A lot of businesses are going digital. COVID-19 situation has only sped up this process. To make educated decisions, we need to base it on the proper information and data. An important aspect is to organize a proper process of data handling in our ecosystem so we can fully benefit from it. In my presentation, I will cover how to setup the process to organize the data flow, to maximize the results, while keeping the costs at bay.

Na prezentacji przyjrzymy się, jak Python w połączeniu z mocnymi modelami NLP może poradzić sobie z tekstami, które zostały nadgryzione zębem czasu!.

W ramach prezentacji pokazanych zostanie kilka metod tworzenia inteligentnych streszczeń. Każda z nich zostanie opisana od strony teoretycznej, plusów oraz minusów jej zastosowania. Przejdziemy również krok po kroku przez przygotowanie takiego modelu.

Przedstawię wam jeden z najbardziej popularnych algorytmów heurstycznych - algorytm genetyczny. Wyjaśnię wam analogie między jego kolejnymi krokami, a procesem ewolucji w świecie przyrody. Następnie omówimy jego implementację w jęzku Python i przetestujemy go na wygenerowanym przez nas problemie plecakowym.

Pakiet TensorFlow umożliwia implementowanie stosunkowo wydajnych struktur opartych na grafowej strukturze, przede wszystkim sztucznych sieci neuronowych. Implementacja modeli w tym frameworku znacząco ułatwia ich wdrożenie na produkcji, wraz z całym środowiskiem TensorFlow Extended (TFX). Niestety nasze modele to nie tylko sztuczne sieci neuronowe... i czy naprawdę łatwo przepisać je z pakietu Numpy do TensorFlow? W trakcie prezentacji przedstawione zostaną główne problemy związane z takimi implementacjami jak i możliwe rozwiązania na przykładzie prostego algorytmu k-najbliższych sąsiadów.