Program
W ramach konferencji zostaną wygłoszone dwa cykle wykładów prezentowane przez zaproszonych prelegentów.
Jarek Meller: Challenges in statistical and machine learning modelling in i) genotype-phenotype association studies; ii) single-cell omics profiling of biological states; iii) drug discovery and repurposing.
Abstrakt: The current landscape in each of the three areas of research will be presented, with emphasis on challenges in statistical and machine learning modelling and inference from data. Those include:
i) weak associations, epistasis (gene-gene or loci interactions), and lack of reproducibility in GWAS and other genotype-phenotype association studies;
ii) zero inflated and sparse data, difficulties in separating technical vs. biological variability, and multi-omics integration in single-cell omics profiling of biological/disease states;
iii) highly imbalanced and noisy data, data leakage between training and validation sets, and generally very high false positive rates in drug discovery.
In each of three lectures, these challenges will be dissected to suggest open problems and potentially interesting research questions for statisticians and data scientists.
Jarek Meller jest profesorem biostatystyki, informatyki medycznej i nauk o danych na University of Cincinnati College of Medicine, współpracownikiem Department of Computer Science, University of Cincinnati oraz Division of Biomedical Informatics at Cincinnati Children's Hospital Medical Center, a także Katedry Informatyki Wydziału Fizyki, Astronomii i Informatyki Stosowanej Uniwersytetu Mikołaja Kopernika w Toruniu. Jego praca obejmuje bioinformatykę, genomikę obliczeniową i biomedycynę. W kierowanym przez niego laboratorium opracowuje się metody i narzędzia obliczeniowe do eksploracji danych biomedycznych, przewidywania funkcji i interakcji białek, odkrywania leków oraz analizy biologii chorób opartej na genomice. Posiada wieloletnie interdyscyplinarne wykształcenie w zakresie chemii obliczeniowej, biologii, fizyki i matematyki, a także doświadczenie podoktoranckie na Uniwersytecie Cornella, Uniwersytecie Kioto i Uniwersytecie Hebrajskim. Jego profil badawczy można znaleźć pod adresem https://scholar.google.com/citations?hl=en&user=vQguoK4AAAAJ.
Jacek Bojarski: Partnerstwo z AI w nauce i dydaktyce
Abstrakt: Czy sztuczna inteligencja może być partnerem matematyka? I co oznacza dla studenta, gdy AI potrafi natychmiast wygenerować przykład, kontrprzykład, symulację lub fragment kodu analizującego dane?
W wymiarze badawczym narzędzia AI — od dużych modeli językowych, przez asystentów programowania i systemy analizy danych, po narzędzia wspomagające formalizację dowodów, takie jak Lean, Coq czy Isabelle/HOL — stają się wsparciem przy formułowaniu hipotez, poszukiwaniu analogii, testowaniu intuicji statystycznych i porządkowaniu argumentacji. W statystyce ich potencjał ujawnia się szczególnie tam, gdzie teoria spotyka się z eksperymentem obliczeniowym: w symulacjach, wizualizacji rozkładów, analizie modeli, generowaniu danych testowych oraz szybkim sprawdzaniu różnych scenariuszy. Kluczowym wyzwaniem tej współpracy jest balansowanie między kreatywnością modeli generatywnych a rygorem matematycznym: AI może inspirować i przyspieszać, ale weryfikacja i odpowiedzialność za wnioski pozostają po stronie badacza.
W dydaktyce AI otwiera możliwość bardziej interaktywnego nauczania statystyki, w którym student może natychmiast testować intuicje poprzez symulacje, eksperymentować z danymi, analizować kod, zadawać pytania w języku naturalnym i konfrontować swoje błędy z natychmiastową informacją zwrotną. Modele językowe, notebooki obliczeniowe, generatory wizualizacji, inteligentni asystenci programowania oraz narzędzia do automatycznego tworzenia przykładów mogą wspierać przejście od biernego odbioru wzorów do aktywnego badania zjawisk losowych. Rola AI nie polega tu jednak na wyręczaniu w pracy intelektualnej, lecz na wspieraniu głębszego rozumienia pojęć i metod — co jednocześnie stawia przed wykładowcami nowe wyzwania w zakresie projektowania zadań, oceniania i kształtowania samodzielności studentów. Celem wykładu jest przegląd wybranych modeli i narzędzi AI oraz wspólna, krytyczna refleksja nad przyszłością relacji człowieka i maszyny w naukach statystycznych. Przyjrzymy się zarówno praktycznym możliwościom ich wykorzystania w badaniach i dydaktyce, jak i ograniczeniom, ryzykom oraz wartościom, które warto pielęgnować w edukacji akademickiej: rozumieniu, odpowiedzialności, precyzji i krytycznemu myśleniu.
Jacek Bojarski (fot. K. Adamczewski) pracuje w Zakładzie Matematyki Stosowanej w Instytucie Matematyki Uniwersytetu Zielonogórskiego, gdzie od ponad dekady kieruje również Ośrodkiem Zastosowań Matematyki i Informatyki. Swoją drogę naukową związał z Zieloną Górą, studiując matematykę na kierunku Podstawowe Problemy Techniki. Tam poznał swojego mentora i przyjaciela, prof. Romana Zmyślonego, pod którego kierunkiem obronił pracę magisterską (1996), a następnie rozprawę doktorską (2000) poświęconą nieujemnym Bayesowskim estymatorom dla nieujemnych funkcji parametrów w modelach liniowych Gaussa-Markowa. Dzisiaj zajmuje gabinet Profesora. W pracy naukowej specjalizuje się w zastosowaniach matematyki, ze szczególnym uwzględnieniem modelowania statystycznego. Jest współautorem ponad 50 publikacji będących efektem interdyscyplinarnej współpracy z badaczami z obszarów m.in. elektrotechniki, biologii, zoologii, inżynierii środowiska oraz medycyny. Realizował i realizuje szereg projektów badawczo-rozwojowych dla sektora biznesowego i publicznego, współpracując z takimi podmiotami jak ENEA Operator, Hertz Systems, Ekoenergetyka-Polska, Vive Transport Kielce, Polipak Sp. z o.o. czy Urząd Miasta Żary.
Szczegółowy program konferencji zostanie opublikowany jesienią 2026 roku.