BM112: Data Science oczami praktyka
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.
Władimir przedstawia gościa Konrada, lead data scientista w Adewince, opisując jego pochodzenie i obecne miejsce zamieszkania.
Konrad opowiada o ostatniej czytanej przez siebie książce "Problem trzech ciał" o tematyce naukowej i science fiction.
Konrad opisuje swoją podróż do Holandii na wymianę studencką i jak zdecydowanie wybrał Amsterdam z powodu atrakcyjnej kombinacji kryteriów.
Konrad opisuje działalność firmy Adewinta, zajmującej się reklamami typu classified, a także swoją rolę w centralnym teamie Data Science.
Konrad porusza problematykę tytulacji w branży, podkreślając jej nieprzeciwne znaczenie i opisując swoje doświadczenia z tym.
Konrad opisuje różne zadania i wyzwania, które spotyka w pracy, takie jak problemy z jakością danych i nadmierna popularność deep learningu.
Konrad opisuje kryteria oceny jakości danych i opina, że deep learning nie zawsze jest najlepszym rozwiązaniem.
Konrad opisuje swoje zadanie w TNG Command Consultancy, koncentrując się na dbaniu o wizualną reprezentację wyników i przekazywaniu wyników.
Rozmówca opisuje, jak adaptuje się do różnych poziomów zrozumienia technicznej terminologii w zależności od audiencji.
Rozmówca opowiada o doświadczeniach z prezentacjami i wizualizacjami danych, w tym przypadku z użyciem pierwiastka kwadratowego.
Rozmówca wyjaśnia dynamiczne cenowanie i jego zastosowanie, wskazując na korzyści i wyzwania związane z tym podejściem.
Rozmówca opisuje zmiany na polskim rynku IT, w tym wzrost zainteresowania i wiedzy w tej dziedzinie.
Rozmówca opisuje swoje największe wyzwania zawodowe, w tym pracę z sektorem surowców i problemy związane z przetwarzaniem dużych ilości danych.
Rozmówca podsumowuje swoje przewidywania dotyczące przyszłości ML i data science, wskazując na potencjalne zmiany i rewolucje.
Rozmówca podziękowuje za rozmowę i prosi słuchaczy, aby polecieli podcast.
Rozdziały i streszczenia generowane automatycznie. Pełna transkrypcja nie jest publikowana — wyszukaj frazę, aby zobaczyć dopasowane fragmenty.