Stanisław Wilczyński

Programista React tworzący zaawansowane rozwiązania w ekosystemie Microsoft 365, z których codziennie korzystają miliony użytkowników.

• Pełniłem rolę głównego architekta odpowiedzialnego za stabilność wdrożenia Microsoft Scout. Dziś rozwijam architekturę webową systemów Autopilots i wdrażam ramy odpowiedzialnego tworzenia oprogramowania zorientowanego na AI
• Kierowałem rozwojem innowacyjnych produktów z obszaru AI (np. People Agent) i wyznaczałem kierunek architektoniczny dla rozproszonego geograficznie zespołu ok. 40 programistów
• Odpowiadałem za techniczną realizację w interdyscyplinarnych zespołach, łącząc obszary produktu, projektowania i pracę wielu zespołów inżynierskich
• Projektowałem i wdrażałem produkty dla użytkowników końcowych (np. People App) ze szczególnym naciskiem na dostępność, wydajność i łatwość utrzymania
• Byłem ekspertem w skali całej organizacji w zakresie tworzenia i ulepszania narzędzi do testowania oraz zarządzania zależnościami (open-source i wewnętrznych) w dużych monorepozytoriach — zwiększałem produktywność programistów na dużą skalę i współtworzyłem liczne dokumenty RFC w obu obszarach
• Wdrażałem nowych członków zespołu, prowadziłem sesje dzielenia się wiedzą i byłem mentorem dla programistów w całej organizacji

Jako programista Java pracowałem przy utrzymaniu i rozwoju jednej z czołowych europejskich platform SaaS dla logistyki:

• Zaprojektowałem i wdrożyłem dopracowany, przeprojektowany interfejs użytkownika dla głównych komponentów aplikacji
• Gruntownie usprawniłem i zrefaktoryzowałem mechanizm aliasów pod kątem lepiej dopasowanego doświadczenia użytkownika
• Z własnej inicjatywy usprawniłem pracę zespołu poprzez:
  • ujednolicenie i rozbudowę narzędzi do lokalnych wdrożeń
  • integrację platformy do code review z naszym procesem deweloperskim
  • wprowadzenie i stosowanie User Story Mapping oraz Pair Programming

Pomagałem innym studentom przygotowywać się do egzaminów

Ocena końcowa: 5,0/5,0

Praca magisterska: Analiza danych z mikromacierzy w predykcji przerzutów raka piersi. Dostępny jest kod oraz pełna treść pracy.

Ocena końcowa: 5,0/5,0

Praca licencjacka: Redukcja wymiarowości metodą rzadkiego grupowania podprzestrzeni

Na moim GitHubie znajdziesz listę wszystkich przedmiotów, które zrealizowałem w trakcie studiów.

Jedna z największych konferencji statystycznych w Europie. Wygłosiłem referat na temat Multiple latent components clustering.

Kontynuowałem prace nad metodą Multiple Latent Components Clustering (MLCC). Współpraca z Uniwersytetem w Angers miała na celu rozszerzenie metody o obsługę danych z rozkładu ujemnego dwumianowego z nadmiarem zer (zero-inflated negative binomial) oraz udowodnienie własności matematycznych MLCC i metody PEnalized SEmi-integrated Likelihood (PESEL). Wykorzystywaliśmy też MLCC do wyodrębniania istotnych cech i informacji z ogromnego zbioru danych dotyczących raka piersi (1200 obserwacji, 60000 zmiennych).

Jako jeden z zaledwie 8 osób wybranych z całej Europy zaprezentowałem wyniki swoich badań podczas sesji Young Statisticians Session. Wygłosiłem referat na temat Reduction of dimensionality by sparse subspace clustering.

W tym projekcie rozpocząłem pracę nad metodą Multiple Latent Components Clustering (MLCC). Odpowiadałem za sformalizowanie jej podstaw matematycznych oraz utrzymanie i rozbudowę pakietu R Varclust, który implementuje tę metodę. Przeprowadziłem również szczegółowe badanie symulacyjne, aby wykazać, że MLCC jest konkurencyjna wobec najnowocześniejszych metod klastrowania zmiennych.