Extra neuron and Causal Bayesian networks
- Jazyk (language of the meetup): angličtina/english
- Datum a čas: středa 31. října od 18:00
- Místo: Paralelní Polis, Dělnická 43, Praha (mapa)
- Sociální sítě: Facebook událost, Meetup.com událost
Does Adding One Neuron Help Real World Networks? – Antonín Hoskovec
The question of presence and effect of local minima in the loss functions commonly used for Machine Learning tasks has always been an interest of mine, which is why when the paper titled „Adding One Neuron Can Eliminate All Bad Local Minima“ by Shiyu Liang et al. came out, my senses tingled. It turns out that formally if you take a binary-classification neural network, a dataset and add a single trainable exponential neuron to the output of the network, all the ugly problems with local minima seem to disappear. Here I would like to take you through a bit of why that happens and show you my experiments with the additional neuron, code included.
Causal Bayesian networks – Petr Švarný
Prediction of outcomes or trends can be a very challenging task due to the complexity of relations between the observed variables. A useful tool to create insightful models of such complex systems can be causal Bayesian networks. We look at the basics of causal Bayesian models and play around a little bit with data from the last State of Data Science & Machine Learning report from Kaggle.
About speakers:
Antonín Hoskovec
I am a senior researcher at Rossum, where we are actively working to eliminate manual data entry. My focus is mainly on working with neural networks, I have experience in both designing and deploying Machine Learning models. Other than that I am a Faculty of Nuclear Science and Engineering alumnus who is in the final months of his PhD in Mathematical Engineering.
Petr Švarný
Petr Švarný studies robotics as a PhD student at the Department of Cybernetics at CTU, he also works as a consultant at the Analytics team in Workday, Inc.
Do We Need to Talk about AI Safety? – Jan Romportl
- Jazyk (language of the meetup): angličtina/english
- Datum a čas: středa 27. června od 18:00
- Místo: Paralelní Polis, Dělnická 43, Praha (mapa)
- Sociální sítě: Facebook událost, Meetup.com událost
Abstrakt:
Not many people discussed AI Safety let’s say 10 years ago. It was maybe Eliezer Yudkowsky and some people around Future of Humanity Institute at Oxford University, such as Nick Bostrom or Anders Sandberg. Now, AI Safety is becoming yet another new sexy topic. It’s partly because it attracts all the doomsday enthusiasts and many other people who feel eligible to edify AI discussions but don’t know any ML, maths, computer science or alike. But more importantly, the recent advances in ML combined with huge computational power and ubiquitous data streams have brought about such results that sparked AI Safety interest even in the core AI research community. There are indeed obvious narrow AI safety issues such as hacking CNNs with adversarial examples, or ethical issues in the trolley problem style concerning autonomous cars. There are also more complex problems covering autonomous warfare and our (meaning us as AI/ML researchers and developers) involvement in it, as nicely illustrated by several Google employees who recently quit their jobs to protest Project Maven. But on top of all these, some people from the AI community (but definitely not all) see the global existential risks posed by AGI and Superintelligence. My talk will try to briefly map this AI Safety landscape, get to the point whether AGI risks are real deal or just chimeric, and then most importantly harness the audience to the discussion about our responsibility as the ML community.
Speaker:
Jan Romportl is Chief Science Officer at AI Startup Incubator and Data Science Advisor at O2 Czech Republic. Before joining the startup scene, he was Chief Data Scientist at O2 where he helped build the data science team strongly focused on machine learning from telco big data. He has also more than 10 years of academic research and teaching background in AI, man-machine interaction, speech technologies, cognitive science and philosophy. Jan cooperates also with National Institute of Mental Health and Center for Theoretical Study of Charles University, he focuses on AI safety issues and he organises the Prague’s AI Safety Meetup group.
ML Engineer’s Look at Insurance – Peter Zvirinský
- Jazyk (language of the meetup): angličtina/english
- Datum a čas: středa 13. června od 18:00
- Místo: Paralelní Polis, Dělnická 43, Praha (mapa)
- Sociální sítě: Facebook událost, Meetup.com událost
Abstrakt:
Ever since 18th century mathematical modelling in insurance has been often considered a separate topic from general mathematics/statistics. This talk will present an ML Engineer’s Look at Insurance – you will find out what makes insurance so different from other typical ML applications, take a close look at typical insurance model and you will be shown how one wrong assumption regarding your data can lead you to completely erroneous conclusions.
Speaker:
Speaker Peter Zvirinský is a Machine Learning Engineer at CEAi, where he works on Tower Street – a cyber insurance venture using ML approach in the field of insurance innovation. Peter is also pursuing his PhD in Theoretical Computer Science on Faculty of Mathematics and Physics at Charles university.
Machine Learning in Recommender Systems – Recombee
Abstrakt:
Recommender systems are one of the most successful and widespread application of machine learning technologies in business. You will learn basic machine learning algorithms that are used in recommender systems such as matrix factorization or association rules. We will discuss problems of proper evaluation of recommendation models generated by these algorithms both on offline data and online.
We will explain the cold start problem and how you can reduce it by employing attributes of items including deep learning embeddings. You can use deep learning extensively in recommender systems and we will demonstrate one very interesting use case of predicting next purchased item using modern convolutional and recurrent neural neural networks.
Recommender algorithms can be also combined into ensembles. We show how our AutoML optimizes algorithms for every different recommendation scenario.
Finally, we will talk about recommender systems based on reinforcement learning capable of optimizing long term goals and KPIs such as customer lifetime value.
Speaker:
Recombee team – Pavel Kordík, Ivan Povalyev and Radek Bartyzal are data scientists working on algorithms improving Recombee cloud recommender system which provides personalized recommendations to hundreds of companies all over the world. Recombee runs a research laboratory at Faculty of Information Technology, Czech Technical University in Prague providing a platform for researchers and talented students to work on state of the art algorithms and live data.
Artificial Intelligence in Agriculture – Tomáš Borovička (Datamole)
- Jazyk (language of the meetup): angličtina/english
- Datum a čas: středa 16. května od 18:00
- Místo: Paralelní Polis, Dělnická 43, Praha (mapa)
- Sociální sítě: Facebook událost, Meetup.com událost
Abstrakt:
Datamole focuses on application of artificial intelligence techniques in industry. We mainly utilise sensoric data from robotic and measurement systems to build tailored solutions with high added value to our customers. Agriculture is one of the rapidly growing markets in terms of robotics and the employment of efficient systems that increase productivity. Even though robots and mechatronics are fast evolving, there still exists a huge need for development of AI driven solutions.
One of Datamole’s partners is a company developing robotic systems for dairy farms. Deriving from this partnership, we would like to share experience with some applications of AI techniques that we have realised. You can look forward to hear about modelling of animal behaviour using hidden Markov models and application of Bayesian optimization on parameters of a robotic systems in order to adapt to each individual animal.
Speaker:
Tomas Borovicka is a founder and CEO of Datamole, a startup company focusing on application of artificial intelligence in industry. Tomas obtained his Master’s degree from the Faculty of Information Technology of the Czech Technical University in Prague in 2012. Tomas also co-founded Data Science Laboratory (Datalab) at the FIT, CTU in 2013. His scope is Artificial Intelligence and his passion lies in the application of latest research results and approaches in practice.
FlowerChecker: Exciting journey of one ML startup – Ondra Veselý & Jiří Řihák
Abstrakt:
FlowerChecker — machine learning startup — was established three years ago by three PhD. students with one goal: plant identification.
The story-like talk shows how we use machine learning to validate the initial business idea. How we struggled trying to use existing image-recognition software and also and how and why we have collected dataset for the first commercial machine learning system with different interfaces: mobile app, facebook chatbot or twitter guerrilla marketing bot. Many colorful graphs included.
The second part of the talk goes more technical: TensorFlow, Inception v3, data preprocessing tricks, performance tuning and debugging. Basically all the struggles we needed to overcome to be able to identify 9000 different plant species in order to build reliable
plant.id service.
Speakers:
Ondřej is a developer and data engineer. After a brief experience with development for Seznam.cz and AVG Technologies, he founded FlowerChecker where he plays CEO role. After stabilising the business, he joined Kiwi.com on its early startup-stage to establish analytics, research teams. Currently he builds streaming pipelines for business intelligence, leads Czechitas python courses and consults R&D projects for the European Commission.
Jirka is FlowerChecker co-founder responsible for app development and ML in plant identification. He is also finishing his PhD in Adaptive Learning group – small, but enthusiastic research lab at FI MU focused on application of ML in education.
Learning Convolutional Malware Classifiers On Raw Executables – Marek Krčál
Abstrakt:
We propose and evaluate a simple convolutional deep neural network architecture detecting malicious Portable Executables (Windows executable files) by learning from their raw sequences of bytes and labels only, that is, without any domain-specific feature extraction nor preprocessing. On a dataset of 20 million unpacked half megabyte Portable Executables, such end-to-end approach achieves performance almost on par with the traditional machine learning pipeline based on handcrafted features of Avast.
Speaker: Marek Krčál
Studied Mathematics at Charles University and VU Amsterdam. During his PhD (Charles University) and postdoc (IST Austria) he worked on the boundary of theoretical computer science and algebraic topology. Then he switched to deep learning research as Avast Fellow at Academy of Sciences.
Learning from Videos and Recommending Movies with Deep Neural Networks – Ondřej Bíža
- Jazyk (language of the meetup): anglicky/english
- Datum a čas: středa 21. března od 18:00
- Místo: Paralelní Polis, Dělnická 43, Praha (mapa)
- Sociální sítě: Facebook událost, Meetup.com událost
Abstrakt:
Deep Learning techniques have shown tremendous success in classification and detection of objects in images. Extending the current state-of-the-art models to the video domain is the next step in the long and winding road to machine perception. In this talk, we will show you how we design new 3d convolutional neural nets with attention for better action detection from video. We will demonstrate how our deep neural networks learn from hundreds of thousands of noisy YouTube videos and give you some insights into what the models learn through visualizations. We will also present an application of the trained models to movie recommendation which we develop in cooperation with Showmax and Recombee.
Speaker: Ondřej Bíža
Ondřej Bíža is a research scientist in ShowmaxLab, a joint laboratory between the Czech Technical University and Showmax, and an undergraduate student. His research focuses on training neural networks to understand video and sound. Moreover, Ondřej teaches Deep Learning in the Methods of Computational Intelligence graduate course at the Czech Technical University and advises on the research of Deep Recommender Systems in Recombee.
Text understanding with artificial neural networks – Ondřej Bajgar
- Jazyk (language of the meetup): anglicky/english
- Datum a čas: středa 21. února od 18:00
- Místo: Paralelní Polis, Dělnická 43, Praha (mapa)
Abstrakt:
Text understanding recently became one of popular benchmarks for artificial intelligence, since answering a question using a paragraph of text often requires non-trivial reasoning.
In this talk, we will show our text understanding model based on neural networks, the Attention-Sum Reader, that performs well on several text understanding datasets. We will also present the BookTest dataset that is orders of magnitude larger than previous cloze-style text understanding datasets. The BookTest allows us to explore how far we can push the performance of a model by simply adding more data. In the last part of our talk, we explore whether the model learns any generalizable high-level reasoning skills (spoiler: the results were rather grim).
Deep Learning in practice – CogneXa
- Videozáznam: YouTube
- Jazyk (language of the meetup): anglicky/english
- Datum a čas: středa 7. února od 18:00
- Místo: Paralelní Polis, Dělnická 43, Praha (mapa)
Abstrakt:
Although deep learning happens to be mainly playful experimenting, a number of different challenges arise once you try to make living out of it. In particular, you need to facilitate long-term repeatability, management, deployment and maintenance of your models and training runs, not speaking of effective resource utilization. Now imagine all this on multitude of simultaneous projects. In this talk, we ll tackle those topics and share our experience with dealing with them.
Speaker:
Cognexa is a small tech company developing custom ML/DL solutions for various clients. Cognexa focuses on computer vision applications in healthcare, industry and financial services. Our team discovered the beauty of deep learning back in 2013 and lives on the edge of the state-of-the-art ever since.
Deep learning and medical imaging – Jan Kukačka
Abstrakt:
Radiology is one of the main diagnostic tools in nowadays medicine. However, the growing shortage of trained medical personnel hinders its full utilization. Can deep learning fill in the gap?
This talk will briefly introduce the exciting domain of radiology—medical imaging—with its typical
opportunities and obstacles. A specific clinical scenario will be presented to demonstrate how
current deep learning progress in computer vision can help patients by discovering the risk of
developing a disease even before the symptoms appear, making use of opportunistic screening. Deep learning methods that will be covered in the talk are mainly fully-convolutional networks for image segmentation and object detectors such as Faster RCNN and Single Shot multibox Detector.
Speaker:
Jan Kukačka is a researcher at the Neuroradiology department of the Klinikum rechts der Isar in
Munich. He obtained his Bachelor’s degree in Theoretical informatics at Czech Technical University in Prague and later graduated as M.Sc. at Technical University Munich. His primary focus is
machine/deep learning and its applications in computer vision and medicine.
LinkedIn Profile
Expert Level Artificial Intelligence in Heads-Up No Limit Poker – Martin Schmid
Abstrakt:
Don’t let the name fool you, “games” of imperfect information provide a general mathematical model that describes how decision-makers interact. AI research has a long history of using parlour games to study these models, but attention has been focused primarily on perfect information games, like checkers, chess or go. Poker is the quintessential game of imperfect information, where you and your opponent hold information that each other doesn’t have (your cards).
DeepStack bridges the gap between AI techniques for games of perfect information—like checkers, chess and Go—with ones for imperfect information games–like poker–to reason while it plays using “intuition” honed through deep learning to reassess its strategy with each decision.DeepStack is the first theoretically sound application of heuristic search methods—which have been famously successful in games like checkers, chess, and Go—to imperfect information games.With a study published in Science in March 2017, DeepStack became the first AI capable of beating professional poker players at heads-up no-limit Texas hold’em poker.
Speaker: Martin Schmid
Research Scientist at Google DeepMind.Previously worked as a Research Scientist at IBM Watson.His research deals with game theory, machine learning and artificial intelligence.Co-author of DeepStack, the first AI to beat professional poker players at heads-up no-limit Texas hold’em poker.
Learning with logic and neural networks – Gusta Šourek
Abstrakt:
Recently, neural networks have witnessed a remarkable resurgence of interest, yet the current architectures, no matter how deep, still possess many principled limitations. One of them is the limited ability to work with structured input data, for instance, if the inputs have the form of graphs or if they reside in a relational database. Examples of such data are abundant, including databases of organic molecules, social networks, engineering designs etc. Likewise, if symbolic background knowledge is available, e.g. in the form of first-order logic (FOL) theories, there is generally no principled way to use it for training.
I will talk about a logical approach to machine learning and more particularly „Lifted Relational Neural Networks“ combining FOL and neural nets in a principled way, allowing to train deep networks from arbitrarily structured data, while being able to merge with and exploit symbolic expert knowledge.
AlphaGo Zero (do it yourself) – Petr Baudiš
Abstrakt:
Google DeepMind recently published AlphaGo Zero, a new version of its super-human computer player of the Go board game that does not need any training data anymore! Conceptually, this is a much simpler system than the original AlphaGo, while it scales to even higher playing strength using only a fraction of the hardware. After a short intro to Go, we will go through the system’s architecture and neural networks, talk about our experience of reproducing the system, and try to draw some more general lessons from DeepMind’s progress on AlphaGo.
Steganalysis and the art of detecting invisible messages – Tomáš Pevný
- Videozáznam: YouTube
- Jazyk (language of the meetup): anglicky/english
- Datum a čas: středa 1. listopadu od 18:00
- Místo: Paralelní Polis, Dělnická 43, Praha (mapa)
- Sociální sítě: Meetup.com událost
Abstrakt:
Steganography is the ancient art of communicating secret message in innocuously looking objects. In modern days, these objects are digital, such as images, audio files, txt, tweets, etc. Steganography can be potentially more disturbing, since its primary goal is to stay invisible and it can therefore stay undetected for a very long time. As the counterpart to cryptography is cryptoanalysis, the steganalysis is counterpart to steganography. As in many fields, it is being dominated by the machine learning methods, yet their application is not always entirely straightforward due to different application constraints and the important property of signal being weak.
The lecture will first introduce the steganography and steganalysis, quickly discuss state of the approaches, and then discuss the adaptation of machine learning methods for the security scenario.
Speaker:
Tomas Pevny holds the position of researcher at Czech Technical University of Prague. He received his PhD in Computer Sciences from State University of New York in Binghamton in Computer Science at 2008 and MS in Computer Sciences from Czech Technical University
in Prague in 2003. In 2008–2009, T. Pevny spent one year in Gipsa-lab in Grenoble, France, as a post-doctoral researcher. His main research interests are in non-parametric statistics with focus on steganography, steganalysis, network security, and intrusion detection.
Alquist Chat – Our path to Amazon’s Alexa Prize Finals
Abstrakt:Tým Alquist Chat nedávno dosáhl obrovského úspěchu. V celosvětové chatbot soutěži se probojoval do finále, mezi 3 nejlepší týmy. Porazil tak týmy z Carnegie Mellon University, Princetonu, University of California, Berkeley nebo třeba Harvardu.
Amazon Echo možná znáte jako černý váleček, s kterým můžete vést základní komunikaci – zeptat se na čas, na počasí, nechat si pustit písničku… Chatbot, který „bydlí“ ve válečku se jmenuje Alexa. V současné době s Alexou prohodíte možná pár vět, ale nakonec to nebude ono. Cílem soutěže je právě toto změnit – v Amazonu by chtěli, abyste mohli mluvit s Alexou minimálně 20 minut.
Přijďte si poslechnout tým Alquist Chat, finalisty soutěže Alexa Amazon Prize. Na prvním meetupu čtvrté sezony MLMU budou mluvit o tom, jak chatboti vlastně fungují, jak to vypadá s daty pro takový problém, nebo co dělá jejich chatbota lepším. V neposlední řadě nám poví i příběh o jejich cestě do finále světové soutěže.
Machine Learning and Deep Learning with H2O (Jo-fai Chow and Jakub Hava)
Jo-fai Chow: Deep Water – Making Deep Learning Accessible to Everyone
Deep Water is H2O’s integration with multiple open source deep learning libraries such as TensorFlow, MXNet and Caffe. On top of the performance gains from GPU backends, Deep Water naturally inherits all H2O properties in scalability. ease of use and deployment. In this talk, Joe will go through the motivation and benefits of Deep Water. After that, he will demonstrate how to build and deploy deep learning models with or without programming experience using H2O’s R/Python/Flow (Web) interfaces.
Jo-fai (or Joe) is a Data Scientist at H2O.ai. Before joining H2O, he was in the business intelligence team at Virgin Media in UK where he developed data products to enable quick and smart business decisions. He also worked remotely for Domino Data Lab in the US as a data science evangelist promoting products via blogging and giving talks at meetups. Joe has a background in water engineering. Before his data science journey, he was an EngD research engineer at STREAM Industrial Doctorate Centre working on machine learning techniques for drainage design optimization. Prior to that, he was an asset management consultant specialized in data mining and constrained optimization for the utilities sector in the UK and abroad. He also holds an MSc in Environmental Management and a BEng in Civil Engineering.
Jakub Hava: Sparkling Water 2.0
Sparkling Water integrates the H2O open source distributed machine learning platform with the capabilities of Apache Spark. It allows users to leverage H2O’s machine learning algorithms with Apache Spark applications via Scala, Python, R or H2O’s Flow GUI which makes Sparkling Water a great enterprise solution. Sparkling Water 2.0 was built to coincide with the release of Apache Spark 2.0 and introduces several new features. These include the ability to use H2O frames as Apache Spark’s SQL datasource, transparent integration into Apache Spark machine learning pipelines, the power to use Apache Spark algorithms via the Flow GUI and easier deployment of Sparkling Water in a Python environment. In this talk we will introduce the basic architecture of Sparkling Water and provide an overview of the new features available in Sparkling Water 2.0. The talk will also include a live demo showing how to integrate H2O algorithms into Apache Spark pipelines – no terminal needed!
Jakub (or “Kuba”) finished his bachelors degree in computer science at Charles University in Prague, and is currently finishing his master’s in software engineering as well. As a bachelors thesis, Kuba wrote a small platform for distributed computing of tasks of any type. On his current masters studies he’s developing a cluster monitoring tool for JVM based languages which should make debugging and reasoning about performance of distributed systems easier using a concept called distributed stack traces. At H2O, Kuba is a core engineer on Sparkling Water project.
Image Retrieval Overview (Filip Radenović)
Abstrakt: In this talk, we will overview the topic of image retrieval. Initially, we will focus on retrieval methods based on Bag-of-Words (BoW) image representation, which exploit geometric constraints. We will then discuss how standard similarity-based image retrieval formulation uses BoW with geometry to satisfy only a single user requirement. Then, we will show how different formulations employ the same methods to fulfill different requirements in other tasks, such as online browsing of image collections, image analysis based on large collections of photographs, or 3D model construction. Finally, we will present how BoW with geometry dispenses with the need for costly manual image annotation to perform Convolutional Neural Network (CNN) training.
Ytica: Řečové technologie ve věku zlaté horečky DNN (V. Hanžl, M. Váňa a B. Dodová)
Abstrakt: Přepis tisíců hovorů, hledání frází a maskování chyb, lidská korekce automatických výsledků, rekurentní neuronové sítě, časové zarovnání vlastních trénovacích dat, implementační možnosti GPU, CPU s AVX512 a FPGA, váhy sítí v bytech či bitech, NIH syndrom, proč se na motoru nelze svézt, kousek webu v každém backendu, možnosti konstrukce REST API, novinky v cloudech Amazonu a Googlu, analýza dění ve firmě ze záznamů callcentra, nákupní košíky plné zajímavých slov, hierarchické clusterování podle významu, realita aplikovaného výzkumu mezi korporátem, univerzitou a startupem, a jak to vše zkusit přežít.
What is Reinforcement Learning? (Pablo Maldonado)
Abstrakt: Reinforcement Learning is regarded by many as the next big thing. Beyond the hype, there is an interesting, multidisciplinary and very rich research area, with many proven successful applications, and many more promising. In this talk I will introduce the main tools, ideas and history of the field, with a mixture of theory and practice (using examples from OpenAI Gym). No previous knowledge of RL is assumed.
Integrating machine learning into decision support systems (Ondřej Vaněk)
Abstrakt: There is a lot of applications of ML algorithms in a wide variety of businesses. We are interested in cases where one can combine ML with decision support tools utilizing scheduling, resource allocation and/or game theory.
I would like to introduce principles of applied game theory and present a number of relevant real-world applications we worked on. Subsequently I would like to present a system where we combined ML with GT framework to develop a unique solution for intelligent policing (i.e., where the policemen should be to catch the bad guys).
Bio: Ondřej is a co-founder and CEO of Blindspot Solutions, a company applying AI a ML to various business cases, often delivering highly specialized software tailor-made for a specific business case. Ondřej has a PhD in AI from the Artificial Intelligence Center at the CTU. His research was mainly focused on game theory, large scale simulations and data analysis.
Convolutional Neural Networks, beyond the image classification (Honza Zikeš)
- Jazyk (language of the meetup): english
- Datum a čas: středa 5. dubna 2017 od 18:15
- Místo: Paralelní Polis, Dělnická 43, Praha (mapa)
Abstrakt: In nowadays there are plenty of talks and tutorials doing basic introduction to the area of Deep Learning by giving the introduction to the image classification using convolutional networks. This talk will go little bit beyond that.
It will focus on the state of the art Deep Learning methods in the following 3 areas: Image Segmentation, Object Detection and Instance Segmentation. The talk will not be super advanced discussion of particular implementation details of the given architectures, but it will rather give an overview of current state of the art methods in each of the ares, with some practical tips and tricks describing how to start solving problems in one of the mentioned areas.
Generative Adversarial Networks (Michal Šustr)
Abstrakt: Generative Adversial Networks (GAN) is a method allowing a generation of the most believable output by means of neural networks. It has recently attracted a lot of attention, especially thanks to interesting applications and thanks to the progress in generative models. It was also one of the hot topics during the latest NIPS conference. The talk will focus mainly on the recent research in the field.
Hluboká revoluce ve strojovém překladu (Ondřej Bojar, ÚFAL)
Abstrakt: V roce 2016 se neuronovým sítím a hlubokému strojovému učení podařilo opanovat další doménu. Po devastaci počítačového vidění podlehl strojový překlad.
Ve druhém dílu dvojbloku přednášek se podíváme na neuronový strojový překlad (NMT). Turbulentní doba chrlí jednu architekturu hluboké sítě za druhou a není vůbec jasné, která vyhraje. V přednášce představím několik základních současných možností a zmíním i vize jejich autorů do budoucna. Očekávejme multimodální mnohojazyčné systémy.
Strojový překlad do roku 2016 (Ondřej Bojar, ÚFAL)
Abstrakt: V přednášce o statistickém strojovém překladu (SMT), jak se dělal ještě do loňska, představím podrobně celou kaskádu metod, které z textů a jejich překladů vytvoří překladový systém. Na konci této kaskády se do loňska vyhřívaly dva základní přístupy: překlad frázový a překlad stromečkový. Jejich kombinace pak byla nejlepší známou technikou strojového překládání a třikrát jsme s ní zvítězili nad Google Translate.
Přednáška bude pronesena v minulém čase, budoucnost nás čeká o 14 dní později. I tak uvidíte, že donedávna byl strojový překlad prošpikován strojovým učením, a proto je zajímavé se pod kapotu stále ještě současných překladačů podívat.
Targeting up-sell campaigns (Ondra Zahradník, Avast)
Abstrakt: Lessons learned from building scalable machine learning system that prepares features from stream of raw client events, allows us to train machine learning models, and calculates predictions. Predictions help us to target up-sell campaigns. Discussion of what approaches failed and what approaches worked and how we evaluate performance of different machine learning models.
Click-Through Rate predikce a Vowpal Wabbit (Antonín Hoskovec)
- Jazyk (language of the meetup): česky
- Datum a čas: středa 25. ledna 2017 od 18:15
- Místo: Paralelní Polis, Dělnická 43, Praha
Abstrakt: Reklamní systémy Seznam.cz nedávno pořádaly soutěž pro zaměstnance firmy. Soutěž spočívala v predikci Click-Through Rate (CTR) na historických datech. V prezentaci popíši své řešení využívající Vowpal Wabbit (https://github.com/JohnLangford/vowpal_wabbit/wiki), které nakonec vyhrálo. Naším úkolem bylo navrhnout model, který by se naučil na trénovací části dat uhodnout jestli uživatel na danou reklamu kliknul nebo ne. Odevzdané modely spolu potom soutěžily na zbylých částech dat. Cílem soutěže bylo zlepšit relevanci zobrazované reklamy.
středa 11. ledna 2017 – Umělá inteligence a poezie (Jiří Materna)
- Jazyk (language of the meetup): česky
- Datum a čas: středa 11. ledna 2017 od 18:15
- Místo: Paralelní Polis, Dělnická 43, Praha
- Sociální sítě: Facebook událost, Meetup.com událost
Abstrakt: V přednášce budou představeny principy algoritmů (rekurentní neuronové sítě a Long-short Term Memory sítě), které stojí za vytvořením sbírky básní Poezie umělého světa (ref.
https://www.kosmas.cz/knihy/216522/poezie-umeleho-sveta/). Jedná se o první knižně vydanou sbírku české poezie, která byla kompletně vygenerována počítačem.
středa 14. prosince 2016 – Business pohled na Machine learning (Ondřej Raška)
Abstrakt: Poslední předvánoční meetup se zaměří na businessovou stránku strojového učení. Ondra Raška (Miton.cz) se s námi podělí o svůj osobní pohled na podnikání a na příležitosti v oblasti machine learningu. Tento meetup se nebude věnovat technickým otázkám a konkrétním řešením, ale tím více se zaměříme na témata, která většinou na MLMU nedostanou příliš prostoru. Otázka obchodního uplatnění strojového učení ale není o nic méně důležitá. Součástí meetupu bude také diskuze na téma, kde vidí příležitosti účastníci meetupu.
Ondra Raška je zakládajícím partnerem v Mitonu. Miton je česká společnost, která se podílela již na mnoha zajímavých a dobře známých projektech jako jsou například Stahuj.cz, Slevomat.cz, Rohlik.cz, Skrz.cz nebo Bonami.cz.
středa 30. listopadu 2016 – GoodAI: Toy Architecture and more (J. Vítků a P. Dluhoš)
- Jazyk (language of the meetup): english
- Datum a čas: středa 30. listopadu 2016 od 18:30
- Místo: Paralelní Polis, Dělnická 43, Praha
- Sociální sítě: Facebook událost, Meetup.com událost
Abstrakt: Představíme jeden z aktuálně probíhajících projektů, na kterých v GoodAI pracujeme. Jedná se o konkrétní návrh decentralizované kognitivní architektury. Naším dlouhodobým cílem je postupné dosažení obecné umělé intelligence. V současnosti se proto snažíme navrhnout, implementovat a otestovat jednoduchý prototyp architektury, která (jak doufáme) má potenciál k dosažení tohoto cíle, ale současně je dostatečne jednoduchá na to, abychom pomocí ní dobře porozuměli problémům, na které narazíme.
Momentálně se tedy zaměřujeme především na správné pochopení a testování hlavních principů, na základě kterých by měl systém fungovat, nikoliv na konkrétní efektivní implementaci. Z tohoto důvodu používáme co možná nejjednodušší učící algoritmy a soustředíme se především na jejich interakci na vyšší úrovni. Jedná se o “work in progress”, takže ne vše je hotové a otestované.
Prezentace se zaměří na naše cíle, popis základních principů architektury a výsledky vybraných experimentů.
středa 16. listopadu 2016 od 18:45 – Teorie her v praxi (Branislav Bošanský)
- Jazyk (language of the meetup): česky
- Datum a čas: středa 16. listopadu 2016 od 18:45
- Místo: Impact Hub – Drtinova 557/10, Praha
Abstrakt: Branislav Bošanský, který je vedoucím sekce teorie her v AIC (Artificial Intelligence Center) na FEL ČVUT, přijde na náš meetup pohovořit o teorii her a možnostech využití v praxi. Většina z nás zná teorii her ze školy, slyšela o Min-Max strategiích nebo o Nashově equilibriu, ale víte, kde a jak lze teorii her opravdu použít v reálném světě?
středa 2. listopadu 2016 od 18:30 – Letní machine learning projekty (Datalab & eClub)
- Jazyk (language of the meetup): česky
- Datum a čas: středa 2. listopadu 2016 od 18:30
- Místo: Paralelní Polis, Dělnická 43, Praha
- Sociální sítě: Facebook událost, Meetup.com událost
Abstrakt: Studenti ČVUT přes léto intenzivně pracovali v letních kempech pořádaných eclubem a datalabem. Přijďte se podívat na to nejlepší, co se jim povedlo realizovat. Deeplearning, doporučovací algoritmy, chatboty, prostě to, co teď frčí. Navíc s ohledem na použití v praxi, žádné „akademičnosti“.
středa 19. října 2016 od 18:30 – About distant supervision and ML (Bradford Cross)
- Jazyk (language of the meetup): anglicky
- Datum a čas: středa 19. října 2016 od 18:30
- Místo: Paralelní Polis, Dělnická 43, Praha
- Sociální sítě: Meetup.com událost
Abstrakt: The next MLMU will exclusively welcome Bradford Cross, a machine learning investor, a founding partner in the world’s leading machine learning and big data venture capital fund and a founder of two ML startups (Prismatic and Flightcaster). He spent 7 years building statistical trading strategies, 6 years building machine learning startups, and 8 years on systems engineering including 2 years working on distributed systems at Google. Bradford studied Computer Engineering and Finance at Virginia Tech, and Mathematics at Berkeley.
Bradford will talk mainly about distant supervision and his opinion on machine learning. Similarly to what he wrote about in
his LinkedIn article.
středa 5. října 2016 od 18:30 – Strojové učení pro začátečníky (M.Modrý a O.Pluskal)
- Jazyk (language of the meetup): česky
- Datum a čas: středa 5. října 2016 od 18:30
- Místo: Paralelní Polis, Dělnická 43, Praha
- Sociální sítě: Facebook událost, Meetup.com událost
Abstrakt: Strojové učení je velmi rychle se rozvíjející obor. Aplikace strojového učení, umělé inteligence nebo data miningu můžeme dnes vidět v běžném životě na každém kroku. Na jakých základech to ale vše funguje? Jak si můžete sami doma strojové učení vyzkoušet? Kde se dá naučit víc? Přijďte se podívat na meetup, který vás bleskově uvede do tajů strojového učení. Na meetupu se dozvíte o základních metodách a postupech ve strojovém učení, ukážeme, jaká potřebujeme data nebo jak fungují základní algoritmy. Na lehce teoretickou část pak naváže praktická ukázka toho, jak si během pár chvil můžete doma takové strojové učení sami vyzkoušet. Teoretická část nepředpokládá žádné hlubší znalosti programování nebo samotného tématu. Pro praktickou ukázku využijeme jazyka Python – díky jeho výborné čitelnosti bude ukázka pochopitelná i pro ty z vás, kteří s Pythonem mnoho zkušeností nemají. V závěru meetupu bude dostatek prostoru na otázky i těch z vás, které zajímají témata nad rámec úvodní prezentace.
středa 29. června 2016 od 18:30 – Microsoft Azure in practice – J. Pospíšil (Microsoft)
- Jazyk (language of the meetup): anglicky
- Datum a čas: středa 29. června 2016 od 18:30
- Místo: Paralelní Polis, Dělnická 43, Praha
- Sociální sítě: Facebook událost, Meetup.com událost
Abstrakt: Jan Pospíšil will introduce how to create, train and consequently integrate Machine Learning model into your own applications. During the talk, we will go through the entire process literally from scratch. The basic machine learning knowledge is required. If you want to go along and try Azure on your own, bring your laptop. (If possible, bring your own internet connection, as with the number of attendants, the local wifi can get unstable.)
středa 15. června 2016 od 18:30 – Animovaný úvod do základov neurónových sietí a deep learningu – L. Vrábel (Seznam.cz)
- Jazyk (language of the meetup): česky
- Datum a čas: středa 15. června 2016 od 18:30
- Místo: Paralelní Polis, Dělnická 43, Praha
- Sociální sítě: Facebook událost, Meetup.com událost
Abstrakt: Predstavíme jednoduchou, interaktívnou formou základné koncepty hlbokých konvolučných neurónových sietí na rozpoznávanie obrazu. Prednáška bude určená pre tých, ktorých zaujíma ako fungujú neurónové siete, ale nemajú čas/chuť čítať matematické definície a články. Niesú vyžadované žiadne znalosti z oblasti.
- Uvidíš: interaktívne animácie a obrázky, čo sú neurónové siete, čo znamená že sú hlboké a konvolučné, ako ich učit rozpoznávať obrázky.
- Neuvidíš: vzorce, matematiku, programovanie, pokročilé témy, technické problémy, najnovšie výsledky v oblasti deep learningu.
středa 1. června 2016 od 18:30 – Proč a jak použít hluboké učení k rozpoznávání zvuku – F.Sedlák, P.Klinger (Neuron soundware)
- Jazyk (language of the meetup): česky
- Datum a čas: středa 1. června 2016 od 18:30
- Místo: Paralelní Polis, Dělnická 43, Praha
- Sociální sítě: Facebook událost, Meetup.com událost
Abstrakt: Představíme, jak si prokopáváme cestu k řešení problémů jako je diagnostika průmyslových zařízení nebo rozpoznávání zvuků zpěvných ptáků. Ukážeme, jaké techniky nám fungují, na čem pracujeme, a co jsme zkoušeli, ale radši opustili. Budeme mluvit o tom, jak zvuk vzniká, jak ho naše ucho a mozek vnímá, a jak tomu přizpůsobujeme náš návrh neuronových sítí. Máme k dispozici poměrně dost výpočetního výkonu v cloudu a předvedeme, jak ho využíváme.
středa 18. května 2016 od 18:30 – Extrakce informací pomocí deep learningu – T. Gogár, P. Baudiš (ČVUT)
Abstrakt: Tomáš Gogár a Petr Baudiš představí technologie pro extrakci informací z textu i obrázků, na kterých pracují v rámci výzkumné skupiny 3C na ČVUT a začínajícího pražského startupu. Extrakcí informací se zabývají ve dvou oblastech. Na webových stránkách se snaží najít různé druhy údajů nikoliv rybařením v polévce tagů, ale pomocí konvolučních neuronových sítí, které si prohlížejí vyrenderované stránky stejně jako člověk, ale zároveň zahrnují i informaci o zobrazeném textu. Zároveň staví neuronové sítě zpracovávající přirozený text. Nakolik jej dokáží neuronky i pochopit a extrahovat z nich informace, ukazují na několika těžších úlohách, od průchodu dialogy až po rozhodování se o otázkách na základě desítek útržků novinových článků. Dočkáte se i krátké ukázky aktuálního stavu systému pro odpovídání na otázky YodaQA.
středa 20. dubna 2016 od 18:30 – Asociační pravidla – od dolování po praktické použití – T. Kliegr, J. Kuchař, S. Vojíř, V. Zeman (VŠE)
Abstrakt: Cílem prezentace je seznámit a demonstrovat dolování asociačních pravidel a tvorbu pravidlových klasifikátorů zejména s pomocí aplikace EasyMiner. Aplikace je určena nejen pro akademické účely ale i pro praktická použití. Seznámíme se základní teorií dolování asociačních pravidel se zaměřením na velmi známý algoritmus apriori a jeho variantu FPGrowth. Následně představíme architekturu aplikace EasyMiner, která je koncipována jako moderní webové rozhraní nad sadou webových služeb. Služby zajišťují zpracování dat a dolování nad malými i velkými datasety (R vs Apache Spark). Součástí prezentace je také demonstrace praktického využití pravidlových klasifikátorů pro učení preferencí uživatelů a pro jednoduché doporučování obsahu.
středa 6. dubna 2016 od 18:30 – Marek Modrý: Vyhledávání z pohledu strojového učení
Abstrakt: Prezentace představí základní architekturu a principy vyhledávání z pohledu strojového učení. Představíme si základní koncepty vyhledávacího systému a to se zaměřením především na tu část, která rozhoduje o relevanci a seřazení výsledků hledání. Soustředit se budeme na metody strojového učení a žádná část prezentace nebude zaměřena na technologie jako jsou Hadoop, Spark či hardware potřebný k provozování vyhledávacího systému. V druhé polovině přednášky předvedeme jednoduché demo, které ukáže, jak si může kdokoliv z nás udělat své vlastní vyhledávání doma na koleně.
středa 23. března 2016 od 18:30 – Kateřina Veselovská: Analýza sentimentu textu
Abstrakt: Sentiment analysis neboli automatická extrakce subjektivních názorů z textu je v současnosti jedním z hlavních témat počítačového zpracovávání přirozeného jazyka. V příspěvku bude shrnut současný stav bádání v této oblasti na českých datech. Obšírněji představím základní metody vytěžování emocí z textu, datové zdroje pro češtinu i specifika českých dat a přiblížím konkrétní aplikace a use cases např. z oblasti internetového marketingu, monitoringu sociálních sítí apod.
středa 9. března 2016 od 18:30 – Eduard Bakštein – Biometrické rozpoznávání duhovky
Abstrakt: V přednášce zkusím poskytnout velmi hrubý a rychlý přehled základních pojmů z oblasti biometrie a přehled základních biometrických modalit. Větší část přednášky se pak bude věnovat metodě identifikace duhovky, zejména: specifikaci systému a popisu faktorů, se kterými se musí vypořádat, z toho vycházejícím požadavkům na snímání a předzpracování obrazu, segmentaci oblasti duhovky, kódování, porovnávání a statistickým vlastnostem systému.
středa 24. února 2016 od 18:30 – Václav Hlaváč: Lze statistickým učením dosáhnout autonomního chování robotů?
- Jazyk (language of the meetup): česky
- Datum a čas: středa 24. února 2016 od 18:30
- Místo: Paralelní Polis, Dělnická 43, Praha
Abstrakt: Na příkladu dvou robotických projektů ukáži, že cesta k plně autonomnímu chování bude ještě dlouhá. Prvním zmíněným projektem bude dvojruká robotická manipulace s měkkými materiály, oděvy. Druhý projekt je ze záchranné robotiky v městském prostředí, kde pásový mobilní robot (několik robotů) zjišťuje situaci např. v polozřícené budově. Dnes je v počítačovém vidění pro robotiku velmi úspěšné a módní používat statistického učení pro vytváření detektorů všelijakých událostí. K autonommímu chování je potřebné ještě mnohé další. I o tom budeme mluvit.
středa 10. února 2016 od 18:30 – Pavel Kordík: Od modelování v Rapidmineru po datové produkty
- Jazyk (language of the meetup): česky
- Datum a čas: středa 10. února 2016 od 18:30
- Místo: Paralelní Polis, Dělnická 43, Praha
Abstrakt: Přednáška se zaměří na ukázku nejpopulárnější technik modelování dat v Rapidmineru. Ukážeme si, jak zhodnotit kvalitu klasifikátorů, prediktivních modelů a výsledné segmentace. Poté se podíváme na deployment modelů a tvorbu datových produktů v oblasti doporučovacích systémů a prediktivních modelů.
středa 27. ledna 2016 od 18:30 – Michal Wojcik: Another Kaggle Success Story
Abstrakt: Michal Wojcik, the speaker of this meetup, is a senior researcher in Avast Software. It’s only a few months ago when he and other 672 teams took part in a Kaggle challenge called „Flavours of Physics: Finding τ → μμμ“ (based on a dataset from Large Hadron Collider, trying to find charged lepton flavour violation). Not only he took part in this very challenging competition, but his solution was 4th best among all of the participants, just 0.00078 points behind 1st place.
Michal will tell us more about the contest and mainly about the methods he used in his solution.
středa 13. ledna 2016 od 18:30 – Lightning talks vol. 4
- Jazyk (language of the meetup): česky
- Datum a čas: středa 13. ledna od 18:30
- Místo: Paralelní Polis, Dělnická 43, Praha
Petr Baudiš – Memory networks
Neuronové sítě se v posledních letech vrátily do módy jako mocné klasifikátory při práci s velkými datasety, mnoho výzkumu se ale nyní soustředí na způsoby, jak je rozšířit z pouhých mapovacích funkcí na méně lineární výpočty zahrnující jistý aspekt iterativního uvažování.
Memory Networks jsou jedním z takových přístupů – inspirovaným problémy při zpracování přirozeného textu, kdy je často třeba si něco zapamatovat a později opět použít. Představíme si architekturu Memory Networks, možná je trochu demystifikujeme, a podíváme se, na jaké úlohy se aplikují a co rok jejich dosavadního výzkumu přinesl.
Pavel Bažant – Darwinovská evoluce v počítači
Evoversum je program implementující Darwinovskou evoluci jednoduchých organizmů v digitálním světě. Program je ke stažení na adrese http://sourceforge.net/projects/evoversum/files/
Projekt klade důraz na zkoumání evoluce chování, a tak je evoluce zatím omezena jen na mozky digitálních organizmů — morfologie je tedy fixní. Chování jedinců vzniklých evolucí v Evoversu je značně variabilní a někdy zahrnuje i velmi zajímavé či překvapivé strategie. Hlavním cílem Evoversa je demonstrovat následující dvě pozoruhodné schopnosti evoluce: a)
schopnost vygenerovat z jednoho předka mnoho potomků, kteří se od sebe navzájem značně liší, b) a schopnost vygenerovat organizmy, které jsou výrazně složitější než jejich předkové. Evoluce v Evoversu tyto dvě vlastnosti vykazuje a cílem tohoto povídání je předvést tuto skutečnost „naživo“.
Gustav Šourek – Relační učení a Lifted Relational Neural Networks
Po prvotních pokusech se symbolickými přístupy ke strojovému učení se téměř celá komunita přesunula k propozičním, tj. „feature-vektorovým“ reprezentacím, které se staly standardem pro drtivou většinu učících modelů, a vedly k markantnímu zlepšení přesnosti na mnohých úlohách rozpoznávání, např. ve spojení s nyní populárními metodami neuronových sítí a hlubokého učení. Ačkoliv znikají stále nové přístupy pro jejich obejití, tyto reprezentace přináší mnohá principielní omezení při řešení komplexnějších problémů, jako je např. učení ze strukturovaných dat, zakomponování expertní znalosti, či logické odvozování. Relační učení je nepříliš známý přístup ke strojovému učení, který adresuje množství těchto zajímavých problémů. Představíme si základní myšlenky a krátce vypíchneme konkrétní metodu relačního učení kombinující logiku a neuronové sítě.
středa 16. prosince od 18:30 – Geneea: Natural Language Processing v praxi
- Jazyk (language of the meetup): česky
- Datum a čas: středa 16. prosince od 18:30
- Místo: Paralelní Polis, Dělnická 43, Praha
Abstrakt: V naší prezentaci budeme mluvit o NLP platformě, kterou vyvíjíme, a o problémech, se kterými se při zpracování přirozeného jazyka setkávame nejen my. Pohovoříme o NLP obecně, o nástrahách pravidlových a naivně statistických přístupů. Představíme naše REST API a nástroj pro integraci a vizualizaci jeho výsledků.
středa 2. prosince od 19:00 – Strojové učení a pravidla pro extrakci informací z textů – Barbora Hladká
- Jazyk (language of the meetup): česky
- Datum a čas: středa 2. prosince od 19:00
- Místo: Paralelní Polis, Dělnická 43, Praha
Abstrakt: Jako výzkumníci jsme přistoupili k vývoji systémů extrakce informací z textů legislativní a enviromentální domény. V prezentaci systémy představíme a podělíme se o zkušenosti z jejich vývoje. Zaměříme se na alternativy strojové učení vs. pravidla a surové texty vs. texty obohacené o informace. Aspekty správy systémů a způsobu hodnocení jejich kvality budou rovněž diskutovány.
středa 18. listopadu od 18:30 – NLP in combination with semantic data, how we treat it in MSD and why is it important – MSD team
- Jazyk (language of the meetup): english
- Datum a čas: středa 18. listopadu od 18:30
- Místo: Paralelní Polis, Dělnická 43, Praha
Abstrakt: This presentation provides an overview on some of the current challenges/issues we are facing in areas such as (clinical literature) search, recommendations and other knowledge based systems. We will focus on aspects related to both NLP and semantic web technologies and how we are making use of them in developing and improving healthcare IT environments. We will also try to introduce some overlap to chemistry and genetics.
středa 4. listopadu od 18:30 – Strojové učení: Jak to dělat pořádne – Tomáš Tunys
- Jazyk (language of the meetup): česky
- Datum a čas: středa 4. listopadu od 18:30
- Místo: Paralelní Polis, Dělnická 43, Praha
Abstrakt: V prezentaci, která bude rozdělena na dvě části – teoretickou a praktickou – si představíme základy strojového učení. Společným jmenovatelem obou částí se stanou pojmy generalizace a overfitting (přeučování se), na které se v první části podíváme přes matematický aparát výpočetní teorii strojového učení (hoeffding-bound, VC-dimension, Radamacher complexity). V druhé části se zaměříme na manifestaci těchto pojmů v praxi a ukážeme si metodologii a nástroje (trénování/validace/testování, cross-validation, učící křivky), které nám pomáhají vybírat a učit stroje tak, aby dosahovaly kýžených výsledků.
středa 21. října od 18:00 – Jak jsem soutěžil na Kaggle.com – Jan Švec
- Jazyk (language of the meetup): česky
- Datum a čas: středa 21. října od 18:00
- Místo: Paralelní Polis, Dělnická 43, Praha
Abstrakt: V prezentaci se pokusím předat pár zkušeností a poznatků o tom, jak jsem soutěžil v
Greek Media Monitoring Multilabel Classification – soutěži na serveru
Kaggle.com. Ty, co neví nic o Kaggle.com, uvedu do problematiky a rovněž zmíním i několik detailů k mému modelu, se kterým jsem se v soutěži umístil na konečném třetím místě.
středa 7. října od 18:30 – Komunitní setkání
Rádi bychom vás pozvali na setkání, které tentokrát proběhne bez úvodní prezentace. Účelem je, abychom narušili typické 1:N prostředí a více se navzájem poznali a dali šanci promluvit každému, kdo bude chtít (nazvěme to M:N model meetupu :-)). Přijďte si posedět a popovídat do kavárny v Paralelní Polis. Pojďme se navzájem poznat, říct si kdo co dělá nebo čím se zabývá, doporučit si nové nástroje, jazyky, zdroje dat atd. Po setkání přijde jako obvykle přesun do blízké Kozlovny. Zájemcům navíc rádi poradíme, jak si zařídit svoji bitcoinovou peněženku, abyste si mohli bez obav a komplikací v kavárně Paralelní Polis objednat cokoliv, na co máte zrovna chuť. Těšíme se na vás!
středa 23. září od 18:30 – Beyond traditional clustering methods & Detekce log ve streamech obrázků ze sociálních sítí
Abstrakt:
Beyond traditional clustering methods
A short introduction into limitations of traditional clustering algorithms followed
by demostration of several more complex clustering algorithms.Detekce log ve streamech obrázků ze sociálních sítí
Na přednášce budou popsány základní techniky hledání korespondence mezi obrázky, principy dotazování se fotkou do rozsáhlých obrazových databazí a jak bylo potřeba přístupy k těmto úlohám upravit, aby bylo možné analyzovat stovky tisíc obrázků denně.
středa 9. září od 18:30 – Using Apache Spark – Peter Zvirinský
Abstrakt: Apache Spark is a fast and general engine for large-scale data processing, it is currently one of the most (hyped) active projects in the Hadoop ecosystem. Learn what Apache Spark is, how it works and how it differs from Hadoop MapReduce. This talk will cover the basics of Apache Spark and its various components like MLlib and SQL. We will also cover some of Spark’s latest features, which are supposed to make interactive data science easier. Live demo on an existing Hadoop Cluster will be included as well.
Slidy: Slidy k prezentaci
Videozáznam: MLMU.cz – Peter Zvirinský – Using Apache Spark
středa 27. května 2015 od 18:30 – Lightning Talks #3
Prezentace: Lightning Talks #3
Detailní pozvánka: POZVÁNKA – 29. května 2015 – Lightning Talks #3
Prezentace:
- Ondřej Fikar – Machine learning in cyber security; Tor detection (this talk will be held in English)
- Jan Tkačík – Neural Turing Machines
- Petr Baudiš – Distribuované reprezentace významů a znalostí
Datum a čas: středa 27.května od 18:30
Místo: Paralelní Polis, Dělnická 43, Praha
Facebook událost: 17. MLMU: Lightning Talks #3
Videozáznamy:
středa 13. května 2015 od 18:30 – Výzkum univerzální umělé inteligence v Keen SWH
Prezentace: Marek Rosa & Dušan Fedorčák – Výzkum univerzální umělé inteligence v Keen SWH
Detailní pozvánka: Abstrakt a medailonky Marka Rosy a Dušana Fedorčáka
Abstrakt: Vývojáři z Keen Software House představí jejich výzkumný projekt univerzální umělé inteligence a jeho dlouhodobé cíle. Okomentují nástroje a metody, které používají. Kromě ukázky vlastního vývojového prostředí a průběžných výsledků zmíní řadu otevřených problémů a témat, na kterých pracují nebo je plánují zkoumat. Po úvodním shrnutí bude především prostor pro dotazy a širokou diskuzi. Cílem tohoto výzkumného projektu je vytvořit univerzální umělou inteligeci: umělý mozek, který dokáže vnímat, učit se a adaptovat se na prostředí stejným způsobem jako lidé. Návrh systému je částečně inspirovaný neokortexem (zahrnuje senzorické vnímání, motorické příkazy, učení, hierarchickou prostorovou a časovou paměť a usuzování, autonomí rozhodování, volbu cílů, motivace, atd.), ale vesměs implementovaný pomocí nebiologických postupů (rekurentní neuronové sítě, redukované holografické reprezentace, hierarchická sekvenční paměť, deep learning, samoorganizační mapy, rostoucí neuronový plyn, počítačové vidění, Hopfieldovy sítě, SVD, Kalmanův filtr, reservoir computing, spikovací neuronové sítě) simulovaných na platformě CUDA.
REGISTRACE: Registrační formulář zde
Datum a čas: středa 13.května od 18:30
Místo: Paralelní Polis, Dělnická 43, Praha
Videozáznam: MLMU.cz – M. Rosa & D. Fedorčák – Výzkum univerzální umělé inteligence v Keen SWH
středa 1. dubna 2015 od 18:30 – Řečové technologie: od výzkumu k praxi
Prezentace: J. Matoušek & J. Švec (ZČU) – Řečové technologie: od výzkumu k praxi
Abstrakt: V prezentaci představíme jednotlivá výzkumná témata z oblasti řečových technologií, jimiž se na našem pracovišti zabýváme, zejména počítačovou syntézu (TTS) a rozpoznávání (ASR) řeči. Obě tyto technologie pak předvedeme v praktických aplikacích – ukážeme automatické čtení učebnic pro zrakově postižené žáky, automatické titulkování živých televizních pořadů pro sluchově postižené, využití řečových technologií v řízení letového provozu nebo vyhledávání v hlasových archívech.
Datum a čas: středa 1.dubna od 18:30
Místo: Paralelní Polis, Dělnická 43, Praha
Facebook událost: 13. MLMU: Řečové technologie: od výzkumu k praxi
Meetup.com událost: J. Matoušek & J. Švec – Řečové technologie: od výzkumu k praxi
Videozáznam: MLMU.cz – J. Matoušek & J. Švec – Řečové technologie: od výzkumu k praxi
středa 18.března 2015 od 18:30 – Demo meetup
Prezentace: Demo meetup
Přijďte se podívat na Demo meetup. Během prezentace bude k vidění mnoho ukázek ze světa machine learningu (a dalších oblastí). Zajímavá dema, užitečné nástroje, krátká „must-see“ videa, datasety, „hračičky“ a mnoho dalšího a to online i offline.
Přidejte svoji trošku do mlýna. Znáte něco zajímavého? (Ať už je to cokoliv) Pošlete nám na Twitter, Facebook a nebo email tip.
REGISTRACE: Registrační formulář zde
Datum a čas: středa 18.března od 18:30
Místo: Paralelní Polis, Dělnická 43, Praha
Facebook událost: 12. MLMU: Demo meetup
Videozáznam: tento meetup nebude zaznamenáván
středa 4.března 2015 od 18:30 – Clustering cancer data with Bayesian nonparametrics and F#
Prezentace: Evelina Gabašová (blog) – Clustering cancer data with Bayesian nonparametrics and F# (in English)
Meetup with Evelina will be held (mostly) in English.
In my research I’m using probabilistic machine learning methods to integrate different types of genomic data to distinguish cancer subtypes. In this talk, I’ll give a brief introduction to Bayesian nonparametric models for clustering data: Dirichlet processes; and I’ll show how I’m using them to cluster heterogeneous genomic data. During the talk we’ll also get to some live coding: I’ll show what modern data science tools are available in the F# programming language and how they simplify exploratory data analysis.
REGISTRACE: Registrační formulář zde
Datum a čas: středa 4.března od 18:30
Místo: Paralelní Polis, Dělnická 43, Praha
Facebook událost: 11. MLMU: Evelina Gabašová (Cancer data clustering and F#)
Videozáznam: Evelina Gabašová – Clustering cancer data with Bayesian nonparametrics and F#
středa 18.února 2015 od 18:30 – Hluboké neuronové sítě v rozpoznávání řeči (Praktický pohled)
Prezentace: ZOOM Speech Analytics team (Web společnosti) – Hluboké neuronové sítě v rozpoznávání řeči (Praktický pohled)
Proč jsou neuronové sítě opět populární? Jak DNN rozvířily stojaté vody GMM+HMM v rozpoznávání řeči? Je ReLU vícerozměrný buldozer, který shrnuje body na jednu hromadu, až jsou každý jinde? Co je SGD, jak se dá zrychlit a co přitom můžeme pokazit? Jak se od sebe liší takové to domácí čtení „Deep Learning“ tutoriálů, bezbřehý akademický výzkum a praktické nasazení DNN? Na jaké implementační problémy nutně narážíme a proč nás to obohacuje?
O těchto a dalších otázkách pohovoří ve třech na sebe navazujících krátkých prezentacích tým ZOOM Speech Analytics ve složení Václav Hanžl, Martin Váňa, Pavel Šuchmann.
REGISTRACE: Registrační formulář zde
Datum a čas: středa 18.února od 18:30
Místo: Paralelní Polis, Dělnická 43, Praha
Facebook událost: 10. MLMU: Hluboké neuronové sítě v rozpoznávání řeči (ZOOM)
Videozáznam: Zoom – Hluboké neuronové sítě v rozpoznávání řeči (18.2.2015)
středa 4.února 2015 od 18:30 – Jak se dělá Query corrector (Seznam.cz)
Datum a čas: středa 4.února od 18:30
Místo: Paralelní Polis, Dělnická 43, Praha
Abstrakt: Každý někdy při fulltextovém hledání udělá peřklep či gramatyckou chibu. Povíme si jak v seznamu funguje elektrárna, která se je snaží opravit, co je schopna zvládnout, jaký potřebuje HW, že funguje kontextově (viz tekute pysky vs. stydke pisky). Je to v zásadě ML úloha na které si ukážeme styl práce výzkumného týmu v seznam.cz. Řekneme si kde bere data, jak vymýšlí algoritmy, jak dělá feature engineering, jak používá machine learning a jak si v časové tísni umí pomoci selskorozumovým hackem.
Roman Rožník je vedoucím jednoho z brněnských výzkumných týmů v Seznam.cz.
Facebook událost: 9. MLMU: Roman Rožník (Seznam.cz)
Videozáznam: Roman Rožník – Jak se dělá Query Corrector?
středa 21.ledna 2015 od 18:30
Lightning talks II. – Bezpečnost, telekomunikace a časové řady
Datum a čas: středa 21.ledna 2015 od 18:30
Místo: Paralelní Polis, Dělnická 43, Praha
Program:
- František Polach – Exploiting characteristic patterns in DNS traffic
- Bohumír Zámečník – Časové řady
- Lukáš Drápal – Machine Learning in Telco
Pozvánka: Blíží se nám již osmý meetup a s ním druhé kolo Lightning talků. Pro ty, kteří se minule nezúčastnili: MLMU nezahájí pouze jeden řečník, ale protočí se více kratších prezentací. Na jaké 3 prezentace se můžeme těšit uvidíte v programu (o kousek výše).
Videozáznamy na YouTube:
středa 7.ledna 2015 od 18:30 – Radim Řehůřek
Prezentace: Radim Řehůřek (Osobní web) – Word2vec & friends
Datum a čas: středa 7.ledna od 18:30
Místo: Paralelní Polis, Dělnická 43, Praha
Abstrakt: Continuous vector representations capture semantic and syntactic properties of words and phrases, so that for example vector(“Montreal Canadiens”) - vector(“Montreal”) + vector(“Toronto”) is similar to vector(“Toronto
Maple Leafs”). I’ll go over a particular model published by Google, called word2vec, its optimizations, applications and extensions.
Pozvánka: zde
Facebook událost: 7. MLMU Meetup: Radim Řehůřek (English)
Videozáznam: Radim Řehůřek – Word2vec
středa 10.prosince 2014 od 18:30
Datum a čas: středa 10. prosince od 18:30
Místo: Paralelní Polis, Dělnická 43, Praha
Pozvánka: zde
Každý den používáme služby založené na strojovém učení, aniž by to většina z nás věděla. Michal Illich vám poví o deep learningu, tedy moderních, hlubokých neuronových sítích – k čemu se dají použít a proč jsou tak dobré.
Michal Illich vyvíjel webové vyhledávače od roku 1999. Roku 2002 založil Jyxo, s.r.o., které dodávalo fulltextové vyhledávání pro Atlas, Seznam, Zoznam.sk, Azet.sk, Tango.hu, Vodafone a další. Jyxo také vyvinulo Blog.cz, který se stal pátým nejnavštěvovanějším českým serverem, a reklamní systém, který po 3 a půl roku poháněl Sklik na Seznam.cz. V květnu 2008 firmu Jyxo koupil CET 21 a Michal tam dva roky pracoval jako šéf internetového vývoje. Od června 2010 pracuje na mezinárodních projektech, zejména univerzální čtečce FlowReader.com, testovací službě Testomato.com a komunitním webu Devel.cz. Zároveň je investorem ve
http://startupyard.com/.
Videozáznam: Michal Illich – Deep learning
středa 26.listopadu 2014 od 18:30 – Fingerprinting
Datum a čas: středa 26. listopadu od 18:30
Místo: Paralelní Polis, Dělnická 43, Praha
Článek o meetupu a prezentace: zde
Video záznam prezentace: Josef Šlerka – Fingerprinting
středa 12.listopadu 2014 od 18:30 – Lightning talks meetup
Prezentace: Podrobný program lightning talků
Více menších prezentací (lightning talku) – 5-10 min pro každého řečníka
Článek o meetupu a prezentace: zde
Datum a čas: středa 12. listopadu od 18:30
Téma: všeobecně o všem 🙂
Místo: Paralelní Polis, Dělnická 43, Praha
středa 29.října 2014 – Dialogové systémy
Prezentace: Ondřej Plátek & Lukáš Žilka – Učíme se mluvit s počítačem
Datum a čas: středa 29. října od 18:30
Téma: Dialogové systémy
Místo: Paralelní Polis, Dělnická 43, Praha
Během přednášky shrnou základy architektury dialogového systému, předvedou volně dostupný dialogový systém Alex (vyzkoušejte si na čísle 800 899 998) a nastíní současný stav poznání. Nakonec představí problémy současných dialogových systémů a vybídnou k diskuzi jak tyto problémy řešit.
Článek o meetupu a prezentaci: zde
středa 15.října 2014 – Meta learning
Prezentace: Pavel Kordík – Meta learning
Datum a čas: středa 15. října od 18:30
Téma: Meta learning (meta učení)
Místo: Budova IBM V Parku 2294/4, Praha 4, místnost 207a – Podrobnější popis cesty
Hostem našeho druhého meetupu bude Pavel Kordík (profil na LinkedIn), proděkan FIT ČVUT, CSO společnosti Modgen a člen výzkumné skupiny CIG na ČVUT. Přednese krátkou prezentaci na téma Meta learning. Po krátké moderované diskuzi přijde opět prostor pro networking a další spontánní diskuzi na libovolné téma. Na závěr pozveme účastníky k pokračování do některého z přilehlých restauračních zařízení.
Pro více informací o našem prvním hostovi doporučujeme:
Článek o meetupu a prezentaci: Meta učení a prezentace Pavla Kordíka
Slidy prezentace Pavla Kordíka: Prezentace – Pavel Kordík: Meta učení (online na Prezi)
středa 1.října 2014 – Machine Learning
Prezentace: Jiří Materna – Budoucnost strojového učení
Datum a čas: středa 1. října od 18:30
Téma: Machine Learning
Místo: brmlab – Hackerspace Prague, Praha, www.brmlab.cz (kde je brmlab?)
Naším prvním prezentujícím hostem bude Jiří Materna (LinkedIn profil), vedoucí výzkumu v Seznam.cz. Jeho krátká prezentace na téma Budoucnost strojového učení bude úvodem k našemu prvnímu meetupu. Po krátké moderované diskuzi pak přijde prostor pro networking a další spontánní diskuzi na libovolné téma.
Pro více informací o našem prvním hostovi doporučujeme:
Video záznam: Prezentace Jiří Materna – Budoucnost strojového učení
Článek o meetupu a prezentaci: První meetup