Biznes Myli

Uczenie maszynowe nie jest skierowane do jednego konkretnego zawodu. To warstwa, która przecina wiele, o ile nie wszystkie, dziedziny w mniejszym lub większym stopniu. To również będzie dotyczyć Ciebie.Dzisiaj zebrałem trzy opinie moich świeżo upieczonych absolwentów kursu „Praktyczne uczenie maszynowe od podstaw”, aby pokazać Ci, jak różne profile mają te osoby, ale każdy znalazł coś wartościowego dla siebie w tym kursie. Dzielę się tutaj opiniami kursantów, aby pokazać ich perspektywę, ich historie oraz wrażenia. Może zainspirują kogoś, by samemu spróbować swoich sił w uczeniu maszynowym.

Co musisz wiedzieć na temat transformacji cyfrowej? Jakich błędów nie popełniać na początku? Im więcej danych tym lepiej, czy ilość nie ma znaczenia? Jakie dane warto digitalizować? Na te i inne pytania znajdziesz odpowiedź w tym odcinku podcastu.

Gościem odcinka jest Konrad Banachewicz, który od 18 lat mieszka w Holandii, a pochodzi z Polski. Jeżeli zajmujesz się Uczeniem Maszynowym, Data Science, posłuchaj! Myślę, że będziesz mógł sobie zaoszczędzić miesiące, a może nawet lata. Dowiesz się m.in. dlaczego ludzie zakochują się w Deep Learning i jak nieodwzajemniona może być ta miłość. Porozmawiamy także o jakości danych i wielu innych tematach z praktycznej strony.

Dane zawierają w sobie ogrom informacji, jednak kluczem do tego jest ich właściwa interpretacja. Pomocna temu będzie wizualizacja danych i to jest właśnie temat mojej rozmowy z Anną Kozak. Z jednej strony jest wykładowcą, skończyła Politechnikę na kierunku matematyka stosowana. Z drugiej strony pracuje jako Data Scientist, więc jest w zawodzie. Z trzeciej strony angażuje się w przeróżne inicjatywy, aby szerzyć wiedzę. Wykonuje sporo różnych rzeczy, ale jedna, która się bardzo wyróżnia, to wizualizacja. Jest wielką entuzjastką wizualizacji. Ania zajmuje się również dziedziną XAI albo interpretowalność modeli czy sztucznej inteligencji. O tym postaram się nagrać osobny odcinek. Nie chciałem się za bardzo rozdrabniać, bo to jest wątek nieco szerszy, który zasługuje co najmniej na własny odcinek. Dzisiaj natomiast porozmawiamy o tym, czym jest zły wykres, jak zrobić poprawny oraz czy można robić Data Science na wysokim poziomie bez wizualizacji.

Jak wygląda praca Product Managera w zespole AI? Na to i wiele innych pytań odpowie gość tej rozmowy - Ola Możejko. Historia Oli jest bardzo ciekawa - skończyła studia matematyczne, później pracowała jako Machine Learning Engineer, Data Scientist i niedawno zdecydowała się zmienić tę ścieżkę kariery i zostać Product Managerem. Porozmawiamy o tym, skąd pomysł na taką zmianę, ale także o sztuce zarządzania projektami, roli Product Managera w zespole AI i nie tylko. Zaczynamy!

Ile eksperymentów w tygodniu udaje Ci się przeprowadzić? W tym odcinku porozważamy o eksperymentowaniu i o tym, dlaczego odgrywa ono kluczową rolę w Machine Learning. Dodatkowo dowiesz się, jakie prowadzę własne eksperymenty, jak może Ci to pomóc. Mam też dla Ciebie pracę domową i przydatne punkty, które pomogą Ci zarządzać eksperymentami. Zaczniemy filozoficznie, ale jak zwykle skończymy praktycznie ;)

Dzisiejszym gościem jest Mirosław Mamczur. Mirek już kiedyś był w odcinku, ale to była króciutka wypowiedź tuż po kursie, bo Mirek jest absolwentem kursu "Praktyczne uczenie maszynowe od podstaw". To była pierwsza edycja. Dla mnie, dla DataWorkshop i dla Mirka był to pierwszy kurs, w którym wziął udział. Opowiadał, że się wahał czy warto, czy nie, ale potem zdecydował się i na tym wiele skorzystał. Dziś porozmawiamy o temacie ML & Cyber Security i rozwoju od analityka danych do Data Scientist na konkretnym przykładzie. Poznaj historię Mirka!

Będziemy rozmawiać o nieruchomościach. Dzisiejszym gościem jest Filip Finfando, który pracuje w SonarHome jako Lead ML Engineer. Co to jest za firma? Jeżeli słuchasz podcastu Biznes Myśli od samego początku to był czwarty odcinek, gdzie opowiadałem różne przypadki i jednym z nich był właśnie Opendoor. To jest firma w Stanach Zjednoczonych, która wystartowała najpierw w Arizonie. Oferowali oni usługę, dzięki której możesz szybko kupować nieruchomości. Zdejmowali cały ciężar z osób, które to nabyły. Wtedy powiedziałem, że nie kojarzę ani jednej firmy, która w Polsce zrobiłaby coś podobnego. Już jest, posłuchaj :)

Tym razem mam dla Ciebie nieco inny podcast niż zazwyczaj. Jest to pewien eksperyment. Polega on na tym, że Kajetan Duszyński, który prowadzi podcast Backend na froncie, zaprosił mnie do swojego podcastu, a ja pomyślałem, że warto również opublikować to u mnie. Dotychczas miałem dwie możliwości: albo głównie ja zadaje pytania, albo prowadzę monolog. Pomyślałem, że fajnie byłoby, żeby ktoś, kto ma trochę inne doświadczenie (programisty), wyciągnął tym razem ze mnie może nieco mniej oczywiste tematy i opinie. Człowiek jest bardzo subiektywny. Dzięki takim eksperymentom będę w stanie wyciągnąć więcej ukrytych warstw. Ten odcinek będzie bardzo przydatny przede wszystkim dla programistów. W szczególności jeżeli mówimy o programistach .NET, C#, bo Kajetan właśnie w tym się specjalizuje.

Jak nazywać rzeczy i dlaczego to jest istotne w projektach Machine Learning? Jakie są dobre praktyki w ML i czego można się nauczyć w chińskiej firmie? Gościem odcinka jest Marcina Możejko. To jest bardzo ciekawy, pozytywny człowiek. Marcin ma bogate doświadczenie zawodowe – z jednej strony twarde, wiedza matematyczna, z drugiej strony programistyczne, a z trzeciej strony to wszystko jeszcze łączy Data Science jako inżynier i próbuje być na krawędzi tych światów, które wcale nie jest tak łatwo połączyć.

Gościem dzisiejszego odcinka jest Kamil Krzyk - Machine Learning Engineer, który podzieli się z nami swoimi przemyśleniami z codzienności specjalisty od Machine Learning. Trafne spostrzeżenia Kamila ukazują szereg wyzwań i możliwości, które dziś stoją przed osobami, które już rozwijają się bądź chcą stawiać zawodowe kroki w branży Data Science & Machine Learning.

W uczeniu maszynowym istnieje wiele różnych rozwiązań i są grube książki, które opisują je wszystkie, ale z grubsza rzecz ujmując jest kilka rzeczy, które trzeba poznać. Jedną z nich jest na pewno Performance i Transformery, który zostały stworzone z myślą o usprawnieniach NLP, czyli dziedziny nauki i technologii poświęconej przetwarzaniu języka naturalnego, ale w tej chwili ich wykorzystanie jest znacznie szersze. Moim gościem jest Krzysztof Choromański, który zrobił doktorat na Uniwersytecie w Kolumbii. Pracuje już od 7 lat w Google Brain Robotics. Jest autorem ciekawych publikacji naukowych i ma wiele wartościowego do powiedzenia w temacie dzisiejszego odcinka.

Dziś poznasz 3 różne perspektywy osób, które przerobiły mój autorski kurs “Data Science & Machine Learning w praktyce”. Po każdej edycji nagrywam taki odcinek. Dlaczego? Chcę pokazać Ci, kim są moi absolwenci, jakie są ich motywacje i plany. Te osoby są na początku swojej drogi w DS, ale ich motywacja do rozwoju może okazać się dla Ciebie inspirująca. Może i Tobie uda się przekonać, czy też zweryfikować, dzięki temu podcastowi, czy chcesz rozwijać się w obszarze ML i DS także od strony praktycznej.

Jednym z coraz częściej poruszanych tematów w obszarze AI jest AutoML, który według wielu działa lepiej niż człowiek. To stwierdzenie jest poniekąd prawdziwe, ale jest także bardzo mylące - w szczególności dla osób, które nie do końca rozumieją kontekst. To wszystko zależy od tego, kto to mówi i w jakim kontekście. Dzisiaj spróbujemy postawić kropkę nad i, aby uspójnić i ustrukturyzować Twoją wiedzę w tym temacie. Moim gościem w tej rozmowie jest Piotr Płoński, twórca MLJAR - popularnego na całym świecie i rozwijającego się w Polsce narzędzia AutoML.

Czy zbliża się kolejna zima AI, a może jednak wiosna? Czym właściwie jest zima w tym kontekście? Na kogo to wpływa i jak? Skąd bierze się natura tego zjawiska? Czy jest się czego bać? Jakiego rozwoju AI możemy się spodziewać? Na te i wiele innych pytań znajdziesz odpowiedzi w 100 odcinku podcastu Biznes Myśli. Dowiesz się o trendach w branży AI oraz przemyśleniach Vladimira, które prowokują do krytycznego myślenia i zadawania kolejnych pytań.

Dlaczego większość projektów Machine Learning nie odnosi sukcesu lub wręcz upada?Jakie role są kluczowe, aby projekt miał szansę przeżyć i przynieść wymierne korzyści?Posłuchaj tego odcinka podcastu, aby odpowiedzieć na te i wiele innych pytań, które zwiększają szansę na powodzenie projektów klasy R&D w branży Data Science i Machine Learning.

Ten odcinek poświęcony jest podsumowaniu roku 2020, w którym dzielimy się z Tobą przemyśleniami dotyczącymi efektywności, ale także wynikami ankiety, która niedawno było przeprowadzona na łamach Biznes Myśli. Pojawiły się także dwa konkursy, które mogą Ci się spodobać :)

Stabilność modeli to bardzo ważny temat. Z jednej strony pojawia się coraz więcej algorytmów, które przynoszą całkiem fajne wyniki, choć z drugiej strony może to być złudne. Mam na myśli to, że jak wdrożymy model na produkcję, to może nas zaskoczyć. W których miejscach mogą być potencjalne kłopoty? O tym dzisiaj będę rozmawiać z Adamem, który bardzo się inspiruje tymi tematami pod różnym względem. Innym ciekawym kierunkiem rozmowy są potencjalne cyberataki, które mogą się wydarzyć i zepsuć model.

W tym odcinku poznasz 3 krótkie historie ambitnych osób, które zaczęły się efektywnie rozwijać w obszarze Machine Learning. Niech to będzie wskazówka i inspiracja. Dowiesz się także o konkretnych przykładach zastosowania narzędzi ML w biznesie, które mogą przynieść korzyść.