Let's talk ML

Let's Talk ML is a regular meeting of people interested in machine learning and related.
We meet at 11am, every even thursday in Datalab, CTU FIT (room A-1347).

The format is usually two short talks followed by discussion. The talk could be about anything Machine Learning related - your own research, an interesting ML paper, or some new exciting method.

Sign up to our mailing list to get notifications about new Let's Talk events.

Events dates:

  • [4 January, 11:00] Let's Talk ML

    Martin Čejka - ToyArch: Czech take on general artificial intelligence

    GoodAI is research company from Prague, which is doing experiments with GAI. In this presentation, I will talk about their biologically inspired approach, Toy architecture. How does it work and what is it capable of so far?

    Petr Nevyhoštěný - Non-Linear Semantic Embedding

    Non-Linear Semantic Embedding is a technique presented in a paper where it was used to learn an efficient mapping of instruments from a time-frequency representation to a low-dimensional space. It consists of automatic feature extraction using convolutional neural networks and a learning model which uses extrinsic information about similarity of training data.

  • [14 December, 11:00] Let's Talk ML

    Ondra Bíža - Overcoming catastrophic forgetting in neural networks (slides)

    J. Kirkpatrick et al. (2017)
    Artificial Neural Networks struggle with learning multiple different tasks due to a phenomenon known as catastrophic forgetting. In my talk, I will introduce catastrophic forgetting, describe a new learning algorithm called EWC that mitigates it and briefly mention neurobiological principles that inspired the creation of EWC.

    Ondra Podsztavek - Deep Q-network (slides)

    Deep Q-network (DQN) is a DeepRL system which combines deep neural networks with reinforcement learning and is able to master a diverse range of Atari 2600 games with only the raw pixels and score as input. It represents a general-purpose agent that is able to adapt its behaviour without any human intervention.

  • [30 November, 11:00] Let's Talk ML

    Filip Paulů - Analogové umělé neuronové sítě (slides)

    Výkon dnes používaných neuronových sítí přestává stačit. Jak můžeme jejich rychlost zvýšit? Je nadále cesta počítat složité a rozsáhlé struktury neuronových sítí na digitálních procesorech a grafických kartách? Je možné jít jinou cestou? O tom všem si budeme povídat.

    Václav Ostrožlík - Capsule Networks (slides)

    Geoffrey Hinton, jeden z "otců deep learningu", nedávno publikoval dva články představující novou architekturu neuronových sítí, nazvanou Capsule Networks. V přednášce ukážu princip fungování těchto sítí, jak je možné je trénovat a jaké nové možnosti přinášejí.

  • [16 November, 11:00] Let's Talk ML

    Tomáš Pajurek: Machine Learning infrastructure in Azure (slides)

    Talk will be focused on early stages of ML pipeline (data ingestion, storage, preprocessing) and also cluster computation services. Some topics will be accompanied with hands-on examples. 

    Vladimir Ananyev: Unsupervised feature selection for time series clustering (slides)

    I will present how clustering can be performed using the extracted features instead of the raw time series, and also the problem of selecting relevant feature subsets and some of the techniques that can be used for that purpose.

  • [2 November, 11:00] Let's Talk ML

    Markéta Jůzlová: Using Meta-Learning to Support Data Mining (slides)

    Článek vysvětluje pojem meta-learning v data miningu. Poskytuje také přehled technik pro meta-learning. Dále bude podrobněji popsána metoda, která používá meta-learning pro rankování machine learningových modelů pro daný dataset, včetně vyhodnocení její úspěšnosti. Nakonec bude krátce popsány některé novější aplikace meta-learningu.

    Ondra Bíža: AlphaGo Zero (slides)

    Završující článek tříletého výzkumného projektu AlphaGo, který zplodil nejlepšího hráče deskové hry Go na světě. Autoři popisují nového agenta, AlphaGo Zero, jenž začíná bez jakékoliv znalosti Go a učí se pouze na základě hraní sama proti sobě (self-play). Po 36 hodinách trénování AlphaGo Zero dokáže porazit nejlepšího profesionálního hráče a vymýšlí unikátní strategie. Tím se velmi liší od předchozích AlphaGo agentů, kteří se učili pozorováním milionů tahů profesionálních hráčů, a hráli podobně jako oni.

  • [19 October, 11:00] Let's Talk ML

    Václav Ostrožlík: Understanding deep learning requires rethinking generalization (slides)

    Best paper award na ICML 2017. Autoři zkoumají, proč neuronové sítě generalizují. Ukazují na několika příkladech, že state of the art sítě mají dostatečnou kapacitu na to, aby se naučily i zcela náhodný dataset. To trochu rozporuje klasický pohled, že NN objevuje high-, mid-, low-level featury a díky nim dokáže dataset pojmout. Dále ukazují, že ani různé regularizační metody na generalizaci nemají až takový vliv.

    Petr Nevyhoštěný: Unsupervised Audio Segmentation based on Restricted Boltzmann Machines (slides)

    Rozdělení audia na homogenní sémantické části je v tomto článku řešeno za pomoci Conditional Restricted Boltzmann Machines, což je rozšíření RBM o podmíněnou pravděpodobnost nad nějakým jiným vektorem než je vstup, v tomto případě blízkou minulostí v audio záznamu.

  • [20 April, 11:00] Let's Talk ML

    Radek Bartyzal: Matrix Factorization (slides)
    Ondra Podsztavek: Transfer Learning (slides)

  • [6 April, 11:00] Let's Talk ML

    Ondřej Bíža: Recurrent Convolutional Networks (slides)
    Petr Nevyhoštěný: Restricted Boltzmann Machines (slides)

  • [23 March, 11:00] Let's Talk ML

    Place: TH:A:1347

    Markéta Jůzlová: Attacking machine learning with adversarial examples (slides)
    Veronika Maurerová: Feature extraction using CNN (slides)

     

  • [9 March, 11:00] Let's Talk ML

    Place: TH:A:1347

    Petr Nevyhoštěný: EU law and machine learning (slides)
    Václav Ostrožlík: Convolutional Neural Networks (slides)

  • [23 February, 11:00] Let's Talk ML

    Place: TH:A:1347

    Radek Bartyzal: Generative Adversarial Networks (slides)
    Veronika Maurerová: A Model-based Approach to Optimizing Ms. Pac-Man Game Strategies in Real Time (slides)

  • [8 December, 13:00] Let's Talk ML

    Place: T9:364

    Radek Bartyzal: t-SNE (slides)
    Václav Ostrožlík: Word2vec: A deeper look

  • [24 November, 13:00] Let's Talk ML

    Place: T9:364

    Václav Ostrožlík: Word2vec (slides)
    Petr Nevyhoštěný: Mood classification from lyrics (slides)

  • [10 November, 13:00] Let's Talk ML

    Place: T9:364

    Markéta Jůzlová: Dimensionality Reduction (slides)
    Petr Nevyhoštěný: Conditional Random Fields (slides)

  • [27 October, 13:00] Let's Talk ML

    Place: T9:364

    Veronika Maurerová: Gradient boosting machines (slides)
    Tomáš Frýda: Gaussian Processes (slides)

  • [21 September, 15:00] Let's Talk ML

    Place: TH:A:1242

    Václav Ostrožlík: WaveNet (slides)
    Veronika Maurerová: Predikce kriminality (slides)

  • [31 August, 14:00] Let's Talk ML

    Place: TH:A:1242

    Radek Bartyzal: Neural Machine Translation (slides)

  • [24 August, 14:00] Let's Talk ML

    Place: TH:A:1242

    Václav Ostrožlík: Dropout (slides)
    Tomáš Frýda: Introduction to Bayesian optimization (slides, Jupyter notebook)

  • [17 August, 14:00] Let's Talk ML

    Place: TH:A:1242

    Radek Bartyzal: Why ReLU? (slides)
    Tomáš Pajurek: Event streaming and storing in Azure (slides)

  • [10 August, 13:00] Let's Talk ML

    Place: TH:A:1242

    Radek Bartyzal: Online Optimization Algorithm (slides)
    Václav Ostrožlík: Neural Style (slides)


Follow Us

Copyright (c) Data Science Laboratory @ FIT CTU 2014–2016. All rights reserved.