16. i 17. svibnja 2019. godine u KRAŠ Auditoriju održana je Data Science Economy konferencija koja je posljednje tri godine mjesto okupljanja stručnjaka, IT developera, studenata i entuzijasta koji rade u data science, big data, data mining, machine learning, artificial intelligence ili predictive modelling područjima, te prilika za razmjenom najboljih praksi u industriji.
Kao dio organizacijskog odbora ove godine pripremili smo za vas dva predavanja:
- Tomislav Hlupić – Building a recommendation system for IPTV on a fast streaming architecture
Kroz predavanje opisana je arhitektura brzih tokova podataka na kojoj se temelji recommender sustav razvijen u Poslovnoj Inteligenciji. Prezentirane su osnovne značajke teme, nakon čega je opisan i content delivery sustav, podaci koje takvi sustavi generiraju te njihovo korištenju u svrhu pobošljanja korisničkog iskustva. Predstavljen je i sustav za preporuku sadržaja, zajedno s arhitekturom sustava za analitiku sadržaja i implementacijom samog algoritma za preporučivanje sadržaja, koji je esencijalni dio navedenog sustava.
Fokus predavanja bio je podjednako na arhitekturi sustava i implementaciji. Predstavljeni su i motivacija i razlozi za izradu sustava, faze u stvaranju arhitektura te finalna implementacija algoritma, kao i razlike između raznih algoritama korištenih u slične ili iste svrhe.
- Marko Štajcer – Radionica
Složeni skupovi podataka koji se brzo kreću čine poslovnim korisnicima gotovo nemogućim uočiti infrastrukturalne ili poslovne probleme. Elastic machine learning automatski modelira ponašanje vaših Elasticsearch podataka – trendova i još mnogo toga u stvarnom vremenu, za brže prepoznavanje problema, analize uzroka i smanjenje lažno pozitivnih rezultata. Strojno učenje korisnicima omogućuje postavljanje pitanja poput: “Je li ijedna od mojih usluga promijenila ponašanje?” Ili “Ima li neobičnih procesa na mojim hostovima?” Ova pitanja zahtijevaju bihevioralne modele hostova ili usluga koje se mogu automatski izraditi iz podataka pomoću tehnika strojnog učenja. Značajke takvog strojnog učenja primjenjuju se na širok raspon podataka, omogućujući korisnicima da ih koriste na najinovativnije načine.
