Opis wykładów i warsztatów - Global AI Bootcamp, 15.12.2018 r.
Wykłady:
Adrian Kapczyński, „Mój wymarzony AI Lab”
W trakcie wykładu dowiesz się szczegółów o laboratoriach Adriana Kapczyńskiego: uczelnianego i domowego, w których od 2001 roku zgłębia tajniki uczenia maszynowego. Ekspert przybliży nie tylko narzędzia, ale także opowie o projektach, które realizowane są w tych laboratoriach. Nie zabraknie także kilku słów o tym, co warto byłoby mieć takim laboratorium. W czasie gdy będzie prezentował materiał, zostanie uruchomiona sonda na temat rozwiązań używanych przez uczestników wykładu, a wyniki sondy będą stanowiły wartościowe uzupełnienie wystąpienia.
Grzegorz Stolecki, „Panie... Czy Pan mnie aby nie obraża?”
W trakcie sesji zaprezentowane zostaną podstawowe zastosowania sztucznej inteligencji związane z językiem naturalnym. To przede wszystkim: analiza tekstu, identyfikacja sentymentu, rozpoznanie języka tekstu i jego tłumaczenie. Wykorzystamy gotowe usługi dostępne na platformie Cognitive Services, jak również biblioteki open-source dostępne dla języków R i Python.
Marcin Szeliga, „Zastosowania sztucznej inteligencji na przykładzie usług przetwarzania obrazów”
Narodziny sztucznej inteligencji jako dyscypliny naukowej datuje się na rok 1956, jednak do niedawna dane treningowe musiały mieć postać tabelaryczną: każdy wiersz takiej tabeli opisywał jedną obserwację (np. pojedynczą sprzedaż lub wyniki konkretnego badania), a każda kolumna zawierała dane o jednej cesze (np. nazwę produktu czy wiek pacjenta w momencie badania). Głębokie uczenie maszynowe, czyli podejście polegające na automatycznym rozpoznaniu i wyodrębnieniu coraz bardziej abstrakcyjnych cech, a następnie użyciu tych cech do dalszej nauki modelu, pozwoliło jako danych treningowych używać również obrazów, mowy i wyrażeń języka naturalnego.
Damian Widera, „Data Science jest dla wszystkich. Uważaj co jesz - smaczne, ale trujące grzyby vs Machine Learning"
Ciekawe zastosowanie uczenia maszynowego, tym razem na temat grzybów. Warto zobaczyć, jak można zastosować proste algorytmy do ciekawych celów. Zaprezentowany zostanie algorytm drzewa decyzyjnego, który pozwoli podjąć decyzję - zjeść, czy nie zjeść?
Warsztaty:
Marcin Szeliga, „Praktyczne uczenie maszynowe"
Model uczenia maszynowego z dużą dokładnością przewiduje postępy leczenia pacjentów — to jeden z wielu podobnych nagłówków prasy popularno-naukowej, znaleziony w czasopiśmie Nature. Podczas warsztatu dowiesz się, jak budować światowej klasy modele uczenia maszynowego na platformie Azure ML Studio oraz jak wdrażać gotowe modele do użycia.
Damian Widera, „Wstęp do uczenia maszynowego”
Warsztat poświęcony podstawom uczenia maszynowego – przeglądowi algorytmów i ich zastosowaniu do rozwiązywania konkretnych problemów. Będziemy zajmowali się uczeniem maszynowym w medycynie i starali się odkryć potencjał ukryty w tej dziedzinie nauki.