Marcin Szeliga
Freelancer Data Scientist working with and teaching SQL Server and Azure.
Katowice, Poland
Marcin Szeliga is a Freelance Data Scientist who specializes in working with and teaching SQL Server and Azure, with over 25 years of experience in the field. Marcin has been consistently awarded the Microsoft Most Valuable Professional title since 2006 and is one of only two AI MVPs in Poland.
Marcin is an accomplished speaker at numerous European conferences, a university teacher, and an author of books and articles on the Microsoft data platform. Additionally, he serves on the program boards of the PWN publisher and the Polish Association of Artificial Intelligence in Medicine, with a commitment to advancing the field of data science and AI.
As a leader of Data Community Poland and an active member of the Polish data science communities, Marcin is passionate about building a vibrant and inclusive community of data professionals. His dedication to helping others unlock the power of data is evident in his work with clients, teaching students, and collaborating with fellow experts.
Links
Awards
Area of Expertise
Topics
Auto ML in Computer Vision
In this session, you will learn how automated ML can be combined with transfer learning to boost data scientist productivity when building computer vision models trained on image data. We will see new capabilities in Azure Machine Learning’s AutoML related to image classification, object detection and segmentation.
Building intelligent bots with Azure Cognitive & Data Services
Each one Azure Cognitive Service is amazing. But to build an intelligent application we have to combine some of them with data services. In this session we will use Computer Vision API, LUIS, along with Azure Storage, CosmosDB, Azure Search and Microsoft Bot Framework to build an inteligent bot.
In the end you will know how to use Computer Vision API to analyze the images, store data in Storage and CosmosDB, how to built and query an Azure Search Index, how to use LUIS to automatically derive intent from users queries, and how to build an intelligent bot using Microsoft Bot Framework.
Praktyczne zastosowania sztucznej inteligencji
Jest rok 2017. Autonomiczne samochody przewożą ludzi i towary, drony dostarczają zakupy, komputery-prawnicy pracują w najlepszych kancelariach, a komputery-tłumacze dorównali jakością, a szybkością pokonali, najlepszych ludzkich tłumaczy. Komputery zasiadające w radach nadzorczych największych korporacji stały się normą. Nic dziwnego, że ten rok został okrzyknięty rokiem sztucznej inteligencji.
Ten przełom zawdzięczamy inteligentnym programom, czyli programom które po nauczeniu się ukrytych w historycznych danych wzorców sensownie reagują na nowe dane wejściowe. Przy czym tymi danymi coraz częściej nie są rzędy liczb, ale obrazy, nagrania wideo, wyrażenia języka naturalnego, czy mowa. Usługi poznawcze Microsoft Azure oraz dostępne na tej platformie boty pozwalają tworzyć takie inteligentne programy koncertując się całkowicie na ich praktycznych zastosowaniach, a nie technicznych detalach.
W trakcie sesji pokażemy Wam nie tylko różnorodne zastosowania sztuczne inteligencji, ale również jak łatwo tworzy się inteligentne programy.
Od danych do inteligentnych programów w 60 minut z Microsoft R Server
Zaawansowana analiza danych i język R to już synonimy. Siłą tego języka jest dziesięć tysięcy specjalistycznych, ogólnodostępnych bibliotek i ogromna, zrzeszająca analityków, naukowców i , społeczność. Słabościami — brak skalowalności, mała wydajność i problemu z wdrożeniem utworzonych modeli do produkcji. Microsoft R Server 9 rozwiązuje wszystkie te problemy:
• Biblioteka ScaleR pozwala blokowo przetwarzać duże, nie mieszczące się w pamięci, zbory danych.
• Biblioteka MicrosoftML ułatwia i skraca tworzenie modeli predykcyjnych wykorzystujących takie algorytmy jak wzmocnione drzewa decyzyjne, las drzew decyzyjnych czy sztuczne sieci neuronowe.
• Biblioteka MRSDeploy umożliwia opublikowanie modeli jako usług WWW za pomocą jednej linii kodu.
W trakcie sesji wspólnie przeprowadzimy kompletny eksperyment Data Science, zaczynając od oceny danych i ich wstępnego przygotowania, poprzez analizę opisową, po utworzenie, ocenę jakości i udostępnienie użytkownikom modeli predykcyjnych.
Sztuczna Inteligencja w medycynie, czyli jak prawidłowo prowadzić projekt ML
Uczenie maszynowe ma wiele praktycznych zastosowań. Niezależnie od dziedziny, postawione przed nami problemy powinniśmy rozwiązywać systematycznie i przy uzyciu odpowiednich narzędzi.
Celem sesji jest przedstawienie sprawdzonej metodologii projektów ML na konkretnym przykładzie.
Analiza obrazów przy użyciu Azure Machine Learning Services - studium przypadku
Jak trudne jest zbudowanie modelu klasyfikującego zdjęcia lub wykrywającego na tych zdjęciach niewidoczne gołym okiem obiekty? Ile zdjęć jest potrzebnych do nauczenia modelu? Co jest najtrudniejszym etapem eksperymentu uczenia maszynowego? Dlaczego projekty uczenia maszynowego nazywamy eksperymentami? Jak ocenić jakość modelu? Ile to kosztuje? I wreszcie, czemu 2/3 projektów uczenia maszynowego nie kończy się wdrożeniem?
W trakcie sesji omówię projekt prowadzony wraz ze stowarzyszeniem Sztuczna inteligencja w Medycynie i odpowiem na wszystkie powyższe pytania. Jeśli zastanawiasz się nad praktycznym zastosowaniem najnowocześniejszych technik głębokiego uczenia maszynowego, zapraszam!
Marcin Szeliga
Freelancer Data Scientist working with and teaching SQL Server and Azure.
Katowice, Poland