Ewaluacja jakości algorytmów uczenia maszynowego

Gdy zaczynamy naukę uczenia maszynowego, często skupiamy się na tym, żeby znaleźć "jak najlepsze" rozwiązanie - w przykładach na kursach czy problemach w konkursach, mamy daną metrykę oceniającą skuteczność i staramy się ją zmaksymalizować. Natomiast w prawdziwym życiu, metryka zazwyczaj nie jest z góry określona. Trzeba samodzielnie wypracować sposób w jaką będziemy mierzyć skuteczność naszego rozwiązania. I wbrew pozorom, nierzadko jest to skomplikowane wyzwanie i łatwo popełnić tutaj błędy. A gdy przeprowadzamy analizy, mierząc nie to co trzeba, wartość biznesowa naszego rozwiązania może być istotnie niższa nam się wydaje.

Machine Learning Engineer i Data Scientist. W codziennej pracy zajmuje się rozwiązywaniem problemów biznesowych z wykorzystaniem uczenia maszynowego, a w szczególności specjalizuje się w sztucznych sieciach neuronowych (deep learning). Ma doświadczenie w pracy projektowej w obszarach takich jak przetwarzanie języka naturalnego czy przewidywanie zdarzeń w ekosystemie reklamowym mediów społecznościowych. Data scientist z pasji i wykształcenia - w 2015 roku ukończył z wyróżnieniem matematykę na Politechnice Warszawskiej o specjalizacji Statystyka Matematyczna i Analiza Danych. Kontynuował rozwój na doktoracie, w ramach którego prowadził badania nad metodami głębokiego uczenia w zastosowaniach do rozpoznawania wydźwięku i analizy składniowej. Porzucił karierę naukową na rzecz pracy komercyjnej oraz profesjonalnej pracy dydaktycznej. Jest opiekunem merytorycznym kursu Data Science PRO Kodołamacza, na którym od 2017 r. kształci specjalistów dziedziny data science, a także autorem kursu Masterclass Uczenie Maszynowe.