A Mentorsarokban az este résztvevői tanácsot kérhetnek a karrierfejlesztéssel kapcsolatos kérdésekben, a szakmai kompetenciák fejlesztésétől az állásinterjúzás gyakorlatáig. A mentorálás egyénileg vagy kiscsoportos formában online történik.
Mentoraink:
Deák-Meszlényi Regina
Head of Deep Learning Methods
Continental – Deep Learning Competence Center Budapest
LinkedInRegina fizikusként végzett, majd doktori fokozatát orvosi képfeldolgozásból, azon belül is agyi felvételek klasszikus és mélytanulás alapú elemzéséből szerezte a Tudományos Akadémia Természettudományi Kutatóközpontjában. 2018-ban csatlakozott a Continental budapesti Deep Learning központjához, ahol közel két évig vezette a kamera képfeldolgozással kapcsolatos mélytanulási projekteket, jelenleg pedig a mélytanulási metodológiákkal foglalkozó csoport vezetője.
- Gépi tanulás és mély tanulás tudományos körökben és ipari alkalmazásokban
- Hogyan képezzük magunkat a gépi tanulás területén?
- Állásinterjú tippek deep learning engineer és deep learning scientist pozíciókra
Mentori témák
- Milyen szakmai kompetenciákra van szükség a magyar munkaerőpiacon?
- Hogyan lehet ezeket elsajátítani?
- Data scientist állásinterjúzás gyakorlata
Milán ELTE-n végzett fizikus és biofizikusként évekig kutatott a KFKI-ban és az ELTE Biológiai Fizika Tanszékén, optikai bioszenzorikától csoportos viselkedés megértéséig – a közös pont általában az adatmodellezés volt. 2016-2020 között doktorált a CEU Hálózattudományi Tanszékén, közben kutatott a Bell Labs-nél Cambridge-ben, a Barabási Lab-ben Bostonban, és data scientist tanácsadóként dolgozott a Maven7-vel. 2020 eleje óta a Datapolis kutatásait vezeti.
- Akadémiai kutatás vs ipar
- PhD fokozat megszerzése
- Hogyan értsünk szót nem szakmabéliekkel? – Üzlettől a tudománynépszerűsítésig
Mentori témák
- Mi kell ahhoz, hogy valakiből jó (adat)elemző legyen?
- Hogyan tudsz magányos farkasból csapattaggá válni?
- Hogyan kommunikálj az „üzleti oldallal”?
- Hogyan tudsz karriert építeni – mint adatelemző?
Molnár Tamás
Senior Data Scientist
Tamás 2006-ban kezdett el adatbányászattal és prediktív modellezéssel foglalkozni. Számos helyen és helyzetben volt alkalma feltárni analízisre érdemes üzleti kérdéseket, kiválasztani a módszertani megközelítést, végrehajtani a modellezést és átadni az eredményeket az üzleti felhasználók részére. Találkozott sales, marketing, pénzügyi, HR és folyamatműködési problémákkal egyaránt. Minden szervezeti szinttel dolgozott együtt specialistától global head pozícióig.
- Beszélgethetünk arról, hogy miképpen tudod érvényesíteni a módszertani tudásodat: hogyan hozhatod ki a legtöbb hasznot az elméleti, programozási és szakterületi ismereteidből? Hogyan lehet ezeket a legeredményesebben fejleszteni?
- Mivel fogsz meg valakit az üzleti oldalról egy projektre és hogyan tartod meg az érdeklődést?
- Mikor számíthatsz rá, hogy az eredményeidet tartósan használni fogják és így rád is hosszú távú partnerként tekintenek?
- Mik azok a kevésbé népszerű elemei a data scientist létnek, amikre érdemes figyelemmel lenni, és hogyan fordíthatod az előnyödre őket?
Mentori témák
- Hogyan érdemes elindulni, ha data scientist szeretnél lenni, és milyen területekre érdemes fókuszálni?
- Hol helyezkedj el: ügyfél vagy tanácsadói/vállalkozói oldalon
- Ha a cégednél te vagy az első data scientist, akkor mit érdemes csinálni?
- Milyen use-case-ek lehetnek a te cégednél, hogyan lehet hasznosítani az adatokat?
Ágoston több mint tízéves tapasztalattal rendelkezik az adattudomány és AI termékfejlesztés terén. Pályáját akadémiai vonalon kezdte, PhD hallgatóként számos neves egyetemen volt vendégkutató (pl. UCL, Technion, RHUL) és elemzett rendkívül sokféle idegtudományi adatot: EEG-től, single cell adatokon keresztül a szemmozgás adatokig. A doktori fokozat megszerzése után a versenyszférában folytatta karrierjét. Először a Synetiqnél mint Data Scientist és R&D vezető segített elindítani egy világon egyedülálló és máig tracking analitikai és reporting rendszert. Ezt követően csatlakozott az AGT International csapatához előbb, mint Lead Data Scientist, majd mint Director of Data Science. Munkájában számos top sport és szórakoztatóipari óriással dolgozott közösen AI-powered termékek fejlesztésén. Emellett foglalkozik vezetői tanácsadással, amivel főként data science területen dolgozó friss vezetőknek segít megbirkózni a kezdeti kihívásokkal.
Mentori témák
- Karrierváltás data science területre (milyen háttér kell, PhD utáni váltás)
- Milyen tudás kell jobban: szoftverfejlesztés vagy statisztika/matematika?
- Hogyan pitchelj egy data science ötletet?
- Data science munkavállalás külföldön
Attila korábban nemzetközi cégekben (Eon Digital Technology – DataLab, Amadeus Data Processing), jelenleg freelancerként több éves tapasztalattal támogatja adatközpontú cloud migrációs illetve fejlesztési projektek kivitelezését. Több egyedülálló léptékű (petabyte scale, 1.5M request/s) adatvezérelt rendszer megvalósításában vett részt, a kódertől a vezető architect pozícióig.
- Melyek egy data science ipari alkalmazás technikai és szervezeti kihívásai?
- Hogyan építsek MLOps architektúrát és kompetenciát?
- Hogyan dolgozzak együtt data scientistekkel?