Bio
Cześć! Nazywam się Filip Wójcik i jestem analitykiem danych oraz programistą specjalizującym się w systemach uczenia maszynowego i (szeroko rozumianej) sztucznej inteligencji. W 2021r. uzyskałem tytuł doktora na Uniwersytecie Ekonomicznym we Wrocławiu, w katedrze Inteligencji Biznesowej w Zarządzaniu. W swoich badaniach naukowych skupiam się na zastosowaniach uczenia maszynowego (zwłaszcza systemów uczenia głębokiego /Deep Learning) we wspomaganiu decyzji. Swoją pasją i zainteresowaniami w tym obszarze staram się dzielić ze studentami, pokazując możliwe kierunki rozwoju i nowe trendy. Nauczanie jest dla mnie jednym z najważniejszych aspektów zaangażowania na Uczelni. Poza pracą i nauką – jestem pasjonatem sportów walki (posiadam stopień drugi Dan Aikido, jestem instruktorem samoobrony, aktywnie trenuję Krav Magę), CrossFit i podróży górskich.
- Reinforcement learning
- Deep learning
- Systemy wspomagania decyzji
-
Tytuł doktora Nauk o Zarządzaniu i Jakości, 2021
Uniwersytet Ekonomiczny we Wrocławiu
-
Magister Informatyki w Zarządzaniu, 2017
Uniwersytet Ekonomiczny we Wrocławiu
-
Inżynier informatyki, 2015
WSIZ Copernicus
-
Magister prawa, 2012
Uniwersytet Wrocławski
Umiejętności
Tensorflow/Keras/XGBoost/NLTK/SpaCy/etc
forecast/pingouin/statsmodels
MS Azure Machine Learning
Very good (6+ years)
Very good (6+ years)
Power BI/Tebleau
Experience
- Budowanie systemów wspomagania decyzji wykorzystujących uczenie maszynowe.
- Modelowanie finansowe i ekonometryczne.
- Badania i rozwój innowacyjnych algorytmów optymalizacyjnych, wykrozystujących Deep Learning, Reinforcement Learning. Badania z wykorzystaniem analizy języka naturalnego.
Kluczowe technologie:
- Środowisko Pythona: scipy, NumPy, scikit-learn, pandas;
- Narzędzia sieci neuronowych: Tensorflow, Tensorboard;
- Narzędzia do wielkoskalowego modelowanie RL i uczenia maszynowego: Ray, RLLib.
Główne zadania:
- Budowanie modeli predyckcyjnych wspomagających rozmaite obszary decyzyjne: zarządzanie łańcuchem dostaw, analiza cen i kosztów,, etc. Wykorzystywanie rozmaitych algorytmów i technik uczenia maszynowego:
- Analiza szeregów czasowych
- Regresja, ANOVA
- Modele deep learning, gradient boosting, modele złożone (ensembles)
-
Tworzenie narzędzi optymalizacyjnych.
-
Udizał w przygotowaniu publikacji naukowych i warsztatów akademickich.
-
Główne technologie:
- Python: scipy, NumPy, scikit-learn, pandas
- Narzędzia optymalizacji: cvxpy with different solvers, Matlab
- Sieci neuronowe: Tensorflow, Tensofboard, GPU computing
- Bazy danych: MSSQL
- Interaktywne wizualizacje: MS PowerBI, Python Streamlit
Jako starszy specjalista ds. danych odpowiadałem za dostarczanie wysokiej jakości modeli analitycznych i uczenia maszynowego dla klientów zewnętrznych. Wewnętrzny konsultant i liderem technicznym w niektórych projektach.
Główne obszary kompetencji:
- sieci neuronowe,
- reinforcement learning,
- prognozowanie szeregów czasowych,
- wykrywanie anomalii.
Narzędzia Pythona (pandas, NumPy, scipy, scikit-learn), biblioteki sieci neuronowych (Tensorflow, Keras, Pytorch), biblioteki do wizualizacji (Streamlit, Dash), R/Rstudio do analizy statystycznej.
Data Scientist w departamencie Commercial Management and Business Digitalization. Główne zadania:
- Tworzenie modeli predykcyjnych wspomagających procesy biznesowe w różnych obszarach - zarządzanie łańcuchem dostaw, analiza cen i kosztów, etc. Wykorzystanie wielu narzędzi uczenia maszynowego:
- Analiza szeregów czasowych
- Metody klasyczne: regresja, ANOVA
- Modele uczenia maszynowego (uczenie głębokie, gradient boosting, modele złożone)
-
Budowanie narzędzi optymalizacyjnych łańcuchów dostaw
-
Przygotowywanie publikacji naukowych i materiałów edukacyjnych.
-
Technologie:
- Python: scipy, NumPy, scikit-learn, pandas
- Narzędzie optymalizacji: cvxpy with different solvers, Matlab
- Narzędzia sieci neuronowych: Tensorflow, Tensofboard, GPU computing
- Bazy danych: MSSQL
- Wizualizacja danych: MS PowerBI, Python Streamlit
Główne zadania:
- Budowanie modeli predyckcyjnych wspomagających rozmaite obszary decyzyjne: zarządzanie łańcuchem dostaw, analiza cen i kosztów,, etc. Wykorzystywanie rozmaitych algorytmów i technik uczenia maszynowego:
- Analiza szeregów czasowych
- Regresja, ANOVA
- Modele deep learning, gradient boosting, modele złożone (ensembles)
-
Tworzenie narzędzi optymalizacyjnych.
-
Udizał w przygotowaniu publikacji naukowych i warsztatów akademickich.
-
Główne technologie:
- Python: scipy, NumPy, scikit-learn, pandas
- Narzędzia optymalizacji: cvxpy with different solvers, Matlab
- Sieci neuronowe: Tensorflow, Tensofboard, GPU computing
- Bazy danych: MSSQL
- Interaktywne wizualizacje: MS PowerBI, Python Streamlit
Przygotowywanie aplikacji w środowisku big data (Apache Spark) służącej przetwarzaniu i analizie danych dotyczących grup klientów i ich wzorców zachowania rynkowego. Wykorzystanie narzędzi do dekompozycji szeregów czasowych i prognozowania, wzbogaconych analizą języka naturalnego do przewidywania zmian na rynkach.
Technologie:
- Cloudera (dystrybucja Hadoopa)
- Scala + Spark + Spark Streaming + mllib
- R + caret + mlr + xgboost + H2O
- H2O ai
- Python + scipy + pandas + sklearn
- Pig
- Jupyter notebooks
Bazy danych:
- Impala
- Hive
- MS SQL Server
- Informatika Power Center
Dostarczanie analiz i charakterystyki użytkowników korzystających z przeglądarki. A/B testy i projektowanie eksperymentów mających na celu poprawę retencji i konwersji. Symulacje Monte Carlo, mające na celu przewidzenie przyszłych zachowań i ew. zainteresowania produktem. Bezpośrednia współpraca z kierownictwem Firmy.
Technologie:
- Python + scipy + pandas + sklearn
- R + caret + mlr + xgboost + H2O
- H2O ai
- Jupyter notebooks stack
Projekty
Ostatnie i nadchodzące wystąpienia
Wyróżnione publikacje
Najnowsze publikacje
Kontakt
- filip.wojcik at ue.wroc.pl
- Research gate
- Github