Prezentacja zostanie podzielona na dwie części:

1. W pierwszej części omówię, czym są autoenkodery i do czego możemy ich użyć.
2. W drugiej części przedstawię pracę "Iterative imputation of missing data using auto-encoder dynamics" zaprezentowanej podczas konferencji ICONIP 2020, a której jestem współautorem. Publikacja pokazuje, w jaki sposób można użyć autoenkoderów do uzupełniania brakujących fragmentów zdjęć.

Klastrowanie jest metodą wykorzystywaną w data-miningu i statystycznej analizie danych. Przykładowym zastosowaniem może być tworzenie tzw. superpikseli używanych w rozpoznawaniu obrazu. Prezentacja zawiera przegląd stosowanych metod, ze szczególnym uwzględnieniem tych opartych na:

- wyborze środków (centroid clustering)

- gęstości (density-based clustering)

- hierarchii (hierarchical clustering)

Głębokie sieci neuronowe znajdują szerokie zastosowanie, między innymi w tak wrażliwych dziedzinach jak wspomaganie diagnostyki medycznej czy systemy autonomiczne. Z tego powodu coraz częściej pojawiają się pytania dotyczące tego, co wpływa na określone ich decyzje. W rezultacie, sieci neuronowe nie mogą pozostać wyłącznie czarno-skrzynkowymi modelami, lecz - zgodnie z dyrektywą GDPR Unii Europejskiej - oprócz predykcji powinny również zwracać zrozumiałe dla człowieka wyjaśnienie swojej decyzji. Można je uzyskać dwojako: poprzez stosowanie metod wyjaśnialnej sztucznej inteligencji na wcześniej wytrenowanym modelu (metody typu post-hoc) lub poprzez zaprojektowanie modelu z wbudowanymi mechan…

W czasie trwania warsztaty uczestnicy będą w stanie na własnej skórze doświadczyć trudów związanych z udostępnianiem modeli ML w formie serwisów, które wykorzystać można do budowy większych systemów. Zakres tematyczny pokrywać będzie podstawowe zagadnienia, dlatego do udziału zachęcane są osoby bez szczególnej wiedzy praktycznej z zakresu ML. W trakcie zajęć, na prostych przykładach, zaprezentowane zostaną dostępne narzędzia i metody budowania serwisów udostępniających API do wykonywania predykcji z sieci neuronowych.

Singular Value Decomposition (SVD) jest nazywane "szwajcarskim scyzorykiem algebry liniowej". Jest to metoda dekompozycji macierzy, przydatna w matematyce, inżynierii, przetwarzaniu języka naturalnego, uczeniu maszynowym i wielu innych dziedzinach. Dzięki szybkości, skalowalności i przydatnym właściwościom matematycznym stanowi podstawę do obliczeń wielu ciekawych algorytmów, na przykład powszechnie znanego PCA.

Na tym warsztacie poznamy podstawy teoretyczne rozkładu SVD oraz zaimplementujemy kilka praktycznych zastosowań:

- obliczanie własności macierzy (ranga, współczynnik uwarunkowania)

- kompresja stratna obrazów

- regresja liniowa i grzbietowa (Ridge regression)

- wyszukiwarka tek…