Nadcházející meetupy
Deep Learning in a Nutshell
- Jazyk (language of the meetup): angličtina/english
- Datum a čas: 25. února od 18:00
- Místo: Paralelní Polis, Dělnická 43, Praha (mapa)
- Sociální sítě: Facebook událost, Meetup.com událost
The field of natural language processing has undergone many big changes during the past years. In this introductory talk we will briefly discuss what the biggest challenges in natural language processing are, and then dive into an overview of the most important deep learning milestones in NLP. We will namely cover word embeddings, recurrent neural networks for language modeling and machine translation, and the recent boom of Transformer-based models.
In the session dedicated to deep learning over images, we will try to briefly address a few major breakthroughs of the last decade in the field covering topics like image classification, object detection or generative modeling on the image domain. How did the state of the art change over the years, which of the methods are adopted in the industry and what are still the challenges and open problems? This quick tour could help you to make a basic overview.
The third part of the talk will be dedicated to the time series analysis using deep learning. First, we look at the nature of temporal data and common tasks where machine learning is applied. Then, we’ll briefly go through classical time series analysis to set a baseline for further discussion. After that, we dive into modern recurrent neural networks, where we discuss their purpose, advantages over past models and we’ll look at how temporal data is prepared for these kind of neural networks. Finally, we’ll show a couple examples where deep learning models are combined together for more robust time series prediction.
Jiří Materna
He is a machine learning expert with machine learning experience in industry since 2007. After finishing his Ph.D., he was working as the head of research at Seznam.cz and now offers machine learning solutions and consulting as a freelancer. He is the founder and lecturer at Machine Learning College and the organizer of an international conference Machine Learning Prague.
Dušan Fedorčák
During his doctoral studies, Dusan focused on self-organization networks, unsupervised learning, time series prediction in hydrology and traffic modeling. Since 2014, he has been involved in several start-up projects (GoodAI – general artificial intelligence, Neuron Soundware – deep learning for sound records in industry, CEAi – fintech & natural language processing).
Adam Kolář
After graduating from Brno University of Technology, he spent the biggest part of his professional career as a researcher and then the chief of one of the research teams at Seznam.cz. Now he is helping to set up machine learning startups for Central Europe AI and organizes Machine Learning Meetups Brno.
Minulé meetupy
How to succeed with ML in the wild
- Jazyk (language of the meetup): angličtina/english
- Datum a čas: středa 23. října od 18:00
- Místo: Etnosvět, Legerova 1832/40, Praha (mapa)
- Sociální sítě: Facebook událost, Meetup.com událost
So your brand new, all fine-tuned, nifty predictive model is ready? Have you found an interesting pattern in the data that might be worthwhile trying out in reality? Have you created a flashy visualization that might help business arm to steer decisions better? Or did you create a simple yet effective dashboard that your customer now wants to have available in real-time? Well, brace yourself now because the excruciating deployment and delivery process of your “baby” is about to start. All data scientists have been in this, or similar, situation by now… In this talk, I will demonstrate our take on seamless development, deployment, and delivery of Data Products, using a fully open-source tool stack. I will demonstrate that turning Data Insights into Data Products need not to be a headache for anyone involved (Data Scientists, ML DevOps, Data Science PMs) – even when you don’t want to tie your hands and wallet to an “all mighty, all integrated” commercial data science platform.
In this presentation, I will go through several phases of a standard model management cycle. These phases will be shown in real working example of how to deploy ML model into production using modern tools such as Python, Docker, Gitlab Pipelines, Amazon AWS, Docker Swarm. All of it automatically with sound CI/CD and with provided code, which you can draw inspiration from.
A model that is not used by anyone is a useless model. Unfortunately, many companies invest in developing data science prototypes, but these often go nowhere beyond the „impress executives“ phase. Disappointed business owners and bored data scientists are the only tangible product of these failed ventures. Can this sad outcome be avoided? Yes, it can! In this talk we will share some useful points to identify concrete business problems that can be attacked with machine learning and how to better communicate what ML models are doing to non-ML-experts. We will also explore some common features of healthy data science teams that do deliver business value as well as some red flags.
Radovan Parrák
Rado is a Data Scientist and ML DevOps enthusiast in Credo. During the last decade, he has been developing quantitative models for many applications in academia, risk management, business decision support, marketing, financial engineering, etc. More often than not, he witnessed the performance of well-crafted models evaporating as a result of tedious deployment and delivery processes, making him a devotee of seamless integration. Rado graduated in Financial Economics, Asset Pricing. After graduation, he worked ~5 years in the
banking industry, first as a quantitative risk modeler, then as a senior data scientist. Over the past three years, he has been looking for effective solutions for turning Data Insights into Data Products without major extra efforts, a solution that he always missed as a data scientist.
Boril Šopov
Boril is a founder and a product leader in an insurtech startup Searpent. He has studied Economics at Charles University, Risk management at VU Amsterdam and Corporate Law at Masaryk University. He has applied econometrics in many different contexts ranging from banks through development companies to online recommenders. Fiddling with experimental methods once brought him to deep learning, which combined with software development resulted in his current role. Moved from closed sourced Matlab to more open environments like Python and Golang. He still believes Machine learning to be a witch craft and as such has to be practiced (deployed) carefully.
Pablo Maldonado
Pablo Maldonado is an applied mathematics and data science consultant based in Prague. He helps companies use their data efficiently to improve their businesses, either as consultant or facilitator of corporate training and workshops in R, Python and SQL for data analytics. Visiting professor at Ukrainian Catholic University in Lviv.
Building dashboards in Python and Continuous Integration of Machine Learning
- Jazyk (language of the meetup): angličtina/english
- Datum a čas: středa 20. března od 18:00
- Místo: Paralelní Polis, Dělnická 43, Praha (mapa)
- Sociální sítě: Facebook událost, Meetup.com událost
In data analysis, we often do predictions to make decisions. They say that „A picture is worth a thousand words“. But how to make this picture easy digestible to various people in the company (YES, I do not mean matplotlib plots in Jupyter Notebook)?
I will show examples how you can create interactive plots with few lines of code in Python (using Plotly library) and then gather them into the dashboard (again in Python using Dash library). You will see how easy it is to make visualizations on map. If nothing else, you will see plenty of nice colorful images.
Dash is an analogy of R’s Shiny package and makes it super easy for data scientists to create web application without knowing HTML, CSS and JavaScript.
In Twisto, Risk analysts, who train neural networks and prepare rules
for analytics and alerting, are a separate team from the application
developers. What needs to happen before a newly researched model gets to
score real-life purchases or before an improvement in behavioral
analytics assesses real customers‘ behaviour? We prefer to minimize the
time and developers‘ involvement for such changes.
Anastázie Sedláková
Anastázie (Nasťa) Sedláková is doing data analysis (with big passion for visualization), co-organizing programming courses (mostly Python) and raising tiny zen-master (a.k.a toddler).
Nasťa did her PhD in the field of statistical genetics and worked few years as bioinformatician. She then moved outside of biology and academia into financial world. She is currently working on data analysis projects mainly in Twisto, but also for other companies (e.g Behavio). Her latest work (apart from doing various workarounds when dev doesn’t have time) is analyzing marketing campaigns.
Second big passion of Nasťa is teaching adult people to program with strong focus on applying acquired knowledge in their professional field. After teaching few years for various non/profit organizations and Charles University, she is now co-organizing courses with her husband.
github: https://github.com/anastazie
site: https://www.sedlakovi.org/
LinkedIn: https://www.linkedin.com/in/anastazie-sedlakova-75469928
Filip Sedlák
Filip Sedlák is a DevOps consultant with experience in Machine Learning.
He likes to work with startups and design data-heavy systems. Filip
studied cheminformatics, worked on chemo- and bio-informatics solutions
for pharmaceutical companies. He was a co-founder of NeuronSW, a machine
learning startup that predicts failures of expensive machinery by sound.
At the moment, Filip works mostly for Twisto, a fin-tech company.
www.sedlakovi.org
github.com/crabhi
Twitter: @koraalkrabba
https://www.linkedin.com/in/filip-sedlak/
Interpretation of Neural Networks and Anatomy of Speech Recognizer
- Jazyk (language of the meetup): angličtina/english
- Datum a čas: středa 6. února od 18:00
- Místo: Paralelní Polis, Dělnická 43, Praha (mapa)
- Sociální sítě: Facebook událost, Meetup.com událost
Neural networks are frequently compared to a black box. It is difficult to interpret the decision process. What to do if a customer ask for it? We did implement a method, which does emulate the decisioning of the neural network by a soft decision tree. Learn more about our Keras application of the scientific paper published by Nicholas Frosst and Geoffrey Hinton (Submitted on 27 Nov 2017). We will share the experiences and results of the on a client sensor dataset (audio data) and MNIST.
Speech recognition is a relatively easy way of interacting with various devices from the end-user perspective. However, not so many people have an idea about its inner workings. In this talk, I’d like to make a ‘gentle introduction’ providing a picture of the ‘anatomy of a speech recognizer’, and it’s possible variations which were created by the community of researchers. I’ll definitely touch the related topics like signal processing, machine learning and hypothesis search. And I’d also like to introduce the Semi-supervised training, which is a paradigm of improving an existing system by retraining it with untranscribed data.
Lukáš Marták and Pavel Konečný
Pavel Konečný, CEO and Co-Founder of Neuron soundware. Pavel studied. Realized by Lukáš Marták.
Karel Veselý
Karel Veselý is a speech recognition in-sider for nearly a decade. After joining the Speech@FIT lab in 2007 he went for ‘speech technology’ oriented Erasmus to IUP/IUT Avignon. Then, back in Brno, he implemented a diploma project TNet (a CUDA trainer of neural networks). Later, as a young PhD student (in 2010), he joined the core team of developers of the Kaldi project, and co-organized the 4 Kaldi workshops in Brno (2010, 2011, 2012, 2013). Kaldi is an extremely popular open-source platform for developing speech recognition systems, it is used both in academia and industry. And, Karel contributed the neural network training codebase `nnet1’, which was for a while giving the best results. With his many interests, he finally converged to focus on semi-supervised training of neural network based acoustic models, which is the topic of his thesis (defended in spring 2018). At present he works both for Brno University of Technology and a start-up SoapBox Labs.
Serverless deployment of ML on AWS and Anomaly Detection
- Jazyk (language of the meetup): angličtina/english
- Datum a čas: středa 12. prosince od 18:00
- Místo: Paralelní Polis, Dělnická 43, Praha (mapa)
- Sociální sítě: Facebook událost, Meetup.com událost
Serverless computing is a new and exciting paradigm for running software in the cloud. In recent years, it has gained a lot of traction thanks to the popularity of services like AWS Lambda and Google Cloud Functions. Serverless solves many headaches that come with traditional hosting on virtual servers like automatic scaling, OS updates, and health monitoring.
Deploying a machine learning model to a serverless platform like AWS Lambda comes with some obstacles, though. We will talk abou the limitations of AWS Lambda for ML with Python and how we overcame them. We are releasing a small open-source package for compiling your Python ML dependencies for deployment to AWS Lambda.
Andrej Hoos and Šimon Soták (Represent)
Andrej Hoos and Šimon Soták are Machine Learning Engineers at Represent, one of the most successful Czechoslovak startups to date. Their focus is on automation in the printing world using computer vision and machine learning.
Martin Barus
LinkedIn: Martin Barus profile
Teaching Computers to Read Music and Introduction to Speech Processing
- Jazyk (language of the meetup): angličtina/english
- Datum a čas: středa 7. listopadu od 18:00
- Místo: Paralelní Polis, Dělnická 43, Praha (mapa)
- Sociální sítě: Facebook událost, Meetup.com událost
Optical Music Recognition (OMR) is a field of research that attempts to computationally read music notation. Its users range from librarians and musicologists to active musicians and composers. There are several reasons why OMR is a difficult problem that defies the analogy to its much more mature cousin, OCR: mainly the featural nature of music notation itself, which is in principle distinct from all systems used to graphically capture natural languages. Furthermore, there is the expectation that OMR will produce not only a logical description of the music notation document itself, but that it also infers the musical semantics encoded by the music notation.
Machine learning — and specifically deep learning techniques developed in computer vision — is a natural fit for dealing with many of these complexities, especially with respect to the input. In this talk, I will present significant recent contributions to OMR — both with respect to underlying work that makes it possible to formulate OMR as a machine learning task, and to the machine learning aspects themselves.
What are the speech processing tasks needed for spoken voice assistants? In the talk, we will review tasks like incremental ASR, voice-activity detection, end-pointing, speaker recognition, diarization, beam-forming, LM modeling, inverse-text-normalization.
The talk should give you an introduction to the field of speech processing by introducing zoo of tasks. The machine-learning tasks will be motivated and introduced by their role in voice assistants.
We will briefly cover the latest architectures for some of the tasks but we will focus on what the state-of-the-art results mean for our human high expectations about speech understanding.
Jan Hajič
Jan Hajič jr. is a doctoral student at the Institute of Formal and Applied Linguistics, a part of Faculty of Mathematics and Physics of the Charles University. He has spent the last four years trying to teach computers how to read music, in a dissertation topic called Optical Music Recognition, because he was annoyed by having to transcribe music manually during his previous composition studies at the Janáček Academy of Music and Performing Arts. As a part of this quest, he has become an active member of the International Society for Music Information Retrieval (ISMIR): presenting at the last three ISMIR conferences, organizing the WoRMS workshop on systems for that read music, and collaborating on this topic with researchers from Austria, Spain, or Canada. Besides work on OMR, he has also led the Charles University music generation team in collaboration with Neuron Soundware, with results presented at Microsoft’s DOTS 2018 event, and he leads several student theses on the topic of music processing at the faculty. He also actively plays the harpsichord, which he now studies at the Academy of Early Music in Brno with Monika Knoblochová, and other keyboard instruments, regularly performing with students and graduates of the Prague Conservatory and more.
Ondřej Plátek
Ondrej Platek is a developer and a researcher fascinated by machine learning approaches for natural language processing.
In the last six years, he helped to improve several speech recognition and dialogue systems.
During his Master and Ph.D. studies, he contributed to open-source toolkits Kaldi and Alex SDS.
He interned twice in Apple Siri team and spent last two years in a Czech hardware startup Angee.
During summer 2018 he decided to focus on his newly founded Oplatai company which provides consulting on speech & audio processing.
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
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.
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.
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
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.
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
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 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
- Jazyk (language of the meetup): angličtina/english
- Datum a čas: středa 30. května od 18:00
- Místo: Jack Daniels Musician Factory, Tusarova 31, Praha – Holešovice
- Sociální sítě: Facebook událost, Meetup.com událost
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.
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
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.
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
- Jazyk (language of the meetup): česky/czech
- Datum a čas: středa 18. dubna od 18:00
- Místo: Paralelní Polis, Dělnická 43, Praha (mapa)
- Sociální sítě: Facebook událost, Meetup.com událost
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.
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
- Jazyk (language of the meetup): anglicky/english
- Datum a čas: středa 4. dubna od 18:00
- Místo: Paralelní Polis, Dělnická 43, Praha (mapa)
- Sociální sítě: Facebook událost, Meetup.com událost
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.
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
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.
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)
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
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.
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
- Videozáznam: YouTube
- Jazyk (language of the meetup): anglicky/english
- Datum a čas: středa 24. ledna od 18:00
- Místo: Paralelní Polis, Dělnická 43, Praha (mapa)
- Sociální sítě: Facebook událost, Meetup.com událost
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.
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
- Videozáznam: YouTube
- Jazyk (language of the meetup): anglicky/english
- Datum a čas: středa 13. prosince od 18:00
- Místo: Paralelní Polis, Dělnická 43, Praha (mapa)
- Sociální sítě: Facebook událost, Meetup.com událost
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.
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
- Videozáznam: YouTube
- Jazyk (language of the meetup): anglicky/english
- Datum a čas: středa 29. listopadu od 18:00
- Místo: Paralelní Polis, Dělnická 43, Praha (mapa)
- Sociální sítě: Facebook událost, Meetup.com událost
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
- Videozáznam: YouTube
- Jazyk (language of the meetup): anglicky/english
- Datum a čas: středa 15. listopadu od 18:00
- Místo: Paralelní Polis, Dělnická 43, Praha (mapa)
- Sociální sítě: Facebook událost, Meetup.com událost
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
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.
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
- Videozáznam: YouTube
- Jazyk (language of the meetup): česky/czech
- Datum a čas: středa 18. října od 18:00
- Místo: Paralelní Polis, Dělnická 43, Praha (mapa)
- Sociální sítě: Facebook událost, Meetup.com událost
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)
- Jazyk (language of the meetup): english
- Datum a čas: středa 28. června 2017 od 17:45
- Místo: Paralelní Polis, Dělnická 43, Praha (mapa)
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.
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)
- Jazyk (language of the meetup): english
- Datum a čas: středa 14. června 2017 od 18:15
- Místo: Paralelní Polis, Dělnická 43, Praha (mapa)
Ytica: Řečové technologie ve věku zlaté horečky DNN (V. Hanžl, M. Váňa a B. Dodová)
- Jazyk (language of the meetup): czech
- Datum a čas: středa 31. května 2017 od 18:15
- Místo: Paralelní Polis, Dělnická 43, Praha (mapa)
What is Reinforcement Learning? (Pablo Maldonado)
- Jazyk (language of the meetup): english
- Datum a čas: středa 17. května 2017 od 18:15
- Místo: Paralelní Polis, Dělnická 43, Praha (mapa)
Integrating machine learning into decision support systems (Ondřej Vaněk)
- Jazyk (language of the meetup): english
- Datum a čas: středa 19. dubna 2017 od 18:15
- Místo: Paralelní Polis, Dělnická 43, Praha (mapa)
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).
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)
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)
- Jazyk (language of the meetup): english
- Datum a čas: středa 22. března 2017 od 18:15
- Místo: Paralelní Polis, Dělnická 43, Praha (mapa)
Hluboká revoluce ve strojovém překladu (Ondřej Bojar, ÚFAL)
- Jazyk (language of the meetup): česky
- Datum a čas: středa 8. března 2017 od 18:15
- Místo: Paralelní Polis, Dělnická 43, Praha (mapa)
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)
- Jazyk (language of the meetup): česky
- Datum a čas: středa 22. února 2017 od 18:15
- Místo: Paralelní Polis, Dělnická 43, Praha (mapa)
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)
- Jazyk (language of the meetup): english
- Datum a čas: středa 8. února 2017 od 18:15
- Místo: Paralelní Polis, Dělnická 43, Praha (mapa)
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
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
středa 14. prosince 2016 – Business pohled na Machine learning (Ondřej Raška)
- REGISTRACE NUTNÁ – na https://www.meetup.com/Prague-Machine-Learning/events/236076973/
- Jazyk (language of the meetup): česky
- Datum a čas: středa 14. prosince 2016 od 18:15
- Místo: Paralelní Polis, Dělnická 43, Praha
- Sociální sítě: Facebook událost, Meetup.com událost
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
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
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
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
středa 18. května 2016 od 18:30 – Extrakce informací pomocí deep learningu – T. Gogár, P. Baudiš (ČVUT)
- Jazyk (language of the meetup): česky
- Datum a čas: středa 18. května 2016 od 18:30
- Místo: Paralelní Polis, Dělnická 43, Praha
- Facebook událost: MLMU #36 – Extrakce informací pomocí deep learningu
- Meetup.com událost: MLMU #36 – Extrakce informací pomocí deep learningu
středa 20. dubna 2016 od 18:30 – Asociační pravidla – od dolování po praktické použití – T. Kliegr, J. Kuchař, S. Vojíř, V. Zeman (VŠE)
- Jazyk (language of the meetup): česky
- Datum a čas: středa 20. dubna 2016 od 18:30
- Místo: Paralelní Polis, Dělnická 43, Praha
- Facebook událost:
MLMU #35 – Asociační pravidla – od dolování po praktické použití - Meetup.com událost:
MLMU #35 – Asociační pravidla – od dolování po praktické použití
středa 6. dubna 2016 od 18:30 – Marek Modrý: Vyhledávání z pohledu strojového učení
- Jazyk (language of the meetup): česky
- Datum a čas: středa 6. dubna 2016 od 18:30
- Místo: Paralelní Polis, Dělnická 43, Praha
- Facebook událost: MLMU #34 – Vyhledávání z pohledu strojového učení (M. Modrý)
- Meetup.com událost: MLMU #34 – Vyhledávání z pohledu strojového učení (M. Modrý)
středa 23. března 2016 od 18:30 – Kateřina Veselovská: Analýza sentimentu textu
- Jazyk (language of the meetup): česky
- Datum a čas: středa 23. března 2016 od 18:30
- Místo: Paralelní Polis, Dělnická 43, Praha
- Facebook událost: MLMU #33 – Analýza sentimentu textu (K. Veselovská)
- Meetup.com událost: MLMU #33 – Analýza sentimentu textu (K. Veselovská)
středa 9. března 2016 od 18:30 – Eduard Bakštein – Biometrické rozpoznávání duhovky
- Jazyk (language of the meetup): česky
- Datum a čas: středa 9. března 2016 od 18:30
- Místo: Paralelní Polis, Dělnická 43, Praha
- Facebook událost: MLMU #32 – Biometrické rozpoznávání duhovky (E. Bakštein)
- Meetup.com událost: MLMU #32 – Biometrické rozpoznávání duhovky (E. Bakštein)
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
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
středa 27. ledna 2016 od 18:30 – Michal Wojcik: Another Kaggle Success Story
- Jazyk (language of the meetup): english
- Datum a čas: středa 27. ledna 2016 od 18:30
- Místo: Paralelní Polis, Dělnická 43, Praha
- Facebook událost: MLMU #29 – Michal Wojcik: Another Kaggle Success Story
- Meetup.com událost: MLMU #29 – Michal Wojcik: Another Kaggle Success Story
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
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
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
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
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
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
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
středa 7. října od 18:30 – Komunitní setkání
- Jazyk (language of the meetup): česky/english
- Datum a čas: středa 7. října od 18:30
- Místo: Paralelní Polis, Dělnická 43, Praha
- Facebook událost: MLMU #22 – M:N meetup (komunitní setkání)
- Meetup.com událost: MLMU #22 – M:N meetup (komunitní setkání)
středa 23. září od 18:30 – Beyond traditional clustering methods & Detekce log ve streamech obrázků ze sociálních sítí
- Jazyk (language of the meetup): česky
- Datum a čas: středa 23. září od 18:30
- Místo: Paralelní Polis, Dělnická 43, Praha
- Facebook událost: MLMU #21 – Clustering & Detekce log v obrázcích
- Meetup.com událost: MLMU #21 – Clustering & Detekce log v obrázcích
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
- Jazyk (language of the meetup): česky
- Datum a čas: středa 9. září od 18:30
- Místo: Paralelní Polis, Dělnická 43, Praha
- Facebook událost: MLMU #20 – Using Apache Spark
- Meetup.com událost: MLMU #20 – Using Apache Spark
Slidy: Slidy k prezentaci
Videozáznam: MLMU.cz – Peter Zvirinský – Using Apache Spark
středa 24. června 2015 od 18:30 – Does Python stand a chance in the today’s world of data science?
With the multitude of data mining tools coming out in the data science world, Python is one choice of many. How does it compare? This talk looks into some pragmatic aspects of its (data mining) ecosystem, its baggage and its future.
Datum a čas: středa 24. června od 18:30
Místo: Paralelní Polis, Dělnická 43, Praha
Facebook událost: 19. MLMU: Radim Řehůřek – Does Python stand a chance in the today’s world of data science? (in English)
Meetup.com událost: Radim Řehůřek – Does Python stand a chance in the today’s world of data science?
Slidy: Slidy k prezentaci
Videozáznam: MLMU.cz – Radim Řehůřek – Does Python stand a chance in the today’s world of data science?
středa 10. června 2015 od 19:00 – Otevřená data v ČR
Otevřená data jsou data nabízená ve strojově čitelné podobě k libovolnému použití a často se jedná o data veřejné správy. Taková data nalézají řadu uplatnění v různých softwarových aplikacích. V prezentaci představíme aktuální stav otevřených dat v ČR a pohled veřejné správy na problematiku. Dále představíme problémy, které s otevřenými daty souvisejí a ukážeme, jak by je bylo možné vyřešit důslednou aplikací principů Linked Data. V závěru budeme diskutovat, jaký potenciál v sobě taková otevřená data skrývají.
Datum a čas: středa 10. června od 19:00
Místo: Paralelní Polis, Dělnická 43, Praha
Facebook událost: 17. MLMU: Martin Nečaský – Otevřená data v ČR – aktuální stav a možnosti využití
Meetup.com událost: Martin Nečaský – Otevřená data v ČR – aktuální stav a možnosti využití
Videozáznam: MLMU.cz – Martin Nečaský – Otevřená data v ČR – aktuální stav a možnosti využití
středa 27. května 2015 od 18:30 – 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:
- MLMU.cz – Ondřej Fikar – Machine learning in cyber security: Tor detection
- MLMU.cz – Ján Tkačík – Neural Turing Machine
- MLMU.cz – Petr Baudiš – Distribuované reprezentace významů a znalostí
středa 13. května 2015 od 18:30 – 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 29. dubna 2015 od 18:30 – Použití metod strojového učení pro rozpoznávání tváří
Abstrakt: V prezentaci ukážeme příklady některých úloh z rozpoznávání tváří a jejich řešení pomocí metod strojového učení. Konkrétně promluvíme o detekci tváří, verifikaci identit, odhadu věku a dalších.
Datum a čas: středa 29.dubna od 18:30
Místo: Paralelní Polis, Dělnická 43, Praha
Facebook událost: 15. MLMU: Použití metod strojového učení pro rozpoznávání tváří (V. Franc)
Meetup.com událost: Vojtěch Franc – Použití metod strojového učení pro rozpoznávání tváří
Videozáznam: MLMU.cz – Vojtěch Franc – Použití metod strojového učení pro rozpoznávání tváří
středa 15. dubna 2015 od 18:30 – Emotivní neurony v hloubi lidského mozku
Zajímá Vás, co si povídají jednotlivé neurony ukryté hluboko v lidském mozku, a jak je vůbec možné se k nim dostat? Chcete vědět, jak se chirurgicky léčí Parkinsonovou nemoc, a zda se dá mozek “přeprogramovat”? Ptáte se, co to má společného s emocemi a s dolováním dat či statistikou? Pak přijměte pozvání na popularizační přednášku, která se pokusí Vám odpovědět.
REGISTRACE: Registrační formulář zde
Datum a čas: středa 15.dubna od 18:30
Místo: Paralelní Polis, Dělnická 43, Praha
Facebook událost: 14. MLMU: Emotivní neurony v hloubi lidského mozku
Meetup.com událost: Tomáš Sieger – Emotivní neurony v hloubi lidského mozku
Videozáznam: MLMU.cz – Tomáš Sieger – Emotivní neurony v hloubi lidského mozku
středa 1. dubna 2015 od 18:30 – 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
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#
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)
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
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:
- František Polach – Exploiting characteristic patterns in DNS traffic
- Bohumír Zámečník – Časové řady
- Lukáš Drápal – Machine Learning in Telco
středa 7.ledna 2015 od 18:30 – Radim Řehůřek
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. I’ll go over a particular model published by Google, called word2vec, its optimizations, applications and extensions.
Maple Leafs”)
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
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
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:
- Medailonek Pavla Kordíka na webu skupiny CIG
- Demo videa na YouTube – https://www.youtube.com/user/kordikp/videos
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:
- Rozhovor na fulltext.sblog.cz – Jiří Materna: Miloval literaturu, jazyk a programování. Dnes vede výzkum největšího českého vyhledávače
- StartupYard profil – http://startupyard.com/startups/jiri-materna/
- Přednáška na New Media Inspiration 2013 – YouTube video (Statistické porozumění textům)
Video záznam: Prezentace Jiří Materna – Budoucnost strojového učení
Článek o meetupu a prezentaci: První meetup