2
dni
1
panel
dyskusyjny
6
prelekcji
8
prelegentów
Maraton
wiedzy
Zapraszamy na dwudniowy maraton wiedzy z ekspertami podczas
2-dniowego meetupu LIVE
Pierwszy dzień jest dniem programistycznym. Będziecie mogli posłuchać o Clean Architecture, Springu, a także o Pythonie
17
listopada
Drugi dzień jest dniem z danymi. Zaczniemy od Pythona w analizie danych, następnie Przetwarzanie języka naturalnego i na koniec machine learning
18
listopada
Drugiego dnia na zakończenie zaprosimy Was na panel dyskusyjny wraz z zaproszonymi gośćmi.
Panel
dyskusyjny
MasterLive: Top Tech Trends
Poznaj największe trendy w świecie programowania i analizy danych. Dołącz do pierwszej edycji bezpłatnej konferencji Top Tech Trends, podczas której nasi eksperci podzielą się swoją wiedzą i doświadczeniem. Weźmiemy na tapet zarówno tematy programistyczne, jak i te związane z analizą danych. Każdy znajdzie coś dla siebie!
Agenda
DZIEŃ 1 - 17 LISTOPADA
W czasie wydarzenia wykorzystamy język Kotlin, Spring Boot, silnik szablonów Thymeleaf oraz Strapi do stworzenia bloga osobistego.Po ukończeniu aplikacja będzie umożliwiała tworzenie artykułów w formacie Markdown, przeglądanie ich w kolejności chronologicznej oraz filtrowanie po wybranych tagach. Integracja z CMS pozwoli na łatwe zarządzanie treściami z poziomu interfejsu webowego, a całość zostanie zabezpieczona przez Spring Security.
Spring w akcji, czyli zbuduj sobie bloga w pół godziny
18:00 - 18:40
Czy potrafisz powiedzieć jaką architekturę ma Twoja aplikacja? A może nie potrzebujesz żadnej? A jeżeli potrzebujesz to dlaczego, co da Ci posiadanie "odpowiedniej" architektury? I co to w ogóle znaczy "odpowiednia" czy też "dobra" architektura? Czy jest jakaś, którą można stosować zawsze? Czym warto się kierować podczas wyboru architektury? I czy ta cała architektura to nie jest to tak naprawdę przerost formy nad treścią? Jeżeli jesteś zainteresowany odpowiedzią na powyższe pytania to zapraszam na wydarzenie
Jaka architektura dla mnie?
18:45 - 19:25
Mechanizm rozwinięć (comprehension) to konstrukt składni, który jest bardzo często wykorzystywany w szczególności w data science. W Pythonie funkcjonują rozwinięcia listowe, zbiorów, słowników, a także krotek, chociaż niewiele osób o tym wie. Głównie dlatego, że często są mylone z wyrażeniami generatorowymi. Czym są, czym się różnią i jak najlepiej je wykorzystywać? Ponadto opowiemy o zagnieżdżonych wyrażeniach, mapach, filtrach i assignmnent expression.
Rozwinięcia i wyrażenia generatorowe. Czym są, czym się różnią i jak najlepiej je wykorzystywać.
19:30 - 20:15
DZIEŃ 2 - 18 LISTOPADA
20:20 - 21:00
18:00 - 18:40
18:45 - 19:25
19:30 - 20:15
Panel dyskusyjny z udziałem ekspertów: Norbert Ryciak, Patryk Pilarski, Ryszard Tuora i Danijel Korzinek. Moderator: Łukasz Kobyliński
Tematy debaty:
- Jak niezależny badacz/mała firma ma sobie radzić w świecie zdominowanym przez ogromne koncerny typu FAANG?
- Życie badacza data science w czasach RODO, praw autorskich i innych ograniczeń dostępu do zasobów
- Czego Sztuczna Inteligencja nie potrafi zrobić, a czego nie powinna?
PANEL DYSKUSYJNY
Analiza i wizualizacja danych z Excel za pomocą Python i Pandas
Jedno z kryteriów rozróżniające implementację technologii maszynowego uczenia w środowisku teoretyczno-eksperymentalnym od środowiska produkcyjnego, a szczególnie komercyjnego, jest konieczność przetwarzania danych uwzględniając wymogi użyteczności, zachowując przy tym ograniczenia zasobów i możliwości infrastruktury obliczeniowej w dużej skali. Na przykładzie rozpoznawania mowy, oczywistym przykładem tego jest przetwarzanie strumieniowe, w czasie rzeczywistym, zachowując minimalne opóźnienie w dostarczaniu użytkownikowi wyniku rozpoznawania względem sygnału podawanego na wejściu. Prezentacja ta przedstawi podstawowe różnice i kryteria w wymienionym sposobie przetwarzania danych w procesie rozpoznawania mowy, jak i niektóre szczególne problemy wynikające z tych ograniczeń.
Problemy przetwarzania online w automatycznym rozpoznawaniu mowy
Algorytmy uczenia maszynowego służą do wykonywania pewnych precyzyjnie zdefiniowanych zadań w sztywno określonych ramach. Algorytmy niczego się nie domyślają i nie wykażą własnej inicjatywy - każdy realny problem, który chcemy rozwiązać z ich wykorzystaniem, musimy przekształcić do postaci dla nich "zrozumiałej". Podczas prezentacji omówimy przykłady tego jak przekładać życiowe problemy na zadania, które potrafią wykonywać algorytmy, zwracając uwagę na istotną zrozumienia tego, jak dane wejściowe i ich postać przekładają się na możliwość wykonania zadania.
Tłumaczenie rzeczywistych problemów na zadania dla algorytmów uczenia maszynowego
2 DZIEŃ - 18 LISTOPADA
1 DZIEŃ - 17 LISTOPADA
Pliki programu Excel są dominującym formatem akruszy kalkulacyjnych narynku. I choć można nie lubić tego rozwiązania, to należy nauczyć sięjak z nim pracować. Prędzej czy później ktoś dostarczy nam dane w tymformacie. Zapraszam na wykład podczas, którego omówimy:- wczytywanie pliku, wybór akruszy, praca z kodowaniem znaków,- wybór kolumn, wierszy i komórek,- bardziej zaawansowane zapytania do danych,- ograniczanie wyświetlanie danych, losowe wiersze, prosta selekcja- oczyszczanie kolumny z datami,- podstawowe statystyki opisowe.- wizualizacja na wykresie liniowym, słupkowym, rozproszeń oraz histogramach.
Dołącz do wydarzenia
Wyślij swoje zgłoszenie
✔ Materiały edukacyjne wysyłane przed wydarzeniem na e-mail podany w zgłoszeniu
✔ Udział w dwóch dniach bezpłatnego wydarzenia
i dostęp do nagrań z prelekcji
✔ Udział w panelu dyskusyjnym
Organizator
Partnerzy medialni