W 2016 roku kilkukrotnie dzieliliśmy się wiedzą występując na branżowych spotkaniach. Poniżej przedstawiam zebrane prezentacje.
KRUG #3 / 2016 (15.03.2016)
„Tips & Tricks: prowadzenie działu IT” – Krzystof Hostyński
W marcu na KRUGu podzieliłem się swoim doświadczeniem w prowadzeniu Działu IT. Starałem się pokazać drobne rzeczy które powodują, że praca staje się łatwiejsza.
SRUG Silesian Ruby User Group (18.10.2016)
„Tips & Tricks: prowadzenie działu IT” #2 – Krzysztof Hostyński
Tutaj plan był taki aby pokazać tą samą prezentację co w marcu, jednak po 7 miesiącach, ilość przemyśleń i dodatków sprawiłm, że było to „wydania drugie poprawione”
AImeetup – Let’s meet to talk about A.I. #2 (20.10.2016)
„Jak dzięki Data Mining księgujemy automatycznie koszty w inFakt” – Sebastian Bobrowski
AImeetup to krakowskie spotkania osób interesujących się sztuczną inteligencją. Można tutaj spotkać zarówno osoby techniczne jak i zajmujące się częścią biznesową. Na drugiej edycji Sebastian opowiadał o tym jak w inFakt dzięki duże ilości danych historycznych możemy znacznie automatyzować pracę księgowych.
KRUG #7/2016 (25.10.2016)
„Microservices and their communication (RabbitMQ / Sidekiq)” – Radek Rochmalski
W Październiku na Krakow Ruby User Group wystąpił Radek i podzielił się swoją wiedzą o mikroserwisach i sposobach w komunikacji między nimi. Mocno techniczna prezentacja pokazująca dlaczego warto ….
KRUG #7/2016 (25.10.2016)
„IT vs bookkeeping” Anna Pisu
Ania krótko i konkretnie pokazała jakie są różnice pomiędzy własną firmą a pracą na etacie. Kiedy każda z opcji jest bardziej korzystna dla developera z punktu widzenia księgowości.
XI Targi eHandlu (09.11.2016)
„Czy wiesz jak pod kątem księgowym rozliczać promocje i bonusy w sklepie internetowym? Praktyczne wskazówki.” – Anna Pisu
Tym razem na Targach eHandlu Ania przedstawiła praktyczne rady dla osób prowadzących sklepy internetowe.
AImeetup – Let’s meet to talk about A.I. #3 (8.12.2016)
„Data is oxygen for ML” – Dima Boyko
Na trzeciej edycji AImeetup wystąpił Dima i pokazał jak ważne w Machine Learningu są dane i jak wyciągać z nich wnioski.
