Katedra Data Science
Uczenie maszynowe (ang. machine learning) czy uczenie głębokie (ang. deep learning) to coraz powszechniej stosowane w badaniach naukowych narzędzia, które są doskonałym uzupełnieniem tradycyjnych modeli ekonometrycznych. Algorytmy uczenia maszynowego pozwalają budować modele predykcyjne, identyfikować zależności występujące między zjawiskami społeczno-ekonomicznymi bez narzucania z góry konkretnego kształtu relacji. Dzięki temu często pozwalają wyjaśnić modelowane zjawisko z większą dokładnością. Aby lepiej zrozumieć wyniki modelowania wykorzystuje się narzędzia tzw. wytłumaczalnej sztucznej inteligencji (ang. explainable artificial intelligence, XAI) na poziomie globalnym (modelu) i lokalnym (pojedynczych obserwacji).
Olbrzymie i wciąż rosnące zasoby informacji dostępne są w postaci danych, których wykorzystanie wprost w modelowaniu ekonometrycznym nie jest możliwe. Są to dane w postaci tekstu, obrazów, nagrań wideo czy audio. Ich przetworzenie i wykorzystanie w modelowaniu wymaga specjalistycznych narzędzi analitycznych. Z kolei przetwarzanie i integracja danych różnych typów na potrzeby modelowania wymaga zaawansowanych kompetencji programistycznych.
Data Science jest pojęciem, które odnosi się do połączenia kompetencji statystycznych, analitycznych i programistycznych. Data scientist to osoba, która nie tylko umie przetwarzać tradycyjne dane tabelaryczne i wykonywać na nich analizy statystyczne, ale potrafi także analizować i przetwarzać olbrzymie ilości danych różnych typów, integrować je na potrzeby modelowania, stosować różnorodne algorytmy uczenia maszynowego i dokonywać na ich podstawie wnioskowania.
Katedra Data Science łączy badaczy i dydaktyków posiadających tego rodzaju kompetencje.
Cele katedry:
- integracja badaczek i badaczy z WNE UW posiadających kompetencje Data Science i wykorzystujących je w badaniach naukowych dotyczących zagadnień mikroekonomicznych, makroekonomicznych, przestrzennych, finansowych i innych
- wykorzystywanie w badaniach różnorodnych typów danych: tabelarycznych, tekstowych, obrazów, wideo, audio, itp.
- wykorzystywanie w badaniach narzędzi uczenia maszynowego, zarówno nadzorowanego (ang. supervised), nienadzorowanego (ang. unsupervised), jak i wzmacnianego (ang. reinforced)
- wykorzystywanie w badaniach narzędzi uczenia głębokiego, w tym specjalistycznych sieci neuronowych do analizy tekstu, obrazów, nagrań wideo, audio, itp.
- wykorzystywanie w badaniach narzędzi przestrzennego uczenia maszynowego
- wykorzystywanie w badaniach narzędzi wytłumaczalnej sztucznej inteligencji
- rozwój wspomnianych powyżej narzędzi
- dydaktyka związana z opisanymi powyżej tematami
Kierownik katedry
Pracownicy
Ośrodek Badawczy Spatial Warsaw
Katedra Data Science
Ośrodek Badawczy Spatial Warsaw
Doktorantka
