Letölthető előadások

A konferencián elhangzott előadások közvetlenül letölthetőek erről az oldalról. Néhány előadás anyagát az előadótól lehet elkérni a feltüntetett email címen.

Az előadások publikálása egyes esetekben még folyamatban van, ezt az adott előadásoknál (feldolgozás alatt) szöveg jelzi.

Workshop nap – November 13.

  • Bevezetés a Tableau használatába workshop EMAIL (bihari@biconsulting.hu)
  • Bevezetés a PowerBI használatába workshop EMAIL (bihari@biconsulting.hu)
  • Adatbányászat kezdőknek workshop PDF
  • Bevezetés az adatelemzésbe Python környezetben workshop LINK
  • A Deep Learning alapjai workshop PDF

Szerda – November 14.

Plenáris

  • Best Practices for Using Machine Learning – Pafka Szilárd, Epoch USA PDF

Szekcióelőadások I. terem

  • Deep learning – hozzávalók és recept a Continental-nál – Róka András, Continental ADAS @ Budapest PDF
  • Hogyan induljunk el Gépi Látás témában Open Source és Microsoft eszközökkel? – Dudás Viktor, Microsoft Magyarország Kft. PDF
  • Önkiszolgáló BI, természetes nyelvi botok és Hyperintelligence – Vokány Gergő, BiXPERT 
  • How Diageo uses Machine Learning to optimize Finance – Percze Dániel, Diageo EMAIL (Daniel.Percze@diageo.com)
  • Identifying and Prototyping Data Science Use Cases – Vancso Ambrus, EPAM Systems PDF
  • ML supported fuel demand planning in MOL Hungary wholesale – Ott Károly, Kelemen Dániel, MOL Group PDF
  • Machine Learning in Trading – Papp Zoltán, Casuality EMAIL (pzoltan@gmail.com)

Szekcióelőadások II. terem

  • On the Diagramatic Diagnosis of Data – Ian Ozsvald, Mor Consulting Ltd PDF
  • Prediction versus Causality – What Machine Learning can do and what not? – Divényi János, Emarsys PDF
  • Hitting the gym: controlling traffic with Reinforcement Learning – Steven Nooijen, GoDataDriven PDF
  • Intelligens termékajánlás PyData alapokon – Kelemen Márton, Fonódi János, Magyar Telekom, Oltyán Gábor, PwC EMAIL (kelemen.marton@telekom.hu)
  • Python és PyData az OTP Banknál – Gozlán Illés, Asztalos Áron, OTP Bank
  • Visualising natural gas dependency in the CEE region* – Kiss-Dobronyi Bence, Cambridge Econometrics PDF
  • Visualizing public transport using Python* – Stancsics Martin, MNB PDF

Szekcióelőadások III. terem

  • Adatvizualizáció alapjai (mini workshop) – Arató Bence, BI Consulting Kft. (feldolgozás alatt)
  • Az adatvizualizáció fél évszázada – az elmélettől a gyakorlatig – Minkó Mihály, ComNest PDF
  • Interactive Data Visualizations – Toll-Free Solutions – Valentin Mikhaylenko, GE Healthcare LINK
  • Building mobility profiles based on mobile cell data Spaces of mobile cellular information – use cases and social benefits – Szabó Tünde, GEOInsight Ltd. – MTA CSFK EMAIL (szabo.tunde.sm@gmail.com)
  • A pénz ugat – Dr. Kuttor Dániel, Dr. Pál Zsolt, Miskolci Egyetem PDF

Csütörtök – November 15.

Plenáris

  • Plenáris szekció, benne: BI trendek – Arató Bence, BI Consulting Kft. (feldolgozás alatt)

Szekcióelőadások I. terem

  • AI a logisztikai szektorban – A Waberer’s sikersztorija – Le Hoang Giang, NEXOGEN PDF
  • IBM Cognos Analytics – avagy nagyvállalati üzleti analitika képességek akár mikrovállalkozások számára is – Kiss Máté, IBM Europe EMAIL (MKiss@hu.ibm.com)
  • Önkiszolgáló Elemzések – kiút a BI csapdából – Marján Balázs, Fundamenta Zrt. PDF
  • Az adatvagyon-menedzsment kihívásai az MNB-nél – Gerendás János, MNB, Lajtai Péter, PwC PDF, EMAIL (gerendasj@mnb.hu)
  • Mi az, ami éjjel ébren tart? Kihívások a banki BI-ban – Nándorfi György, Budapest Bank PDF
  • Growth Analytics for Digital Products – Prekopcsák Zoltán, Rapidminer PDF

Szekcióelőadások II. terem

  • Communicating Effectively with RStudio Connect – Mark Engeln, Rstudio PDF
  • Does my research have an impact? – Emma Vestesson, The Health Foundation PDF
  • Make it reproducible! Package management solutions in R – Tóth Dénes, Kogentum Ltd. LINK
  • Ingredients for using R as part of a production microservice ecosystem – Pál Jenő, Emarsys PDF
  • Spaghetti or lasagne – conquer the process monster – Molnár Tamás PDF
  • Can unsupervised machine learning (UML) help in fraud detection? – Vladimir Markovic, Banca Intesa Beograd PDF
  • Building content similarity recommenders at BBC – Clara Higuera, Michel Schammel, BBC PDF