SALA A
SALA A AGENDA
10:00
Warsztat inżyniera ML, czyli jak płynnie spiąć R i Power BI
Jestem inżynierem uczenia maszynowego - czyli machine learning engineer. Każdego dnia zmagam się z modelami i bazami danych oraz aplikacjami analitycznymi okraszonymi ML. Robota pasjonująca i pełna wyzwań. Warto się jej przyjrzeć, bo mocno chcę aby było nas, inżynierów danych i ML, więcej. W trakcie sesji pokażę swój warsztat - zestaw narzędzi, których na co dzień używam w swojej pracy. Język R, czasami Python, nieśmiertelny SQL oraz Power BI. Opowiem jak to wszystko można pospinać aby uzyskać dobrze działające, efektowne i gotowe do wdrożenia (w chmurze czy bez chmury) rozwiązania dla analityków.
Grzegorz Stolecki
Microsoft MVP
11:00
Przerwa
11:30
Automatyzacja raportowania i testowania Power BI + Power Automate (Część nr 1)
Na tym warsztacie poznasz role automatyzacji w świecie analizy danych, korzyści wynikające ze stosowania narzędzi low-code, oraz praktyczny przykład wykorzystania narzędzia do analizy danych (Power BI), a także przykład automatyzacji obsługi danych za pomocą Power Automate. Dowiesz się także czym jest Auzre Data Factory, Microsoft Fabric a także Azure Synapse Analytics. Low-Code to przyszłość i silnie rozwinięta gałąź IT. Ta sesja pozwoli Ci być na czasie ze zmianami w IT.
Michał Guzowski, Łukasz Borowiecki, Marek Zieliński
Data Rockstars
12:30
Przerwa
13:00
Automatyzacja raportowania i testowania Power BI + Power Automate (Część nr 2)
Na tym warsztacie poznasz role automatyzacji w świecie analizy danych, korzyści wynikające ze stosowania narzędzi low-code, oraz praktyczny przykład wykorzystania narzędzia do analizy danych (Power BI), a także przykład automatyzacji obsługi danych za pomocą Power Automate. Dowiesz się także czym jest Auzre Data Factory, Microsoft Fabric a także Azure Synapse Analytics. Low-Code to przyszłość i silnie rozwinięta gałąź IT. Ta sesja pozwoli Ci być na czasie ze zmianami w IT.
Michał Guzowski, Łukasz Borowiecki, Marek Zieliński
Data Rockstars
14:00
Przerwa
14:30
Marka osobista data scientist
Wiele osób pracujących w IT słysząc zwrot "marka osobista" wyobraża sobie celebrytów znanych z tego, że są znani, internetowych guru od spraw wszelakich czy wyśmiewanych coachów wmawiających nam, że jesteśmy zwycięzcami. Pora to odczarować! Silna marka osobista analityka danych może służyć do powiększania wpływu na firmę/projekt, polepszania pozycji na rynku pracy czy zarabiania na swojej wiedzy. Pytanie tylko jak ją zbudować?
Krzysztof Kempiński
Technology Rockstar
15:30
Przerwa
16:00
Jak szybko uprodukcyjnić prosty, customowy model uczenia maszynowego na własnym serwerze, Google Cloud Functions albo AWS SageMaker?
Model na produkcji, to model, który przeżyje. Niezależnie czy pracujemy jako freelancerzy, czy w dużym zespole w firmie produktowej, szybkie wdrożenie modelu statystycznego na produkcji ma bardzo dużo zalet. Większość systemów Data Science upada w momencie wdrożenia. Pojawiające się problemy infrastrukturalne i niespodziewane koszty doprowadzają do zamknięcia projektu. Dobrze więc zrezygnować z procesu ciągłego na rzecz równoległej pracy z usprawnianiem modelu i jednoczesnym budowaniem infrastruktury do jego serwowania. Nie jest to skomplikowane zadanie i na prezentacji pokażę sposoby na szybkie wdrożenie modeli napisanych w Pythonie na trzech platformach od różnych dostawców reprezentujących inne typy architektury: Droplet od DigitalOcean, AWS SageMaker i Google Cloud Functions.
