Zapowiedź – 89. Spotkanie [ONLINE] – GeoTrackNet – A Maritime Anomaly Detector using Neural Nets

Serdecznie zapraszamy do uczestnictwa ONLINE w 89. spotkaniu grupy MLGdańsk.

Spotkanie odbędzie się w poniedziałek, 29.06.2020, godz. 18:00

pokój Skype: https://join.skype.com/dSioHjvZ9Fuj
(uwaga: na każde spotkanie mamy nowy link!)

Prelegentem będzie Tadeusz Balcer (DNV GL)

Temat prelekcji to: GeoTrackNet – A Maritime Anomaly Detector using Probabilistic Neural Network Representation of AIS Tracks and A Contrario Detection

Kilka słów od Prelegenta:
Na prezentacji omówię artykuł z arXiv „GeoTrackNet – A Maritime Anomaly Detector (…)” (link – https://arxiv.org/pdf/1912.00682.pdf). Autorzy prawdopodobnie jako pierwsi do wykrywania anomalii w ruchu statków wykorzystali głębokie sieci neuronowe.

Opowiem trochę o sieciach VRNN (Variational Recurrent Neural Network), zaproponowanej przez nich architekturze jak i o specyfice danych dotyczących ruchu statków.

Serdecznie zapraszamy!

88. spotkanie MLGdańsk – Introduction to causal discovery and inference

Spotkanie odbyło się 15.06.2020 online poprzez Skype.

Na spotkaniu wysłuchaliśmy prelekcji Roberta Różańskiego pod tytułem „Introduction to causal discovery and inference„.

Prelegent omówił podstawowe zagadnienia związane z budowaniem modeli przyczynowo-skutkowych na podstawie danych obserwacyjnych oraz przewidywaniem efektów interwencji.

W pierwszej części wyjaśnił główne problemy związane z traktowaniem tradycyjnych modeli statystycznych lub ML jako modeli przyczynowo-skutkowych. Następnie omówił związki między założeniami dotyczącymi badanego systemu a tym, co możemy powiedzieć o jego strukturze na podstawie danych obserwacyjnych.

Druga część prezentacji była poświęcona przewidywaniu efektów
interwencji. Robert omówił kryteria doboru zmiennych „backdoor” i
„frontdoor” oraz wykorzystanie zmiennych instrumentalnych. Omówił również podstawowe metody estymacji efektów: stratyfikację, „matching”, modelowanie mechanizmu przypisywania interwencji oraz modelowanie powierzchni reakcji.

Prezentacja, wraz z bibliografią jest dostępna tutaj:
https://github.com/mlgdansk/meetings/blob/master/MLGdansk88_2020.06.15_RobertRozanski_CasualDiscoveryAndInference.pdf

Serdecznie zapraszamy na kolejne spotkania MLGdańsk!

Zapowiedź – 88. Spotkanie [online] – Introduction to causal discovery and inference

Serdecznie zapraszamy do uczestnictwa ONLINE w 88. spotkaniu grupy MLGdańsk.

Spotkanie odbędzie się w poniedziałek, 15.06.2020, godz. 18:00

pokój Skype: https://join.skype.com/jVxlYSGwp934
(uwaga: na każde spotkanie mamy nowy link!)

Prelegentem będzie Robert Różański

Temat prelekcji to: Introduction to causal discovery and inference

Kilka słów od Prelegenta:
Opowiem o podstawowych / głównych ideach stojących za tematyką „causal discovery” i „causal inference”. Jeśli zastanawiacie się co możecie
powiedzieć na temat związków przyczynowo-skutkowych na podstawie
danych obserwacyjnych oraz jak (czy można?) przewidywać efekty działań zanim się je podejmie to prezentacja jest dla Was. Tematyka ta jest dość rozległa i rozproszona po różnych dziedzinach (ekonometria,
epidemiologia, nauki społeczne, ML), natomiast mam nadzieję przekazać Wam jakieś podstawy dzięki którym nie będziecie tak zagubieni jak byłem ja 🙂


Serdecznie zapraszamy!

87. spotkanie MLGdańsk – Regularizing and distilling knowledge nicely with TensorFlow Datasets

Spotkanie odbyło się 01.06.2020 online poprzez Skype.

Na spotkaniu wysłuchaliśmy prelekcji Krzysztofa Czuszyńskiego (Solwit) pod tytułem „Regularizing and distilling knowledge nicely with TensorFlow Datasets”.

Prezentacja miała formę szczegółowego omówienia notebooka z implementacją (TensorFlow) dwóch technik poprawiających wyniki działania sieci neuronowych.

Pierwsza z omówionych technik to Ranking Regularizer z użyciem triplet loss w zastosowaniu do zadań klasyfikacji obrazów. Architektura sieci w tym przypadku wymaga dodania kolejnej gałęzi (głowy), która wylicza embeddingi, a wartości funkcji loss z tej gałęzi są używane właśnie do regularyzacji sieci.

Kolejną omówioną przez Krzysztofa techniką było Knowledge Distillation. Jest to podejście do trenowania sieci neuronowych, gdzie „małą sieć” wspomagamy w uczeniu odpowiedziami pochodzącymi z „dużego” modelu.

Materiały ze spotkania – implementacja powyższych technik! – dostępne są na GitHubie:
? https://github.com/mlgdansk/meetings/tree/master/MLGdansk87

Materiały uzupełniające:

Serdecznie zapraszamy na kolejne spotkania MLGdańsk!