Adatbányászat Blog

Az Adatbányász Blogon a dmlab szakértőinek írásait olvashatod a big data és data science területéről.

dmlab.hu - Big data és data science tanácsadás
"Ha örülsz, hogy fejedre nőttek az adatok."

Keress minket bátran:
- Nagy-Rácz István +36704595669
- Gáspár Csaba +36208234154
- info@dmlab.hu

Hírlevél

Iratkozz fel hírlevelünkre, hogy mindig naprakészen tudjunk tájékoztatni.
Feliratkozás
Leiratkozás

 

Címkék

10éves (1) 2007 (1) 2010 (23) 2011 (27) 2012 (13) 2013 (23) 2014 (5) 2015 (6) 2016 (10) 2017 (4) 2018 (4) 2019 (1) adaptív (1) adat- és médiainformatika (1) adatárusítás (1) adatbányászat (11) adatbányászati algoritmusok (1) adatbányászati alkalmazások (2) adatbányászati meetup (1) adatbányászati oktatás (1) adatbányászati technológiák (4) adatelemzés (2) adatelemzési platformok (1) adattárház (5) adattárház fórum (6) adattárolás (1) adattisztítás (1) adatvédelem (2) advise (2) aegon (1) aglitás (1) agy (2) ai (1) AI (3) ajánló (11) ajánlórendszerek (1) aktivitás felismerés (1) algoritmus (1) alkalmazás (3) állásajánlat (1) amazon ec2 (1) ambiens (1) ami (1) amuse (1) analitika (1) analytics (1) andego (3) apache (1) api (2) Arató Bence (3) artificial intelligence (2) bank (1) Barabási (2) barabási (2) beharangazó (1) beharangozó (18) bejelentés (2) belami (1) best practice (9) beszámoló (15) Bi (1) bi (13) BI (5) bi-trek (1) biconsulting (7) bigdata (29) Big Data (3) big data (12) biopen (1) biztosító (1) BI Akadémia (1) bi consulting (1) bi start (1) blockchain (1) blog (6) bme (2) BME (15) bootcamp (1) brainstorming (1) bsp (1) budapest (1) business analytics (1) business analytics szakirány (1) cancer detection (1) churn (2) ci (1) címkefelhő (2) CIO (1) clementine (1) Clementine Consulting (1) cloud computing (2) cognos (1) credit scoring (1) crisp-dm (1) crm (2) Cruncconf (1) crunch (2) csalásdetektálás (1) DataExpert (1) dataexplorer (1) datapest (1) datascience (5) datasource (1) data engineering (1) data mining (1) data science (8) deep learning (1) diplomamunka (1) dmla1o (1) dmlab (15) döntési fák (1) döntéstámogatás (1) drill (1) e-commerce (1) egészségügy (1) előadás (24) előrejelzés (1) élő közvetítés (1) Enbrite.ly (1) energetika (1) esemény (2) esettanulmány (3) ethics (1) etikus (1) etl (2) eu (1) évforduló (3) fejlesztés (2) felmérés (5) felsőoktatás (1) felület (1) felvásárlás (3) film (1) fizetés (1) forecasting (1) forgalomelőrejelzés (2) foursquare (1) fraud detection (1) free (1) freebase (1) gartner (2) gazdasagi informatikus (2) gdpr (1) gépi tanulás (5) gépi tanuló algoritmus (1) google (8) google analytics (1) graphlab (1) gravity (3) greenplum (1) gyakorlat (1) hackhaton (1) hadoop (10) hallgatók (2) hálózatelemzés (3) hálózatkutatás (2) hálózatok (3) hazai (2) hiba (4) hírlevél (2) hive (1) honlap (1) HR (1) HVG (1) i5 (1) ibm (6) ibm modeler (1) ibm spss (3) icdm (1) idc (2) idősor (1) idősorok (1) ieee (1) iir (1) image processing (1) impact (1) infobright (1) információbróker (1) innováció (5) innovatívBI (1) innovativ bi (4) inspiráció (1) intelligencia (2) interjú (1) Internet Hungary (1) iqsymposium (19) iqsys (16) iroda (4) jelentkezés (2) jmp (2) job (1) kaggle (2) kampánymenedzsment (1) kapcsolati hálók (1) karrier (1) kdd (3) kdnuggets (2) képfeldolgozás (1) képzés (6) kérdés (2) kérdőív (1) kerekasztal (1) keresés (1) kereső (1) keresztvalidáció (4) kína (1) klaszterezés (2) knime (1) kockázati tőke (1) kollaboratív munka (1) kompetencia (1) konferencia (73) könyv (6) környezet (1) közlekedés (1) közösség (2) közösségi hálózatok (4) közvetítés (6) kritika (1) küldetés (1) kürt akadémia (1) kutatás (2) lemorzsolódás (1) licensz (1) live (1) logisztika (2) machine learning (3) magyar telekom (2) mahout (1) mapreduce (1) marketplace (1) média (2) meetup (11) mellékspecializáció (1) mém (3) memóriacentrikus (1) menedzsment (3) metaadat (1) metodika (2) microsoft (1) mobil (5) mobil bi (4) modeler (2) modell (3) morgan stanley (1) motion chart (1) munkaerő (2) mysql (1) mytraffic (4) nemzetközi (5) nemzetközi összehasonlítás (1) netflix prize (1) networking (1) next big thing (1) nips (1) nosql (1) nyílt forráskód (4) nyitott (1) nyomkövetés (1) offline áruházak (1) okostelefon (1) oktatás (24) olvasók (1) online áruházak (1) online kutatás (1) open source (19) open source bi (3) operatorfa (1) osbi (12) összehasonlítás (1) ötletek (2) pandas (2) paradoxon (1) pascal (1) pentaho (1) personal data mining (1) phd (2) philips (1) piac (3) pikk (1) pilot (1) PISA-felmérés (1) pmml (1) politika (2) powerpivot (1) prága (1) praktiker (1) prediktív analitika (2) prediktív analitka (1) prediktiv modellezés (5) prediktív modellezés (1) prezi (15) privacy (1) privacy preserving data mining (1) product management (1) projekt (1) projektmenedzsment (6) publikáció (1) python (10) pytorch (1) radoop (12) random forest (1) rapid-i (2) rapidanalytics (7) RapidMiner (2) rapidminer (41) rcomm (7) refine (1) reinforce (1) Rexer Analytics (1) rsctc (1) R nyelv (7) saas (1) sap (1) SAS (20) sas enterprise miner (2) sas enterpris guide (1) sas entprise miner (1) sas fórum (1) sas forum (3) siker (3) simptech (1) sixtep (2) smarthabits (1) spike sorting (1) sportanalitika (1) spss (13) SPSS (3) spss clementine (3) spss hungary (5) spss modeler (6) ssd (1) starschema (2) startup (9) statisztika (1) survey (1) svm (1) szabad szoftver (1) szakmai (1) szavazó eljárások (2) szélenergia (1) szélerőmű (1) szervezetfejlesztés (2) szociális hálók (1) szoftver (5) szöveg (1) szövegbányászat (2) sztaki (2) tableau (1) talend (2) támogatás (1) tanfolyam (1) tanulmány (1) tanulság (1) távolság (1) technológia (1) tedx (1) telekommunikáció (2) tensorflow (1) teradata (2) teszt (1) text mining (1) tmit (6) toborzás (1) tőzsdei előrejelzés (1) tracking (1) trendek (9) tudományos (1) tunedit (1) twitter (17) ügyfél (1) usa (1) üzleti intelligencia (3) üzleti modell (3) üzleti reggeli (4) választható tárgy (1) validáció (4) válogatás (1) válság (1) változás (1) vélemény (1) véleméy (1) verseny (20) vezetői képzés (1) videó (3) vizualizáció (5) web (4) web2 (2) webanalitika (3) webshop (1) weka (2) wikipedia (2) workshop (2) yahoo (2) Címkefelhő

TWitter a csapat tagjaitól

2019.03.29. 12:07 Szalóki Kristóf

Reinforce AI konferencia

Címkék: előadás konferencia dmlab AI machine learning tensorflow reinforce pytorch

Ott voltunk a Reinforce-on, Magyarország első AI konferenciáján. Ez volt az első nagyobb esemény itthon, ami a mesterséges intelligenciát helyezte középpontba, de szervezésben és előadói felhozatalban is felért az olyan híres magyar konferenciák mellé mint a Craft vagy a Crunch. A konferenciára olyan cégektől érkeztek előadók mint a Google, IBM, OpenAI, Uber, Twitter, RapidMiner...stb. A  konferencia két napja alatt a gépi tanulás, illetve azon belül még számos változatos téma technológiai részleteiről halhatott előadást a több, mint 500 résztvevő. Íme az a három, amik a legfontosabbak, ha az aktuális legjobb technológiákhoz kapcsolódó hands-on tudást szeretnél kapni.

 

reinforce_day1_292_gb.jpg

credit to: JSSC


Stefan Otte: Practical Pytorch

Az előadáson a népszerű PyTorch került részletes bemutatásra, mely egy gyors és flexibilis deep learning framework. Stefan többször is hivatkozott rá, hogy a PyTorch használata semmivel sem bonyolultabb, mint a Numpy könyvtáré. PyTorch esetén a tensorokra tekinthetünk úgy, mint multidimenzionális tömbökre, melyek könnyedén futtathatók GPU-n is. A PyTorch további előnye hogy dinamikusan on the fly módon készíthetünk számítási gráfot, illetve módosíthatjuk a modellt. Az előadás rendkívül sok kódrészletet tartalmazott, már-már egy notebookhoz hasonlított, ami szerintem sok mérnök tetszését elnyerte. Az előadás legfőbb célja az volt, hogy a végére egy olyan alaptudást adjon, amivel bárki hozzá kezdhet a Pytorch alkalmazásához. Végezetül, összehasonlítva a PyTorch és a TensorFlow közti különbségeket, a dinamizmus mindenképp a PyTorch mellett szól, azonban a modell éles rendszerbe történő átültetése a TensorFlow esetén könnyebb.

 

Ha kíváncsi vagy Stefan PyTorch tutorial-jára, az alábbi linken megtalálod:

https://github.com/sotte/pytorch_tutorial

 

PARIS BUTTFIELD-ADDISON  es MARS GELDARD: On-device Neural Style Transfer 

Ezt az prezentációt két előadó tartotta Tazmániából, akik nagyon érdekfeszítő témákról beszéltek. Először a Neural Style Transfer-ről (NST), illetve a személyes adatok biztonságáról majd arról, hogy az On-device megoldások miben tudják ezt támogatni.

 

Magának az NST-nek az alapgondolata az, hogy miként lehet egy műalkotásnak a stílusjegyeit átültetni egy hasonló alkotásba, például egy selfie-t hogyan lehet úgy átalakítani, hogy úgy tűnjön, mintha kézzel rajzolták volna.

credit to @DmitryUlyanovML

A fenti képen látható, hogy ezt hogyan is kell elképzelni a valóságban. A mély neurális hálók segítségével a gépek  képesek meghatározni azt, hogy mit is jelent maga a stílus, illetve a tartalom; a kettőt ötvözve bámulatos eredményeket kaphatunk. Talán fel se tűnik, de a mindennapjainkban is rengetegszer használjuk ezt a technológiát, például amikor egy filter-t használunk fényképezésnél.

Hogyan kapcsolódik mindehhez a személyes adatok védelme? Sok esetben, amikor hasonló szolgáltatásokat szeretnénk igénybe venni, maga a számítás nem a saját eszközünkön történik meg, hanem a telefonunk küldi el az adatokat egy szerverre, ahol megtörténnek a különböző számítások, ezután visszaküldik az eredményt nekünk. Az adat azonban ebben a folyamatban kikerül az eszközünkről, ezzel lehetőséget ad arra, hogy azt mások megszerezzék. Az előadók a prezentáció során azonban nem csak elméletben beszéltek az On-device számítások fontosságáról, hanem csináltak egy demo-t is, ahol mindenki maga láthatta élőben a működő rendszert. 

https://github.com/thesecretlab/ReinforceConf2019

 

Josh Tobin: TROUBLESHOOTING DEEP NEURAL NETWORKS

 

Josh Tobin előadásával kezdődött a második nap, ahol sokak számára érdekes kérdésre adott választ, a mély neurális hálók debuggolásával kapcsolatosan. Miért is kell ezzel a területtel kiemelten foglalkozni?  Egy deep learning technológiára támaszkodó projekt életciklusa során az idő 80-90%-a telik debugolással és optimalizációval, míg 10-20% implementálással. A nehézséget azonban az jelenti, hogy sok esetben nem lehet a komplex rendszer  eredményeit reprodukálni, a modell teljesítményvesztésének számos forrása lehet, az eredmény rendkívül érzékeny a hyper-paraméterek és a tanító adathalmaz kisebb változtatásaira is. Ahhoz, hogy hibamentes deep learning modellt tudjunk alkalmazni, a modell építésre iteratív folyamatként kell tekintenünk. Josh legfőbb célja az volt, hogy egy pörgős, dinamikus előadással bemutassa hogyan előzhetjük meg a bugok keletkezését és milyen árulkodó jelek lehetnek a modellünkben azok létezésére.

http://josh-tobin.com/troubleshooting-deep-neural-networks.html

 

credit to: @josh_tobin_ 

 

Összegezve, nekem nagyon tetszett a konferencia, jobbnál jobb előadásokat hallgathattam meg a szívemhez közel álló témákban. Továbbá érdekes volt betekintést nyerni egy ilyen nagyszabású esemény szervezői hátterébe, örülök, hogy segíthettem a rendezvény sikeres lebonyolításában. Alig várom a következőt!

Szólj hozzá!

A bejegyzés trackback címe:

https://adatbanyaszat.blog.hu/api/trackback/id/tr3214724767

Kommentek:

A hozzászólások a vonatkozó jogszabályok  értelmében felhasználói tartalomnak minősülnek, értük a szolgáltatás technikai  üzemeltetője semmilyen felelősséget nem vállal, azokat nem ellenőrzi. Kifogás esetén forduljon a blog szerkesztőjéhez. Részletek a  Felhasználási feltételekben és az adatvédelmi tájékoztatóban.

Nincsenek hozzászólások.