Letölthető előadásanyagok

Keynote

• Data Science és ML trendek – Arató Bence, BI Consulting
• Vezetői kihívások és megoldások a mesterséges intelligencia fejlesztésekben – Dr. Lóránd Balázs, Continental Automotive Hungary

Első track előadásai

• ML alkalmazása a lakossági kockázatkezelésben – Hideg Szabolcs, Santander Consumer Bank – Nordic
• Egy adatvezérelt, innovatív bank & biztosító AI kihívásai – Dévényi Edit, K&H Bank
• Adatillúzió és kritikus gondolkodás – Kovács Gyula
• Data Science kihívások a UPC akvizíciója után – Tamás László, Vodafone
• Hatékony szolgáltatásajánlás ML alapokon – Erdélyi Balázs (Telekom HU), Palotay Réka (United Consult)
• Üzleti szempontok alapján módosított gépi tanulási módszerek – Gáspár Csaba, dmlab
• Egy ML algoritmus életciklusa az OTP Bankban – Kuslits Lukács, OTP Bank
• Churn prevenció ML eszközökkel a Rossmann-nál – Biró Szabolcs, Biró Márton, Hiflylabs
• Hálózatos adattudomány alkalmazásai – Janosov Milán PhD, Datapolis
• Miként növelhető a szervezet bizalma az ML megoldásokkal kapcsolatban? – Bakonyi Zoltán, IFUA Horváth & Partners
• Hogyan kerüljünk a legjobb tíz közé egy Kaggle versenyen? – Tóth Benedek, Zempléni Balázs, Starschema

Második track előadásai

• Bag of, not words, but tricks – Vincent Warmerdam, Rasa (feltöltés alatt)
• Deploying Machine Learning Models Successfully into Production – Chris Royles, Cloudera
• Magyar chatbot fejlesztése deep learning alapokon – Babud Bence, Purgai Patrik, Talk–A–Bot
• AI a gyógyszerfejlesztésben – Kovács Gábor, Turbine.AI
• Hatékony önvezetés szenzorfúzióval – Kabai Robert-Zsolt, Continental
• Alkalmazott ML prototípusok 101 – Purger Norbert, Cloudera
• ML tervezési minták – Török Ágoston, Neural Machines
• Deep Reinforcement Learning az iparban és kereskedelemben – Moni Róbert, BME Villamosmérnöki Doktori Iskola
• Matematika, láthatatlanná tévő köpenyben – Urbán Ida Mária, Vodafone
• Predictive Power Score Pythonban – Szabó Dóra, Spicy Analytics