83. spotkanie MLGdańsk – Metody PCA i SVM przy przetwarzaniu widm ramanowskich krwi

Nasze 83. spotkanie odbyło się online poprzez Skype. #zostańwdomu #walczymyzcovid19

Prelegentem był Adam Władziński, który przedstawił prezentację pt. „Metody PCA i SVM przy przetwarzaniu widm ramanowskich krwi”.

Na początku prezentacji dowiedzieliśmy się kilku informacji o krwi oraz dlaczego badania krwi są tak istotne w diagnostyce medycznej. Następnie Adam wyjaśnił czym jest promieniowanie Ramana. Jest ono bardzo użyteczne w identyfikacji różnych substancji, dlatego może zostać wykorzystane w diagnostyce. Omówiono również aparaturę pomiarową, która została wykorzystana w celu badaniu krwi. Okazuje się, że zakłóceniem takiej aparatury może być nawet promieniowanie kosmiczne tła.

Po tym wstępie domenowym, prelegent przeszedł do omówienia wykonanych analiz danych. W opisanym procesie – dane przetworzone algorytmem PCA wykorzystano do uczenia klasyfikatora SVM. Do stworzenia analiz wykorzystano toolbox z Matlab’a.
Adam przedstawił kilka różnych zadań klasyfikacji. Jednym z ciekawszych zastosowań było wykrywanie obecności leku we krwi pacjenta. Przedstawione zostały perspektywy rozwoju systemu.

Zaprezentowana metoda pomiaru oraz zastosowane algorytmu uczenia maszynowego mają potencjał nie tylko w medycynie ale i w kryminalistyce. Jednym z możliwych zastosowań jest testowanie na obecność narkotyków we krwi. Nietypowa forma spotkania, nie przeszkodziła nam w poprowadzeniu dyskusji, w której Adam odpowiadał na pytania słuchaczy.

Prezentacja ze spotkania oraz praca magisterska Adama dostępne są na naszym GitHubie.

Zapraszamy na kolejne spotkania grupy MLGdańsk!

Zapowiedź – 83. Spotkanie [ONLINE] – Metody PCA i SVM przy przetwarzaniu widm ramanowskich krwi

Przenosimy nasze najbliższe spotkanie do sieci.
Serdecznie zapraszamy do uczestnictwa online w 83. spotkaniu grupy MLGdańsk. #zostańwdomu 

Spotkanie odbędzie w poniedziałek 23 marca 2020, o 18.00.
Spotkanie będzie też nagrane i dostępne do obejrzenia później.

Prelegentem będzie Adam Władziński

Temat prelekcji to: Metody PCA i SVM przy przetwarzaniu widm ramanowskich krwi

Kilka słów od prelegenta:
Istotnym problemem w diagnostyce biomedycznej jest szybkość wykonywania analiz, która determinuje szybkość pełnej diagnostyki i moment dostępności celowanego leczenia. Jest też ważna w innych zbliżonych zastosowaniach, np. przy identyfikacji śladów krwi w kryminalistyce.

Prezentacja dotyczy zagadnień analizy oraz klasyfikacji złożonych widm Ramana próbek organicznych, w szczególności krwi ludzkiej i zwierzęcej.

Link do konferencji Skype:
https://join.skype.com/fbqjZu2xws3l

Serdecznie zapraszamy!

80. i 82. spotkanie MLGdańsk – self-supervised learning i probabilistyczne podejście do ML

Mieliśmy ostatnio okazję wysłuchać dwóch prelekcji, których autorem był Arkadiusz Kwasigroch.

Tematem spotkania, które odbyło się 6 lutego 2020, było Uczenie typu self-supervised w przetwarzaniu obrazów.

Arek przedstawił idee stojące za konceptami self-supervised learning m.in. różne typy zadań pomocniczych (ang. pretext task). Omówione zostały wybrane artykuły traktujące na ten temat.

Prezentacja ze spotkania 80 jest dostępna tutaj!

Na spotkaniu, 9 marca 2020, zobaczyliśmy prezentację Od rozkładu Gaussa do autoenkoderów wariacyjnych.

Była to prelekcja, mówiąca o probabilistycznym podejściu do uczenia maszynowego. Arek przedstawił w jaki sposób można interpretować funkcje celu i metryki dla takich algorytmów jak regresja liniowa i logistyczna, PCA, PPCA, autoenkodery oraz autoenkodery wariacyjne.

Prezentacja ze spotkania 82 jest dostępna tutaj!

Prezentacje ze spotkań MLGdańsk można znaleźć również na GitHubie: https://github.com/mlgdansk/meetings

Zapowiedź – 82. Spotkanie – Od rozkładu Gaussa do wariacyjnych autoenkoderów

Serdecznie zapraszamy na nasze spotkanie w poniedziałek 9 marca 2020, odbędzie się ono o 18.oo w sali 106 ETI PG.

Prelegentem będzie Arkadiusz Kwasigroch.

Temat prelekcji to: Od rozkładu Gaussa do wariancyjnych autoenkoderów

Kilka słów od prelegenta:
Podczas prezentacji omówione zostanie podejście probabilistyczne do uczenia maszynowego.

Aby nie rzucać się od razu na głęboką wodę, metody przedstawiane będą od tych najprostszych do najbardziej złożonych. Zaczniemy od estymacji parametrów rozkładu prawdopodobieństwa.

Następnie wprowadzając kolejne pojęcia i koncepcje, omawiane będą algorytmy takie jak: regresja liniowa i logistyczna, PCA, probabilistyczne PCA oraz autoenkodery.

Ostatecznie, wykorzystując omówione pojęcia i metody zaprezentowane zostaną wariacyjne autoenkodery oraz sposób ich uczenia.

Serdecznie zapraszamy!