Wykładowcy
Wykładowcami na studiach podyplomowych "Data Science w zastosowaniach biznesowych – praktyczne warsztaty" są pracownicy naukowi WNE UW, mający wieloletnie doświadczenie w prowadzeniu szkoleń i projektów analitycznych dla biznesu i dla instytucji publicznych oraz biznesowi praktycy i specjaliści w analizach ilościowych.
dr hab. Piotr Wójcik, prof. ucz.
Profesor uczelni na Wydziale Nauk Ekonomicznych Uniwersytetu Warszawskiego. Ekspert w zakresie wykorzystania oprogramowania Python i R do efektywnego przetwarzania danych oraz zaawansowanego modelowania statystycznego i ekonometrycznego. W latach 2008-2019 kierownik i wykładowca studiów podyplomowych „Metody statystyczne w biznesie. Warsztaty z oprogramowaniem SAS”, posiadający także wieloletnie doświadczenie zawodowe analityka ilościowego w branży finansowej, telekomunikacyjnej i badań marketingowych. Autor licznych publikacji naukowych, w tym współautor podręcznika poświęconego programowi R („Metody ilościowe w R. Aplikacje ekonomiczne i finansowe”). Naukowo zajmuje się analizami regionalnej konwergencji oraz wykorzystaniem narzędzi statystycznych do projektowania automatycznych strategii inwestycyjnych na danych wysokiej częstotliwości. Wykonawca i kierownik projektów badawczych finansowanych przez Narodowe Centrum Nauki, Narodowe Centrum Badań i Rozwoju, Polską Agencję Rozwoju Przedsiębiorczości, Ministerstwo Rozwoju Regionalnego.
dr mult. hab. Jacek Lewkowicz
Profesor na Wydziale Nauk Ekonomicznych Uniwersytetu Warszawskiego. Posiada wykształcenie ekonomiczne i prawnicze. Stosuje oprogramowanie Python oraz R w modelowaniu z zakresu supervised machine learning, unsupervised machine learning i text mining. Kierownik i główny wykonawca szeregu projektów finansowanych przez Ministerstwo Nauki i Szkolnictwa Wyższego oraz Narodowe Centrum Nauki. Entuzjasta aplikowania zaawansowanych narzędzi ekonometrycznych i machine learningu do problemów wpisujących się w nurt ekonomii instytucjonalnej, ekonomii politycznej i ekonomicznej analizy prawa. Wizytował wiodące uczelnie zagraniczne, m.in. ETH Zurich (Visiting Professor) oraz National University of Singapore (Visiting Senior Fellow).
dr Wiktor Budziński
Adiunkt na Wydziale Nauk Ekonomicznych Uniwersytetu Warszawskiego. Prowadzi zajęcia dla doktorantów z wykorzystaniem Pythona i R. Autor wielu publikacji w międzynarodowych czasopismach naukowych. Odbył staż naukowy na Cornell University. Jego zainteresowania badawcze dotyczą analizy preferencji konsumentów przy użyciu modeli ekonometrycznych. W szczególności, rozwija metodologię modelowania wyborów dyskretnych.
dr Maria Kubara
Adiunktka na Wydziale Nauk Ekonomicznych Uniwersytetu Warszawskiego, związana z obszarem data science w ekonomii i regional science. Laureatka prestiżowych nagród dla młodych naukowców, w tym programu START Fundacji na rzecz Nauki Polskiej oraz wyróżnień międzynarodowych (m.in. EPAINOS i RSAI). Kierowniczka projektu w ramach programu Diamentowy Grant oraz wykonawczyni w projektach NCN. Doktorat w dyscyplinie ekonomia i finanse obroniła z wyróżnieniem na Uniwersytecie Warszawskim.
W swoich badaniach zajmuje się rolą przestrzeni w kształtowaniu procesów gospodarczych, w szczególności dynamiką firm i startupów w ujęciu wewnątrzmiejskim. Jej prace łączą ekonomię z zaawansowanymi metodami ilościowymi, ze szczególnym naciskiem na przestrzenne uczenie maszynowe, metody przyczynowe oraz wyjaśnialną sztuczną inteligencję. Obecnie rozwija kierunki badawcze związane z zależnościami między aktywnością gospodarczą, strukturą firm oraz procesami demograficznymi w ujęciu przestrzennym, na różnych poziomach agregacji.
Współredaktorka książki "Spatial Machine Learning in R" (Routledge, planowane wydanie 2027), łączącej perspektywę metodologiczną i aplikacyjną w analizie danych przestrzennych.
Absolwentka kierunku „Data Science and Business Analytics" na WNE UW, gdzie obecnie prowadzi zajęcia z zakresu programowania, metod ilościowych oraz praktycznego wykorzystania sztucznej inteligencji w analizie danych.
dr Maciej Świtała
Doktor nauk społecznych w dyscyplinie ekonomia i finanse. Autor rozprawy doktorskiej poświęconej analizie skuteczności polskiego systemu sądownictwa z wykorzystaniem algorytmów uczenia maszynowego. Absolwent Wydziału Nauk Ekonomicznych Uniwersytetu Warszawskiego na kierunku Informatyka i Ekonometria (specjalność Data Science) oraz studiów prawniczych na Wydziale Prawa i Administracji tej samej uczelni. Specjalizuje się w zastosowaniach algorytmów uczenia maszynowego oraz przetwarzaniu języka naturalnego. Posiada doświadczenie w konstruowaniu modeli ekonometrycznych i budowie algorytmów uczenia maszynowego, zarówno w badaniach naukowych, jak i zastosowaniach biznesowych. Jego zainteresowania badawcze obejmują w szczególności empiryczne badania nad prawem w ujęciu ekonomicznym przy użyciu algorytmów uczenia maszynowego oraz zaawansowanych metod analizy danych tekstowych.
dr Ewa Weychert
Absolwentka Wydziału Nauk Ekonomicznych Uniwersytetu Warszawskiego na kierunku "Informatyka i Ekonometria, specjalność Data Science". Obecnie jako doktorantka w Szkole Doktorskiej Nauk Społecznych przy UW prowadzi badania pod tytułem „Narracja w badaniach ekonomicznych i demograficznych z wykorzystaniem uczenia maszynowego”. Szczególnie zainteresowana jest uczeniem maszynowym ukierunkowanym na analizę tekstu - tzw. modelowaniem tematycznym (topic modelling), analizą sentymentu oraz Natural Language Processing (NLP). Dodatkowo, jest uczestnikiem grantów badawczych, finansowanych m. in. przez Narodowe Centrum Nauki oraz Unię Europejską.
mgr Jakub Bandurski
Doktorant w Szkole Doktorskiej Nauk Społecznych przy Uniwersytecie Warszawskim. Absolwent Wydziału Matematyki, Informatyki i Mechaniki oraz Wydziału Nauk Ekonomicznych Uniwersytetu Warszawskiego. W rozprawie doktorskiej zajmuje się problematyką wpływania na zachowanie agentów w środowiskach modelujących problemy ekonomiczno-społeczne, z wykorzystaniem uczenia ze wzmocnieniem w układach wieloagentowych (Multi-Agent Reinforcement Learning, MARL). Szczególnie zainteresowany łączeniem zaawansowanych metod uczenia maszynowego takich jak MARL w klasycznych zagadnieniach makroekonomii i teorii gier. Zawodowo zajmuje się przewidywaniem szeregów czasowych w InPost Group.
mgr Jan Frąckowiak
Doktorant w Międzydziedzinowej Szkole Doktorskiej Uniwersytetu Warszawskiego (kierunki: informatyka i ekonomia). Absolwent MISH UW z dyplomami na kierunkach informatyka i ekonometria oraz Data Science and Business Analytics. W rozprawie doktorskiej bada metody automatycznej konstrukcji grafów wiedzy z wykorzystaniem dużych modeli językowych (LLM). Zawodowo pracuje jako AI Engineer w Bayer, gdzie zajmuje się NLP, systemami RAG oraz document AI.
mgr Michał Künstler
Doktorant na Wydziale Nauk Ekonomicznych Uniwersytetu Warszawskiego. Związany z obszarem data science i uczenia maszynowego, zarówno w wymiarze akademickim, jak i komercyjnym. W swoich badaniach skupia się na nowatorskich metodach pomiaru wskaźników ekonomicznych, ze szczególnym uwzględnieniem szacowania zamożności regionów przy pomocy analizy zdjęć satelitarnych. W tym celu wykorzystuje nowoczesne techniki widzenia komputerowego (Computer Vision) oraz explainable AI (XAI). Posiada bogate doświadczenie praktyczne, które zdobywa pracując jako Data Scientist w firmie dotData. W swojej codziennej pracy rozwiązuje złożone problemy analityczne wykorzystując technologie takie jak Python, Spark czy R, swobodnie łącząc perspektywę biznesową z rygorem naukowym. Dwukrotny drużynowy zwycięzca mistrzostw świata ekonometrii (Econometric Game w Amsterdamie) - w tym raz w roli kapitana drużyny WNE UW.