A Budapest ML Fórum 2023. június 5-8. között visszatér!
A konferenciát hibrid formában, a Budapest Data Fórummal közös szervezésben rendezzük meg. A Tutorial napot (június 5.) és a konferencia napot (június 6.) személyes részvétellel tervezzük, június 8-án pedig online várjuk a résztvevőket.
Részletek a weboldalon.

Konferenciánkról

A Budapest ML Fórum a hazai és nemzetközi data science, ML és AI technológiai trendeket és alkalmazási gyakorlatot bemutató, hibrid formában megrendezésre kerülő szakmai konferencia.

A rendezvény főtámogatója és kiemelt szakmai partnere a Continental budapesti Mesterséges Intelligencia Fejlesztési Központja.

Helyszínünk

A konferencia keddi napjának (május 3.) helyszíne
a Hotel Danubius Helia. A szálloda címe: 1133 Budapest, Kárpát utca 62-64. A regisztráció reggel 8 órakor nyit.

Akadémiai Partner Program

Partnerintézményeink hallgatói és oktatói különlegesen kedvezményes online akadémiai jeggyel vehetnek részt a konferencián.

Nyílt este

A konferencia zárásaként egy nyílt estét szervezünk, ahol szívesen látunk minden érdeklődőt. Részletes program és ingyenes regisztráció

Aktuális

2023-01-30

2023 júniusában ismét jön a Budapest ML Fórum

2022-05-24

Budapest ML Fórum Followup Meetup jövő hétfőn

2022-05-06

Közzétettük a konferencia előadásainak anyagait

2022-05-03

Gyires-Tóth Bálint online fog előadni a Nyílt estén

Új előadások

2022-04-21 Ridzi Péter: Mit reggelizik a neurális háló? – Adatmenedzsment és mesterséges intelligencia

2022-04-19 Hárs Márton: Mesterséges intelligencia a benzinkutakon

2022-04-16 Tőzsér Attila: MLOps módszerek bevezetési tapasztalatai

Témáink

Computer Vision

Képfeldolgozási algoritmusok az önvezetéstől az orvosi diagnosztikáig

A Data Science eszköztára

Programnyelvek (Python, R, Julia), notebookok és keretrendszerek, algoritmusok és validációs módszerek.

NLP

Szövegértés és -generálás mesterséges intelligenciával

Üzlet és AI

AI stratégia, alkalmazási területek, szervezet kialakítása, képességek fejlesztése

AI infrastruktúra

GPU-k, AI chipek, adatmenedzsment, szoftverkörnyezetek

ML Esettanulmányok

Hazai és nemzetközi Machine learning alkalmazási példák üzleti, ipari, kutatási és egyéb területekről

A részletes témák itt érhetőek el. A program összeállítását a Program Advisory Board és a Programbizottság segít.

Napirend / Schedule

KEDD / TUESDAY (05.03.) - Helyszíni nap / In-person Day

9:00 -9:15Megnyitó / Opening Session (in Hungarian only)

9:15 -9:45ML és AI trendek 2022-ben

Arató Bence, BI Consulting

keynote

9:45 -10:15AI infrastruktúra az OTP Bankban: jelen, múlt, jövő

Schin Lotar, OTP Bank

Keynote ML Infra

10:15-10:45Kávészünet / Coffee break

Track 1

10:45-11:15 Egy világszínvonalú MI klaszter kihívásai

Nagy Enikő, Continental

ML Infra Case Study

11:20-11:50Közeledik a Komondor, Magyarország szuperszámítógépe

Kiss Zoltán, KIFÜ

ML Infra Case Study

Track 2

10:45-11:15Machine Learning
Kedvcsináló Kezdőknek I.

Kovács Gyula

Tutorial

11:20-11:50Machine Learning
Kedvcsináló Kezdőknek II.

Kovács Gyula

Tutorial

Track 3

10:45-11:15Building NLP applications with Transformers

Julien Simon, Hugging Face

NLP ML Core

11:20-11:50SpanCat: Named Entity Recognition in spaCy and beyond

Kádár Ákos, Explosion.AI

NLP ML Core

12:00-13:30Ebédszünet / Lunch break

Track 1

13:30-14:00Mit reggelizik a neurális háló? – Adatmenedzsment és MI

Ridzi Péter, Continental

ML Infra

14:05-14:35Magyarázható mesterséges intelligencia a csalás megelőzésben

Utassy Dávid, SEON Technologies

ML Core Case Study

14:40-15:10Modern Data Science platform kiválasztása az OTP-nél

Fodor Szabolcs, United Consult

Case Study ML Infra

Track 2

13:30-14:00How we use
NLP at Barion

Balogh Zoltán, Barion Payment Inc.

NLP Case Study

14:05-14:35Telekom Vanda: Voice és Chat alapú Virtuális Asszisztens a gyakorlatban

Kovács Lóránt, Magyar Telekom

NLP Case Study

14:40-15:10HILANCO-GPTX, egy hétmilliárd paraméteres GPT-3 modell

Dr. Feldmann Ádám, PTE

NLP Case Study

Track 3

13:30-14:00Making roads safer
through Machine Learning

Barra István és Nagyfi Richárd, Cambridge Mobile Telematics

ML Infra Case Study

14:05-14:35AI-based multi-sensor fusion for solving challenging driving scenarios

Kabai Robert-Zsolt, Continental

Computer Vision Case Study

14:40-15:10Do you have a few minutes for an ImageNet training?

Tilk Bence, Graphcore

Computer Vision ML Core

15:10-15:40Kávészünet / Coffee break

Track 1

15:40-16:10MLOps módszerek bevezetési tapasztalatai

Tőzsér Attila

ML Infra Case Study

16:15-16:45Az MLOPS kihívásai

kerekasztal beszélgetés

MLOPS MLINFRA

Track 2

15:40-16:10Mesterséges intelligencia a benzinkutakon

Hárs Márton, Mol Group

Case Study

16:15-16:30 Fáradtság és figyelem meghatározása gépi látással

Várhelyi-Tóth Gergely, roboGaze

Computer Vision Case Study

16:30-16:45 Magyar híroldalak gazdasági szövegeinek szentiment elemzése

Ónozó Lívia, Central Bank of Hungary

NLP Case Study

Track 3

15:40-16:10Explore-Exploit algorithms used at IKEA recommendations

Tóth Balázs, IKEA

Case Study ML Core

16:45-17:45Állófogadás / Welcome Reception

18:00- 20:00 Nyílt este és Data Karrier Fórum / Open Session & Data Career Forum
A nyílt estén a részvétel ingyenes, elég egy előzetes regisztráció

SZERDA / WEDNESDAY (05.04.) - Online day

9:00-9:15Megnyitó / Opening session

9:15-9:45Building Successful Data Science Projects

Ian Ozsvald, Mor Consulting

Keynote PyData

10:00-10:30Kávészünet / Coffee break

Track 1

10:30-11:00Idősoros anomáliák
szöveges összefoglalása

Zempléni Balázs és Kovács Bálint, Starschema

Business & AI NLP

11:05-11:35Transzfer learning alapok kísérletezőknek és menedzsereknek

Molnár Tamás

ML Core

11:40-12:10Az interpretálhatóság szerepe
a gépi tanulásban

Balogh Nóra

ML Core

Track 2

10:30-11:00Machine Learning applications in the Online Gambling Industry

Sinkó Máté, Prospect AI - Betting Analytics

Business & AI Case Study

11:05-11:35Deep learning
antipatterns

Török Ágoston, Neural Machines

Case Study

11:40-12:10Building a job title predictor

Borbély Gábor, Lensa

NLP PyData

Track 3

10:30-11:00Data Science technológiák
kezdőknek

Arató Bence, BI Consulting

Tutorial

11:05-11:35Data Science technológiák
kezdőknek

Arató Bence, BI Consulting

Tutorial

11:40-12:10Hogyan fejlesszünk Python csomagot? Tanulságok egy klaszterező csomag létrehozásából

Fülöp Árpád, Rollbar

ML Core Case Study

12:10-13:30Ebédszünet / Lunch break

Track 1

13:30-14:00Gyógyszerfejlesztés ML technológiával: 3D képfeldolgozás

Kelemen Kristóf és Windhager-Pokol Eszter, Richter Gedeon

Computer Vision Case Study

14:05-14:35A biológiai látás által inspirált mesterséges látás

Orbán Gergő, Wigner Research Centre for Physics

ML CORE Computer Vision

14:40-15:10AlphaFold 2 - fehérjék 3D struktúrájának predikciója

Kovács Gábor, Turbine

ML Core

Track 2

13:30-14:00Best Algorithm for Tabular/Business Data: Sorry, it's not deep learning

Pafka Szilárd, Epoch (USA)

ML Core

14:05-14:35Effortlessly scale your pandas workflows with Modin

Alejandro Herrera, Ponder

PyData

14:40-15:10Introducing Polars: The fast(est) DataFrame library you may have heard of.

Ritchie Vink, Xomnia

PyData

Track 3

13:30-14:00 StickyLand: Breaking the Linear Presentation of Computational Notebooks

Jay Wang, Georgia Institute of Technology

PyData

14:05-14:35 Share Python Notebooks as interactive web applications with Mercury

Piotr Płoński, MLJAR

PyData

14:40-15:10 Building up an AI Center of Excellence in an Energy Utility

Rachel Berryman, 50Hertz

Business & AI Case Study

15:10-15:40Kávészünet / Coffee break

15:40-16:40Záró plenáris / Closing plenary

Winning The Room: Creating And Delivering An Effective Data-Driven Presentation

Bill Franks, Kennesaw State University

Keynote

Konferenciazárás / Closing session

Előadók

Kiemelt előadások

Ian Ozsvald

Principal Data Scientist, Mor Consulting

Building Successful Data Science Projects

Arató Bence

Ügyvezető, BI Consulting

ML és AI trendek 2022-ben

Schin Lotar

Senior Technical Domain Lead, OTP Bank

AI infrastruktúra az OTP Bankban: jelen, múlt, jövő

Bill Franks

Director, Center for Statistics and Analytical Research, Kennesaw State University

Winning The Room: Creating And Delivering An Effective Data-Driven Presentation

Tutorial és workshop

Kovács Gyula

Data Science coach

Machine Learning Kedvcsináló Kezdőknek

Arató Bence

BI Consulting

Data Science technológiák kezdőknek

Esettanulmányok

Fodor Szabolcs

Lead Data Scientist, United Consult

Modern Data Science platform kiválasztása az OTP-nél

Utassy Dávid

Data Scientist, Machine Learning Guild Leader, SEON Technologies

Magyarázható mesterséges intelligencia a csalás megelőzésben

Hárs Márton

Group Data Analytics Lead for Retail and Consumer Services, MOL Group

Mesterséges intelligencia a benzinkutakon

Kovács Lóránt

Központ vezető, Magyar Telekom

Telekom Vanda: Voice és Chat alapú Virtuális Asszisztens a gyakorlatban

Rachel Berryman

Deputy Head of AI Center of Excellence, 50Hertz Transmission

Building up an AI Center of Excellence in an Energy Utility

Sinkó Máté

Director, Prospect AI - Betting Analytics

Machine Learning applications in the Online Gambling Industry

Barra István

Principal Data Scientist II, ML Guild Leader, Cambridge Mobile Telematics

Making roads safer through Machine Learning

Tóth Balázs

Senior Data Scientist, IKEA

Explore-Exploit algorithms used at IKEA recommendations

NLP

Ónozó Lívia

Head of Digitalization Technology Department, Central Bank of Hungary

Magyar híroldalak gazdasági szövegeinek szentiment elemzése mélytanuló hálózat segítségével

Dr. Feldmann Ádám

Egyetemi adjunktus, PTE

HILANCO-GPTX, egy hétmilliárd paraméteres GPT-3 modell

Zempléni Balázs

Data Scientist, Starschema

Idősoros anomáliák szöveges összefoglalása

Borbély Gábor

Data Scientist, Lensa

Building a job title predictor

Julien Simon

Chief Evangelist, Hugging Face

Building NLP applications with Transformers

Balogh Zoltán

Senior Data Scientist, Barion Payment Inc.

How we use NLP at Barion

Kádár Ákos

ML Engineer, spaCy Core Developer, Explosion.AI

SpanCat: Named Entity Recognition in spaCy and beyond

Computer Vision

Kabai Robert-Zsolt

Deep Learning for Point Cloud Team Lead Continental

AI-based multi-sensor fusion for solving challenging driving scenarios

Kelemen Kristóf

Biostatistician, Richter Gedeon

Gyógyszerfejlesztés ML technológiával: 3D képfeldolgozás

Orbán Gergő

Group Leader, Wigner Research Centre for Physics

A biológiai látás által inspirált mesterséges látás

Tilk Bence

Artificial Intelligence Engineer, Graphcore

Do you have a few minutes for an ImageNet training?

Várhelyi-Tóth Gergely

CTO & Co-Founder, roboGaze

Fáradtság és figyelem meghatározása gépi látással

ML infrastruktúra

Nagy Enikő

AI Infrastructure Engineer, Continental

Milyen kihívásai vannak egy világszínvonalú MI klaszter létrehozásának?

Tőzsér Attila

Big Data and Data Science Consultant

MLOps módszerek bevezetési tapasztalatai

Kiss Zoltán

HPC fejlesztési vezető, KIFÜ

Közeledik a Komondor, Magyarország szuperszámítógépe

Ridzi Péter

Head of Data Platform, Continental

Mit reggelizik a neurális háló? – Adatmenedzsment és MI

ML módszerek és eszközök

Molnár Tamás

Szenior Data Scientist

Transzfer learning alapok kísérletezőknek és menedzsereknek

Balogh Nóra

Data Scientist

Az interpretálhatóság szerepe a gépi tanulásban

Fülöp Árpád

Machine Learning Engineer, Rollbar

Hogyan fejlesszünk Python csomagot? Tanulságok egy klaszterező csomag létrehozásából

Kovács Gábor

Researcher / Engineer, Turbine.AI

AlphaFold 2 – fehérjék 3D struktúrájának predikciója

JAY WANG

Graduate Student Researcher, Georgia Institute of Technology

StickyLand: Breaking the Linear Presentation of Computational Notebooks

Pafka Szilárd, PhD

Chief Scientist, Epoch (USA)

Best Algorithm for Tabular/Business Data: Sorry, it's not deep learning

Török Ágoston

Data Scientist and ML advisor, Neural Machines

Deep learning antipatterns

Alejandro Herrera

Solution Architect, Ponder

Effortlessly scale your pandas workflows with Modin

Ritchie Vink

Author of Polars, Xomnia

Introducing Polars: The fast(est) DataFrame library you may have heard of

Piotr Płoński

Co-founder of MLJAR

Share Python Notebooks as interactive web applications with Mercury

Jegyek

A regisztrációt megnyitottuk!

A gyakran ismételt kérdések itt érhetőek el.

A konferencia első napja személyes részvétellel kerül megrendezésre, de online is követhető lesz,
a második nap teljes egészében online lesz.

Nap	First Minute árak március 20-ig	Early Bird árak április 10-ig	Standard árak
Workshop jegy (személyes)	~~64 000 Ft~~	~~64 000 Ft~~	80 000 Ft
2 napos hibrid konferenciajegy (1. nap személyes, 2. nap online részvétel)	~~70 000 Ft~~	~~80 000 Ft~~	100 000 Ft
2 napos csak online konferenciajegy (mindkét nap online részvétel)	~~56 000 Ft~~	~~64 000 Ft~~	80 000 Ft

A megadott árak személyenként értendők és nem tartalmazzák a 27% ÁFA-t.
A workshopok (Python, Deep Learning) a konferenciát megelőző héten lesznek, az időpontjuk később kerül véglegesítésre.
További információ a workshopokról ezen a linken érhető el.

A regisztrációt megnyitottuk! Részletek és jegyvásárlás: regisztrációs oldalunkon.

Rólunk mondták

"Nagyon örülök, hogy amíg korábban csak külföldi előadók és projektek keretében lehetett éles ML kihívásokkal, tapasztalatokkal és megoldásokkal találkozni, addig a Budapest ML Fórum megmutatta, hogy már hazai tapasztalatokkal is meg lehet ismerkedni közelről."
- Gozlán Illés, Head of Data Science and Customer Value Optimization

"Igényesen összeválogatott előadások jól megszervezett körülmények között." - Kis Anett, Branch Manager

"Nagyon érdekesek voltak az előadások, különösen tetszett az alkalmazások és megközelítések sokszínűsége (pl. üzleti, technikai, humán kihívások). A rövid (15-30 perces) előadások pörgőssé, élvezhetővé tették az előadásokat..." - Zaupper Bence, Szenior aktuárius

"Nagyon jól szervezett volt, az előadások többsége érdekes volt, a szekció választásnál többször éreztem, hogy egyszerre két előadást is meghallgatnék, amit abszolút a szervezés érdemének tartok." - Móra Krisztina, ügyvezető