
Organizowane konferencje, warsztaty i szkoły letnie
19th Workshop on Algorithms and Models for the Web Graph, 2024
18th Workshop on Algorithms and Models for the Web Graph, 2023
Konferencja: Współczesne metody i praktyki w ryzyku kredytowym, 2021
17th Workshop on Algorithms and Models for the Web Graph, 2020
Summer School on Data Science Tools and Techniques in Modelling Complex Networks, 2019
International Conference on Group Decision & Negotiation 2015
Ważniejsze granty badawcze
Metody i zastosowania zaawansowanej analizy danych (Narodowa Agencja Wymiany Akademickiej NAWA)
New Economy Lab (Narodowa Agencja Wymiany Akademickiej NAWA)
Raising Open and User-friendly Transparency-Enabling Technologies for Public Administrations (Horizon 2020)
Metodyka konstrukcji prognoz makroekonomicznych przy uwzględnieniu heterogeniczności podmiotów gospodarczych (Narodowe Centrum Nauki)
Struktura sieci społecznej a skłonność do kooperacji i dochody indywidualne: model symulacyjny i wyniki empiryczne (Narodowe Centrum Nauki)
Kurs analizy danych w języku Julia
Zestaw interaktywnych projektów online w języku Julia: Hands-on Data Science with Julia.
Data Preprocessing: skupia się na analizie eksploracyjnej i obróbce danych pod kątem modelowania; użytkownik w trakcie projektu zapozna się z ramkami danych z pakietu DataFrames.jl i opanuje tworzenie wizualizacji
K-means and DBSCAN Clustering: rozpoczyna się od przygotowania zbioru danych do procesu klastrownia algorytmami k-średnich i DBSCAN; dla obu metod użytkownik wyznaczy optymalne wartości hiperparametrów i zwaliduje otrzymane wyniki, uwzględniając porówananie wyników grupowania z obu algorytmów
Dimensionality Reduction with PCA, t-SNE and UMAP: kontynuuje analizę zbioru wykorzystanego poprzednim projekcie; dane zostają zredukowane do przestrzeni dwu- i trzywymiarowej za pomocą algorytmów PCA, t-SNE oraz UMAP; dzięki temu możliwe jest zwizualizowanie zbioru danych wraz z naniesieniem wyników klastrowania algorytmami k-średnich i DBSCAN; w przypadku algorytmów t-SNE i UMAP użytkownik skorzysta z biblioteki PyCall.jl, pozwalającej na wywołanie bibliotek z języka Python
Regression Using GLM and DecisionTree: daje możliwość zapoznania się z tworzeniem modeli regresyjnych; użytkownik dokonuje predykcji cen mieszkań z wykorzystaniem regresji liniowej oraz drzew decyzyjnych; w ramach projektu wykonywany jest tuning hiperparametrów oraz walidacja i porównanie stworzonych modeli z pakietów GLM.jl oraz DecisionTree.jl
Classification with XGBoost: opiera się na zadaniu klasyfikacji dochodu z biblioteką XGBoost.jl; w trakcie projektu użytkownik ma możliwość wytrenowania modelu XGBoost wraz z doborem hiperparametrów oraz implementacji własnego algorytmu istotności zmiennych; wyniki algorytmu są następnie porównywane z mechanizmem istotności zmiennych wbudowanym w model XGBoost, co pozwala sformułowanie dodatkowych wniosków biznesowych
SilverDecisions
We współpracy z M. Wasilukiem, P. Szufel i M. Jakubczykiem stworzyliśmy aplikację SilverDecisions.
Oprogramowanie to pozwala na tworzenie i analizę drzew decyzyjnych.
Aplikację można używać w przeglądarce pod adresem http://www.silverdecisions.pl.
Strona rozwojowa projektu jest dostępna w serwisie GitHub.
Train Your Brain --- Challenging Yet Elementary Mathematics
Tutaj można znaleźć informację o książce na temat rozwiązywania problemów matematycznych, którą napisałem wspólnie z Pawłem Prałatem. Dodatkowo dostępny jest tam do pobrania w postaci PDF darmowy materiał zawierający wprowadzenie do języka Julia.
The Julia Express
Utrzymuję krótki materiał wprowadzający do języka Julia przeznaczony dla programistów.
Dokument dla Julia 1.6.1 jest do pobrania tutaj.
Dokument dla Julia 1.4.2 jest do pobrania tutaj.
Dokument dla Julia 1.0 jest do pobrania tutaj.
Dokument dla Julia 0.6 jest do pobrania tutaj.
Dokument dla Julia 0.5 jest pobrania jako [PDF] [HTML] [Jupyter notebook].
Dokument dla Julia 0.4 jest do pobrania tutaj.
Dokument dla Julia 0.3 jest do pobrania tutaj.
EventSimulation.jl
Silnik zdażeniowy wspierający symulację metodą kolejnych zdarzeń (Discrete Event Simulation) napisany w języku Julia. Zaprojektowany jako biblioteka wspierająca nauczanie podstaw symulacji metodą kolejnych zdarzeń.
Kod źródłowy i dokomentacja dostępne są na GitHub
Pakiet localsolver
We współpracy z firmą WLOG Solutions opracowałem pakiet localsolver
do języka R.
Pakiet jest dostępny do pobrania z The Comprehensive R Archve Network i pozwala na rozwiązywanie wielkoskalowych problemów optymalizacji globalnej. Wykorzystuje on zaawansowane algorytmy hybrydowego silnika optymalizacyjnego LocalSolver.
Refined knowledge-gradient policy for learning probabilities
Implementacja algorytmów prezentowanych w artykule Refined knowledge-gradient policy for learning probabilities (Operations Research Letters, 43, 2015) jest do pobrania tutaj.
Asynchronous Knowledge Gradient
Implementacja w języku Java algorytmu Asynchronous Knowledge Gradient jest do pobrania tutaj.
Dokumentacja algorytmu przedstawiona jest w artykule:
B. Kamiński, P. Szufel: Asynchronous Knowledge Gradient Policy for Ranking and Selection, Winter Simulation Conference, Proceedings of the 2014 Winter Simulation Conference, A. Tolk, S. Y. Diallo, I. O. Ryzhov, L. Yilmaz, S. Buckley, and J. A. Miller, eds., s. 3785-3796, 2014
Podręcznik analizy danych w R
Razem z Mateuszem Zawiszą opublikowaliśmy książkę
Receptury w R. Podręcznik dla ekonomistów
na temat analizy danych przy wykorzystaniu języka R.
Można ją kupić w księgarni Oficyny Wydawniczej SGH.
Na tej stronie można pobrać
zbiory danych i kody procedur wykorzystywane w książce.
WSE - Warsaw Simulation Engine
Warsaw Simulation Engine jest biblioteką napisaną w języku Python 3.3.2, która pozwala na uruchamianie symulacji metodą kolejnych zdarzeń (Discrete Event Simulation). Zawiera ona również zestaw wykorzystujących ją symulacji.
Wydania WSE
Wersja 1.0 WSE_v1.0.zip
Wersja 1.1 WSE_v1.1.zip
Wersja deweloperska BitBucket
PyCX
Wspólnie z Przemysławem Szufel bierzemy udział w rozwoju Projektu PyCX.
Jest to proste środowisko symulacyjne napisane w języku Python.