshop) LinkedIn
Świat zmienia się szybciej, niż myślisz. Szykuje się kolejna fala zmian. Masz do wyboru być obserwatorem i pewnie utonąć albo być na fali, a może nawet ją sterować. Dotychczas przeszkoliłem ponad 700 osób, w tym 130 osób na autorskim kursie online DataWorkshop, gdzie staram się przekazywać praktyczną wiedzę, ale również uczę zadawać właściwe pytania. Na pewne rzeczy masz wpływ. Opowiem Ci moją historię o rozwoju, popełnianych błędach, życiowych wyzwaniach i drodze od programisty do specjalisty ML, trenera, podcastera, CEO... Dowiesz się też, jak przekułem prawo Moore'a na prawo Vladimira i jak poukładałem swoje myślenie, by co drugi rok podwajać moje przychody, ale cały czas traktować to jako skutek, a nie przyczynę moich działań.
09:45 – 10:15
09:45 – 10:15
PL in CV - Polish View on Computer Vision
Tomasz Trzciński (Chief Scientist / Tooploox) LinkedIn
Moja przygoda z Computer Vision zaczęła się od niewinnego stażu w Telefonice, gdzie w 2009 pracowałem nad jednym z pierwszych komercyjnych silników wyszukiwania wizualnego. W tych czasach hasło 'computer vision' nie mówiło zbyt wielu osobom prawie nic. Od tego czasu sporo się zmieniło - pojawiły się głębokie sieci neuronowe, metody wizji komputerowej zaczęły działać na produkcji, tysiące młodych i żądnych wiedzy ludzi zaczęło uczyć się czym jest OpenCV, Keras czy pyTorch. Mimo tych gigantycznych postępów dziedzinowych Polska wciąż pozostaje mocno niedoreprezentowana na branżowych konferencjach naukowych takich jak CVPR czy ICCV. Dlaczego? Co możemy zrobić, żeby to zmienić? Na co zwracać uwagę budując swoją karierę w computer vision? O tym wszystkim opowiem podczas mojej prezentacji.
10:15 – 10:45
10:15 – 10:45
My fuckup way - czyli jak iść przez życie i nie popełniać błędów
Krzysztof Sopyła (CEO and Data Scientist / Ermlab Software) LinkedIn
Przez prawie 10 lat żyłem jak pączek w maśle na uczelni, ale tak dosłownie w maśle. W umysłowym opóźnieniu i zastoju, wypełniając dokumenty i uczestnicząc w spotkaniach z których nic nie wynikało. W owym czasie wydawało się, że jestem ustawiony, tylko od czasu do czasu coś w duszy drapało, coś się nie zgadzało. Od zawsze mnie ciągnęło aby coś zrobić, wyobraźcie sobie że nawet na doktoracie chciałem zrobić coś przydatnego, sic!
Zaczynałem przeglądać na oczy bardzo powoli, nadal jeszcze wszystkiego nie widzę. W prezentacji chciałbym opowiedzieć o swoich błędach i dokąd mnie one zaprowadziły. Jak z przyjacielem z uczelni założyliśmy Ermlab Software, jak zaczeliśmy PLON.io i dlaczego zamknęliśmy. Gdzie jestem teraz i dlaczego próbuję.
10:45 - 11:00
10:45 - 11:00
Przerwa kawowa
11:00 – 11:30
11:00 – 11:30
5 lekcji które nauczyły mnie jak pracować z danymi
Przemek Maciołek (VP of R&D / Collective Sense) LinkedIn
Kiedy miałem 16 lat zetknąłem się z problemem kalibracji instrumentów w laboratorium, w którym pracował mój ojciec. Udało mi się go rozwiązać za pomocą podejścia, które nazwalibyśmy dziś Data Science. Była to pierwsza z wielu lekcji, która pokazała mi, jak wielką wartością dodaną może być połączenie programowania, statystyki i wiedzy domenowej. W mojej prezentacji chciałbym przedstawić kilka anegdotycznych historii, również porażek, które mogą dać szersze spojrzenie na to, co i jak możemy uzyskać wykorzystując Data Science/Big Data/ML/dowolny inny buzzword w praktyce.
11:30 – 12:00
11:30 – 12:00
Być najgłupszym w pokoju
Wojtek Ptak (CTO / Fresh Mail) LinkedIn
Jesteś lub chcesz być przedstawicielem jednego z najbardziej prestiżowych zawodów świata. Wielu z nas wie, jak bardzo on (świat) się zmienia - co tydzień premierę mają nowe rozwiązania, biblioteki lub narzędzia. Chciałem podzielić się z Tobą przemyśleniami, jak w takim środowisku można się rozwijać, jak tworzyć rozwiązania dla największych światowych firm, a przy tym pozostać osobą ciekawą i otwartą. Jak łapać falę możliwości i czerpać inspiracje z okoliczności, które przydarzają nam się na co dzień. Chętnie opowiem Ci o kilku skutecznych i prostych metodach, które pozwolą Ci uczyć się z wielu sytuacji, również z porażek, których także wiele popełniłem.
12:00 – 12:30
12:00 – 12:30
Dlaczego uczenie maszynowe nie działa w prawdziwym życiu?
Bartosz Ziółko (CEO / Techmo) LinkedIn
Wiele osób uważa, że uczenie maszynowe rozwiąże dowolny problem tego świata.Ten sam pęd do magicznej mocy sieci neuronowych obserwowano już ponad 20 lat temu w trakcie pierwszej fali ich popularności. Porównywanie sieci neuronowych z pracą mózgu czy nazywanie ich sztuczną inteligencją sprowadziło wiele osób na manowce. O części z nich świat zapomniał, niektórzy po roku lub dwóch dalej tracili pieniądze na projekt, który miał oryginalnie trwać 2 miesiące. Świat nie jest aż tak prosty. Niestety lub na szczęście.
12:30 - 12:45
12:30 - 12:45
Przerwa kawowa
12:45 – 14:00
12:45 – 14:00
Game networking
Efektywny sposób poznać ludzi z którym wspólnie możesz zrobić zadanie, projekt lub nawet biznes.
14:00 – 15:00
14:00 – 15:00
Obiad
15:00 – 15:15
15:00 – 15:15
Data Science oczami programisty
(Sala A)
Kamil Krzyk (Machine Learning Engineer / Cosmose) LinkedIn
Dziś Machine Learning, Deep Learning, AI, Data Science to jedne z najczęściej pojawiających się buzzword'ów. Coraz więcej osób zaczyna zdawać sobie sprawę, że w przyszłości Machine Learning będzie częścią większości produktów dostępnych na rynku. Jednak nie każdy ma pojęcie, jak zacząć. Jedną z takich osób byłem ja. Na prelekcji chciałbym przedstawić moją historię, która opowiada o drodze, jaką musi przebyć programista, aby uzyskać pracę w branży Data Science. Chcę opowiedzieć o tym jakie działania podjąłem, by przybliżyć się do tego celu, a między innymi dlaczego kurs "Praktyczne uczenie maszynowe dla programistów" był bardzo ważnym momentem w mojej karierze.Pragnę podzielić się refleksjami, które wyniosłem z moich porażek, sukcesów, rozmów z poznanymi ludźmi oraz ich historii.
15:00 – 15:15
15:00 – 15:15
Podaj dalej
(Sala B)
Monika Koprowska (Data Scientist) LinkedIn
To będzie krótka opowieść o sieciach kontaktów i sieciach neuronowych m.in. deep learning w Twojej przeglądarce z TensorFlow.js. O tym, że Twoje rozwiązanie jest tak dobre jak Twoja zdolność przedstawienia go. O roli komunikacji nie tylko z innymi entuzjastami danych, ale i z odbiorcami projektu. O budowaniu społeczności, w której ludzie mają podobne zainteresowania i przekazywaniu wiedzy jako doskonałej formy weryfikacji różnicy między kojarzeniem, a rozumieniem zagdanień.
15:15 – 15:45
15:15 – 15:45
Kurs AI skończony, no ale co dalej?
(Sala A)
Łukasz Kuncewicz (Head of Data Science / Enigma Pattern) LinkedIn
Praktyczny 25-minutowy przewodnik po tym, jak wejść w AI w Polsce i na świecie. Co działa, co nie działa, a co jest konieczne. Prowadzony przez Łukasza, który przeprowadził kilkadziesiąt procesów rekrutacyjnych dla Data Scientists.
15:15 – 15:45
15:15 – 15:45
Debugging Machine Learning - 5 największych pułapek, z którymi musiałem się zmierzyć
(Sala B)
Matuesz Opala (Machine Learning Tech Lead / Netguru) LinkedIn
Debugowanie algorytmów uczenia maszynowego jest trudnym zadaniem. Pomimo tego, że jest potrzebną umiejętnością w codziennej pracy, wydaje się być przesłonięte przez pogoń za aktualnym stanem wiedzy lub nowe interesujące zastosowania ML. Podczas prelekcji omówię najpopularniejsze pułapki, które spotkały mnie podczas mojej pracy jako ML Engineer.
15:45 – 16:15
15:45 – 16:15
Znaczenie projektów hobbystycznych w rozwoju zawodowym
(Sala A)
Adam Szymański (CTO / Nethone) LinkedIn
Odkąd zacząłem programować 16 lat temu, nieustannie programuję hobbystycznie wieczorami kolejne projekty. Te projekty umożliwiły mi zdobycie pierwszej pracy, a potem nadawały kierunek mojej dalszej karierze. Postaram się opisać Wam, w jaki sposób hobby może pomóc w rozwoju umiejętności, a może nawet w założeniu własnej firmy.
15:45 – 16:15
15:45 – 16:15
Jak rozumiem R&D - perspektywa wykładowcy, data scientist, kobiety, mamy
(Sala B)
Ania Wróblewska (Senior Data Scientist / MiNI PW/ Applica.ai) LinkedIn
Przedstawię kilka ciekawych projektów R&D, sposobów na współpracę uczelni z biznesem, a także moje wnioski życiowe tzw. lessons learned. Omawiane projekty będą dotyczyły tematów przetwarzania / rozumienia tekstu i obrazu, metod uczenia głębokiego.
16:15 - 16:30
16:15 - 16:30
Przerwa kawowa
16:30 - 17:00
16:30 - 17:00
Data Science - czyli jak zamieniać pytania w odpowiedzi, a nie tabele w tabele
(Sala A)
Aleksandra Możejko (Machine Learning Engineer / Sigmoidal) LinkedIn
W swojej prezentacji przedstawię kilka przykładów realnych zastosowań przetwarzania języka naturalnego w biznesie i opowiem o tym, dlaczego aby umiejętnie wdrażać rozwiązania z zakresu DS, poza wiedzą techniczną, potrzebne jest zrozumienie perspektywy biznesowej. Opowiem o problemach, które pojawiły się w trakcie budowania rozwiązań dla klientów oraz o wyciągniętych wnioskach, jak również przedstawię techniczne aspekty wdrożonych systemów. Wskażę potencjalne pułapki, na które często trafiają osoby rozpoczynające swoją przygodę z Data Science nieposiadające komercyjnego doświadczenia.
16:30 - 17:00
16:30 - 17:00
Od firmy Software Development do Start-upu AI, czyli jak tworzyć i sprzedawać produkty AI?
(Sala B)
Bartek Rozkrut (CTO & co-founder / 2040.io) LinkedIn
Krótka opowieść o tym, jak z firmy tworzącej oprogramowanie na zamówienie przejść do świata start-upów, produktów i AI. Na przykładzie Edwarda – inteligentnego asystenta sprzedaży - opowiem o pułapce projektów realizowanych na zamówienie, o tym jak dobrze zidentyfikować rodzaje problemów, którymi warto się zajmować (horizontal vs vertical AI), o praktycznych problemach z pozyskaniem danych do trenowania (problem jajka i kury), wyzwaniach z modelami pracującymi na urządzeniach mobilnych (TensorFlow Lite), a także o tym, czy „hype" na AI pomaga czy przeszkadza sprzedawać produkt.
17:00 – 17:30
17:00 – 17:30
Kaggle i kierunek największego gradientu, czyli nauka na własnych błędach
(Sala A)
Rafał Cycoń (CTO & co-founder / ShelfWise) LinkedIn
Jak to mówią, "praktyka czyni mistrza", a konkursy na Kaggle.com stanowią świetny poligon praktycznej nauki uczenia maszynowego - od stawiania pierwszych kroków do szlifowania swoich umiejętności próbując sięgnąć po zwycięstwo w rywalizacji ze światowej klasy specjalistami. Dzięki konkursom nauczyłem się wielu konceptów, poznałem nowe algorytmy i metody, a także odbyłem swoją najcenniejszą lekcję gdy spadłem z podium na trzydzieste miejsce. Wszystkie nauki z powodzeniem przeniosłem do biznesu, co nieraz pozwoliło uchronić się przed błędami bądź osiągnąć lepsze wyniki. Podczas prelekcji chciałbym podzielić się z Wami swoim doświadczeniem i gorąco Was zachęcić do zabawy na Kaggle.
17:00 - 17:30
17:00 - 17:30
Lenistwo matką wynalazków, czyli dlaczego nie gram w Kaggle
(Sala B)
Tomasz Brzeziński (Chief Data Scientist / iTaxi) LinkedIn
Ostatnie lata to olbrzymi rozwój metod analitycznych. Rezultatem tego jest bardzo duży niedobór analityków na rynku. Oznacza to, że często od analityków oczekuje się zajęcia olbrzymią liczbą zagadnień. Co zrobić, żeby nie poddać się tej presji? Opowiem o tym, jak wybieram rzeczy, których NIE BĘDĘ robić. A w szczególności: dlaczego uważam branie udziału w konkursach na Kaggle za stratę czasu.
17:30 – 18:00
17:30 – 18:00
Quantum Quant, czyli Machine Learning i kubity w służbie jej królewskiej mości
(Sala A)
Łukasz Siatka (Machine Learning Engineer / Lonsley) LinkedIn
W wielu przypadkach uczenie maszynowe pozwala na osiągnięcie znacznie lepszych wyników niż klasyczne podejście matematyczne, jednakże reprezentatywne problemy wielu branż bardzo szybko sprowadzają się do problemów NP-trudnych i NP-zupełnych. Część z nich można przekształcić do postaci problemów, które mogą zostać efektywnie rozwiązane z wykorzystaniem komputerów kwantowych. W swojej prezentacji przedstawię dlaczego Quantum Computing staje się coraz częściej wykorzystywany w finansach i co niesie za sobą Quantum Machine Learning.
17:30 – 18:00
17:30 – 18:00
Moja droga do wykrywania obiektów na obrazach
(Sala B)
Karol Majek (Self Driving Car Engineer, Mentor / Udacity) LinkedIn
Obecnie na co dzień trenuję i wykorzystuję sieci neuronowe w Tensorflow. W tej prezentacji pokażę Ci moją drogę, która doprowadziła mnie do tego miejsca. Od czego zacząłem, jakie napotkałem problemy i jakie techniki stosuję obecnie.Jak zacząłem moją przygodę z przetwarzaniem obrazu kilka lat temu. Z jakich narzędzi wtedy korzystałem i jakie spotkałem problemy. W jaki sposób usłyszałem o wykorzystaniu sieci neuronowych do przetwarzania obrazu. Jakie kroki podjąłem, aby nauczyć się wykorzystywać sieci neuronowe na co dzień. Z czego obecnie korzystam, by wykrywać obiekty. Jakich zasobów potrzebuję i jakie problemy spotykam.
18:00 – 18:15
18:00 – 18:15
Zakończenie konferencji
Kontakt
również możesz pisać na:
conf@dataworkshop.eu

Grodzka 42/1, 31-044
Kraków, Polska
Wysyłając wiadomość, wyrażam zgodę na przetwarzanie moich danych w ramach projektu DataWorkshop. Powyższej zgody udzielam w stosunku do Biznes Myśli – Uladzimir Aliakseichanka, ul. Grodzka 42/1, 31-044 Kraków, NIP: 6751364881. W każdej chwili będziesz mógł wycofać zgodę.