Hackerspace Data Science

Witaj na stronie wydarzenia i grupy Data Science Hackerspace Trójmiasto.

Celem grupy jest wspólna nauka, wzajemne wsparcie, prowadzenie projektów i organizacja wydarzeń z dziedzin Data Science, AI, Machine Learning i pokrewnych.

Staramy się spotykać w każdą środę po godzinie 18:00, w HS’ie - wydarzenia widoczne w kalendarzu. Okazjonalnie w tym terminie mogą być widoczne inne organizowane przez nas wydarzenia (np. kurs fast.ai).

Dotychczasowe organizowane przez nas wydarzenia (chronologicznie):

• Hackerspace Data Science - ogólne spotkanie grupy Data Science, zwykle w każdą środę od 18:00. [W TRAKCIE]
• Kurs Deep Learning from The Foundations - fast.ai - druga część kursu fast.ai, przełom 2019/2020. [W TRAKCIE]
• Kurs Deep Learning - fast.ai - kurs “Practical Deep Learning for Coders v3” stworzony przez fast.ai, III kwartał 2019.
• Machine Learning with Andrew Ng - kurs Machine Learning stworzony przez Andrew Ng, II kwartał 2018.

• Kurs "Machine Learning" Andrew Ng na Courserze
• Datasets for machine learning

Staramy się zbierać bazę wiedzy, ćwiczeń, datasetów i inny przydatnych materiałów na Google Drive (tymczasowo) pod adresem:
https://tinyurl.com/hs-data-science/
Chętnych do rozwoju tej bazy zapraszam do kontaktu: @amadeusz

LISTOPAD - LUTY
W TRAKCIE

Jest to druga część zajęć Deep Learning od Fast.ai. Oficjalna strona kursu to https://course.fast.ai/part2. Przed każdym spotkaniem, w domu, oglądamy filmik dla danej lekcji.
Spotykania odbywaj się co 2 tygodnie. Można dołączyć w każdym momencie ale najlepiej mieć przerobiony materiał, który był do tej pory.

Harmonogram spotkań:

MAJ - SIERPIEŃ
ZAKOŃCZONE

Oficjalna strona kursu to https://course.fast.ai/. Przed każdym spotkaniem, samodzielnie, w domu, oglądamy filmik dla danej lekcji, przerabiamy kod i odrabiamy pracę domową.
Spotykania odbywaj się co 2 tygodnie. Można dołączyć w każdym momencie ale najlepiej mieć przerobiony materiał, który był do tej pory.

Harmonogram spotkań:

Opis ze strony wydarzenia:

In this study group, we will be working through the fast.ai deep learning course "Practical Deep Learning For Coders v3, Part 1": https://course.fast.ai/ .
This meetup is free and open to all.

Agenda:
18:00 - 20:00 - Fast.ai Deep Learning Presentation, Discussion & Setup

Over the next 14 weeks we will be following the 2019 version of the fast.ai course, meeting every 2 weeks.

In each session we will use that week's fast.ai lectures and course materials as a basis for discussion and learning. Everyone is invited to contribute their insights and questions.

Prior to each session watch the lecture for that week and work on course assignments. For this initial session, we will help you setup your cloud VM or laptop.

The fast.ai course is based around Python 3.6, so basic familiarity with python is a plus. For the deep learning component, fast.ai supplies its own package (fastai) which is built on top of PyTorch, a python package for tensor computation and deep learning.

About the course:
7 lessons in Part 1 (about 20 hours of video)
1 - Image classification
2 - Production; SGD from scratch
3 - Multi-label; Segmentation
4 - NLP; Tabular data; Recsys
5 - Backprop; Neural net from scratch
6 - CNN deep dive; Ethics
7 - Resnet; U-net; GANs

Expect to spend around 5 hours per lesson of your own time (i.e. to watch the video and run the homework programs).

Prerequisites: Basic coding, math concepts are introduced as needed.
Authors suggest to have at least 1 year of prior coding experience in any language: https://course.fast.ai/#getting-started

Where to run lessons:
- Personal computer with Nvidia GPU. CPU option possible but not optimal
- GPU enabled Cloud Virtual Machine
https://course.fast.ai/index.html#using-a-gpu

Feel free to contact us with any questions.

Please note that we have no official connection with fast.ai.

See you there,
Hackerspace Trójmiasto Data Science Group

Amadeusz Lisiecki
Jakub Kruszyński
Michał Wojczulis
Robert Różański

LUTY - MAJ 2018
ZAKOŃCZONE

Cotygodniowe spotkania podczas których omawiamy materiał z kursu Machine Learning, autorstwa Andrew Ng, dostępny na portalu Coursera.

Każda lekcja zawiera część teoretyczną (video + slajdy) oraz część praktyczną (implementacja algorytmów w Matlabie/Octavie) co zajmuje 2 spotkania - w pierwszym tygodniu omawiamy teorię, a w kolejnym nasz kod.