What we're about

Imponujące tempo rozwoju uczenia maszynowego i sztucznej inteligencji wymaga poświęcenia sporej ilości czasu aby być na bieżąco. Celem grupy jest złagodzenie tego procesu poprzez dzielenie się wiedzą i doświadczeniem.

Spotkania mają formę seminariów - rozpoczynają się od wykładu, podczas którego prowadzący referując kilka tematycznych paperów wprowadza (lub odświeża wiedzę) słuchaczy na dany temat AI/ML. Następnie podejmowana jest dyskusja o teoretycznych i praktycznych aspektach omawianych technologii.

UWAGA: Do członkowstwa w grupie zapraszamy osoby z doświadczeniem w dziedzinach AI/ML z racji na ograniczoną liczbę miejsc na spotkaniach oraz dla zapewnienia wysokiej jakości dyskusji

*** For English speakers: as for now meetups are planned to be held in Polish, this may change in the future if there's a demand for an English version of our meetings ***

This group is meant to help keep up with the incredible pace of development in the area of artificial intelligence.

Meetings take form of seminars, where speakers introduce the audience to (or refresh their knowledge on) various AI topics by going through several papers. Talks are followed by discussions on both theoretical and practical aspects of presented works.

WARNING: because of limited capacity and to ensure high quality of discussions admittance to the group is allowed for people with prior experience in the field of AI/ML

Upcoming events (1)

Neuronowe równania różniczkowe zwyczajne (NeurIPS 2018)

# Abstrakt: Podczas prezentacji omówię pracę pod tytułem "Neural Ordinary Differential Equations" (NeuralODEs), która wprowadza nowy rodzaj sieci neuronowych pozwalających na połączenie standardowych metod rozwiązywania równań różniczkowych z głębokim uczeniem. Praca ta zdobyła nagrodę najlepszej pracy na prestiżowej konferencji NeurIPS 2018. NeuralODEs posiadają wiele ciekawych własności np. za ich pomocą możemy konstruować bardzo głębokie sieci neuronowe przy prawie zerowym zużyciu pamięci. Dodatkowo sieci te nadają się idealnie do problemów wymagających predykcji procesów będących funkcją czasu jak np. symulacje fizyczne. W trakcie prezentacji przejdę przez różne przykłady zastosowania NeuralODEs od prostych problemów optymalizacyjnych po nową (uciągloną w czasie) wersję przepływów normalizacyjnych. # Poziom trudności Poziom trudności prezentacji oceniam na średnio zaawansowany. Prezentacja będzie miała charakter akademicki z przykładowymi fragmentami kodu który będzie ilustrował użycie omawianej techniki. W trakcie prezentacji będę zakładał, że słuchacz wie czym są sieci neuronowe, zejście gradientowe, wie czym są równania różniczkowe zwyczajne. Mile widziana jest znajomość tematyki przepływów normalizacyjnych (vide moje poprzednie prezentacje). # Czego się nauczysz? * czym są black-box solvery służące do rozwiązywania równań różniczkowych, * jak taki solver napisać w Tensorflow i następnie użyć go do całkowania funkcji zadanej siecią neuronową, * czym się różni NeuralODE od zwykłych sieci neuronowych i jakie są jego potencjalne zastosowania, * jak liczyć gradienty przez sieć zdefiniowaną za pomocą równania różniczkowego tj. metoda adjoint sensitivity (metoda równań sprzężonych), * czym są Continuous Normalizing Flow - czyli różniczkowy odpowiednik przepływów normalizacyjnych # Jedna referencja: [1] Neural Ordinary Differential Equations: https://arxiv.org/pdf/1806.07366.pdf # Moje poprzednie prezentacje (jakby ktoś nie wiedział czego się spodziewać): https://github.com/kmkolasinski/deep-learning-notes/tree/master/seminars

Photos (8)