Üzleti szempontok alapján módosított gépi tanulási módszerek

Gáspár Csaba
Data Scientist, vezető partner, dmlab

Előadás bemutatása

A legtöbb felügyelt gépi tanulási algoritmus mélyén a négyzetes hiba csökkentésére törekszünk – tesszük mindezt úgy, hogy ezen metrika a legritkább esetben egyezik a módszer üzleti felhasználási környezetével. Előadásomban arra mutatok valós projektekből származó példákat, hogyan lehetett az üzleti célok sajátosságait akár egészen a gépi tanulási szintjén figyelembe venni. A példák jól illusztrálják milyen esetekben szükséges a data scientist kreativitása, mennyire félrevezetők a webes anyagokban példaként megjelenő pipe-line-ok, és hogy mi értelme van ismerni egy-egy algoritmus működésének mélyét, ha már nem saját implementációkat használunk.

Előadó

Gáspár Csaba szenvedélyes adatelemző, a dmlab adatelemzési tanácsadó cég társalapítója, a Műegyetem oktató-kutatója. Az a típus, akitől lelkesedésével, személyes tapasztalataival gyorsan beindítja a big data iránt érdeklődők fantáziáját. Sikeres projekteket vezetett pénzügyi, távközlési, logisztikai és ipari cégeknél is, de nem állnak tőle messze az innovatív megoldások sem: az általa vezetett dmlab szakmai csapatából több sikeres startup is indult, mint a big data szoftver-megoldásokat szállító Radoop, vagy az online reklámcsalásokat leleplező Enbritely. Lelkesítő előadások, céges oktatások, pilot projektek illetve teljes data science megoldások építése esetén is érdemes rá gondolni. Hisz abban, hogy a hazai gazdaság egyik kitörési pontja pont a magyarokra jellemző csavaros észjárás és adatvezérelt eljárások összekapcsolásából álló újszerű megközelítésekben van.