1

Cine suntem și cu ce ne ocupăm ?

ALTFACTOR este o companie cu 20 de ani de experiență, care se ocupă cu

dezvoltarea de software la comandă.
Activitatea noastră se desfășoară în jurul a 3 linii de business:

CERCETARE, DEZVOLTARE & INOVARE – Generează atât noi produse și

servicii, cât și noi parteneriate;

REALITATE VIRTUALĂ – Experiențe de învățare și simulare de ultimă generație

în VR;

E-LEARNING – Dezvoltare de aplicații de e-learning, specializate și de înaltă

calitate.
2
3D Pathology. Obiective
Program PNCDI III.3 - Cooperare europeană și internațională, Subprogram 3.5. Eureka Traditional (Network), Eureka-Cluster si Eurostars,

Proiectarea și dezvoltarea unui sistem digital, ultrarapid, cantitativ şi multi-modal de

analiză în domeniul patologiei digitale 3D prin spectroscopie, bazat pe combinarea unor
tehnici multiple de analiză a datelor patologice care va conduce la un tratament mult mai
personalizat al cancerului şi bolilor cardiovasculare.

• achiziția rapidă și automată 3D a informațiilor despre țesuturi, folosind mai multe modalități de formare a
imaginii;
• fuziunea datelor obținute prin diferite modalități de achiziție (de diferite dimensiuni, rezoluție diferită pe
axe, formate de stocare diferite, lățime de bandă spectrală diferită);
• analiza eficientă a datelor 3D aliniate de la diferitele modalități de formare a imaginii; dezvoltarea unor
algoritmi mari rapizi de analiză a datelor
• proiectarea unor noi tehnologii de vizualizare și interacțiune 3D (echipamente și algoritmi), optimizate
pentru patologia 3D multi-modală.
• Furnizarea unei magistrale IT pentru manipularea datelor de dimensiuni mari
3D Pathology. Parteneri

• La nivel înternațional, proiectul Developing 3D Digital Pathology

with Spectroscopy - 3DPATHOLOGY este implementat de 15
organizații de cercetare din 6 țări participante:
• Belgia (Barco N.V. și IMEC VZW),
• Olanda (University of Amsterdam - Academic Medical Center,
Philips, Prodrive Technologies B.V., PS-Tech B.V., Target
Holding, Maastricht University și Eindhoven University of
Technology),
• Finlanda (Sec-control Innovation),
• România (ALTFACTOR și SIVECO).
Model inovativ pentru vizualizarea şi manipularea imaginilor medicale digitale
3D bazat pe tehnologii Web - VISPAT
https://www.youtube.com/watch?v=COPzXXn0A3U

MODEL
FUNCȚIONAL
Platformă pentru simulare 3D și monitorizare orașe inteligente
Smart City 3D simulation and monitoring platform

PN-III-P3-3.5-EUK-2016-0043
 E.M.A.: O platformă personală de analiză a mișcării și condițiilor de mediu

Asistentul de analiză a mișcării și condițiilor de mediu (E.M.A.)

reprezintă o platformă tehnologică bazată pe dispozitive
prototipate portabile, care permit oricărui utilizator să obțină o
înțelegere clară a caracteristicilor de mișcare și condițiilor de
mediu a contextelor în care dispozitivele sunt puse în folosință.

Deși a fost proiectată special pentru contexte mobile

închise, cum ar fi, de exemplu, interiorul unui vehicul
(mașini, autobuze, tramvaie, trenuri etc.), platforma
E.M.A., prin dispozitivele sale portabile asociate, nu se
limitează la mediile interioare. Utilizatorul are posibilitatea
să o folosească și în aer liber, în diferite situații, de
exemplu, când merge cu bicicleta sau face o plimbare.
E.M.A.: O platformă personală de analiză a mișcării și condițiilor de mediu

Ne concentrăm pe integrarea algoritmilor de inteligență

artificială pentru identificarea stării fizice a șoferilor, pentru
a preveni evenimentele periculoase care ar putea apărea.
Machine Learning in the age of Big Data
Volume. Organizations collect data from a variety of sources, including business transactions, social media
and information from sensor or machine-to-machine data. In the past, storing it would’ve been a problem
– but new technologies (such as Hadoop) have eased the burden.

Velocity. Data streams in at an unprecedented speed and must be dealt with in a timely manner. RFID tags,
sensors and smart metering are driving the need to deal with torrents of data in near-real time.

Variety. Data comes in all types of formats – from structured, numeric data in traditional databases to
unstructured text documents, email, video, audio, stock ticker data and financial transactions.

9
Machine Learning: An overview

10
ML Workflow – An Overview

11
 Machine Learning Competences

DATA PREPROCESSING DATA VISUALIZATION REGRESSION

CLASSIFICATION RECOMMENDER TIME SERIES

SYSTEMS
DIMENSIONALITY FEATURE IMPORTANCE MODEL SELECTION
REDUCTION

12
 DATA PRE-PROCESSING

Most used:
1. Rescale Data (Feature scaling is a process of transforming variables to have values in same
range so that no variable is dominated by the other.)
2. Standardize Data (Standardization is a rescaling technique that refers to centering the
distribution of the data on the value 0 and the standard deviation to the value 1. Together, the
mean and the standard deviation can be used to summarize a normal distribution, also called
the Gaussian distribution or bell curve)
3. Normalize Data (Data normalization is the process of rescaling one or more attributes to the
range of 0 to 1. This means that the largest value for each attribute is 1 and the smallest value
is 0. Normalization is a good technique to use when you do not know the distribution of your
data or when you know the distribution is not Gaussian (a bell curve)).
4. Binarize Data (Make Binary)

13
 DATA PRE-PROCESSING

Most used:
- Matplotlib
- Seaborn
- Plotly
- Line charts
- Scatter plots
- 2D/3D charts
- Groups
- Categorical data
- Matrix data
- Regression and classification data
- Java Script visualizations (for web based apps) 14
 Classifications

LOGISTIC REGRESSION k-Nearest Neighbour SUPPORT VECTOR

MACHINE
KERNEL SVM NAÏVE BAYES DECISION TREES

ENSEMBLE MACHINE MODEL EVALUATION NEURAL NETWORKS

LEARNING

15
 Regressions

SIMPLE LINEAR MULTIPLE LINEAR POLYNOMIAL

SVR DECISION TREES ENSEMBLE METHODS

ADA, XGBOOST, RF
FEATURE IMPORTANCE EVALUATING MODEL SELECTION
PERFORMANCE

16