Biography:
Tomasz Trzciński is an Assistant Professor at Warsaw University of Technology and Chief Scientist and Partner at Tooploox. He received his PhD in computer vision from EPFL, previously worked at Google and Qualcomm and held a Visiting Scholar position at Stanford University. Member of IEEE and Computer Vision Foundation, he frequently serves as a committee member fo major vision and machine learning converences (CVPR, ICCV, ECCV, NeurIPS). Recently co-founded Comixify, VC-backed startup that uses GANs and reinforcement learning to turn your video into comics.

Abstract:
Learning a compact and efficient representation of images, words or 3D shapes is critical to many real-life applications, including visual search, 3D reconstruction and object recognition. In this talk, we will present several methods that address this problem, starting from binary image descriptors learned with linear projections to unsupervised training of 3D point cloud representations built with Generative Adversarial Networks to be applied in the context of autonomous cars. We will start with binary local image descriptors trained with linear projections (D-BRIEF, ECCV’12) and boosting (BinBoost, CVPR’13) and then move on to more recent works on learning constellation descriptors with Siamese architecturs (SCoNE, ECCVW’18) and unsupervised learning with GANs (BinGAN, NeurIPS’18). We will conclude this talk with a few samples of our ongoing research on learning compact representations of 3D point clouds using various generative models.

Biography:
Tomasz Grzywalski: Researcher, developer and tester of cutting-edge machine learning algorithms for sound & image processing. Currently works as a Lead Machine Learning Specialist at StethoMe where he, together with his team, develops algorithms for for automatic detection and classification of lung and heart sounds. In 2018 his team won 2nd place in FEMH ​Voice Data Challenge, a competition for diagnosing voice disorders based on vowel sounds.

Abstract:
Sound event detection is a challenging task even for most sophisticated neural networks. Effective merging of local and global context of time series is the key for achieving good performance. In my talk I will present an interesting new approach for utilization of global context, developed by my team at StethoMe. The method introduces new definition of training target for audio events that is inspired by Capsule Networks proposed by Geoffrey Hinton and residual training. Examples will include real-life cases of detecting normal and abnormal lung sounds in stethoscope recordings.

Biography:
Mikołaj Olszewski i Mateusz Otmianowski od kilku lat pracują jako specjaliści Data Science w firmie Pearson. W swojej codziennej pracy badają i aplikują najnowsze odkrycia w zakresie uczenia maszynowego w produktach edukacyjnych.

Abstract:
Podczas wystąpienia przedstawimy nasze doświadczenia związane z implementacją metody modelowania wiedzy uczniów za pomocą Rekurencyjnych Sieci Neuronowych (Deep Knowledge Tracing). Opowiemy o wyzwaniach jakie napotkaliśmy w trakcie tego procesu, a które były związane z tworzeniem niskopoziomowego kodu w TensorFlow, wydajnością procesu trenowania sieci, śledzeniem wyników i organizacją pracy zespołu kilku osób pracujących jednocześnie nad tym samym modelem.

Biography:
Wojciech Kotłowski, PhD is an Assistant Professor at Poznań University of Technology. From 2009 to 2012, he was a post-doctoral researcher in Centrum Wiskunde & Informatica (Amsterdam, Netherlands) in the group of Peter Grünwald. His main research interests are in the theory of machine learning, particularly in the online learning with adversarial data. He is the author of many publications on top-tier machine learning conferences such as NeurIPS, ICML and COLT.

Abstract:
The talk concerns online learning with linear models, where the algorithm predicts on sequentially revealed instances (feature vectors), and is compared against the best linear function (comparator) in hindsight. Popular algorithms in this framework, such as Online Gradient Descent (OGD), have parameters (learning rates), which ideally should be tuned based on the scales of the features and the optimal comparator, but these quantities only become available at the end of the learning process. We show how to resolve the tuning problem by proposing online algorithms making predictions which are invariant under arbitrary rescaling of the features. The algorithms have no parameters to tune, do not require any prior knowledge on the scale of the instances or the comparator, and achieve regret bounds matching (up to a logarithmic factor) that of OGD with optimally tuned separate learning rates per dimension, while retaining comparable runtime performance.

Biography:
Piotr Rybak pracuje jako Senior Research Engineer w zespole Machine Learning Research w Allegro i zajmuje się rozwojem modeli do wyszukiwania obrazowego. Absolwent matematyki, pasjonat uczenia maszynowego, miłośnik gier planszowych i wspinaczki.

Abstract:
Jak skutecznie znaleźć na Allegro koszulę widzianą ostatnio w sklepie? Albo te nietypowe filiżanki, w których podają kawę w kawiarni na dole? Można oczywiście próbować opisać je słownie, ale czy nie byłoby prościej gdyby wystarczyło zrobić im zdjęcie? Podczas tej prezentacji przedstawię różne modele używane do wyszukiwania obrazem, opiszę jak one działają oraz pokażę przykładowe wyniki. Będzie dużo obrazków 🙂

Biography:
Rafał A. Bachorz, PhD is Data Scientist at PSI Poland and Head of Molecular Modeling Laboratory, Institute of Medical Biology, Polish Academy of Sciences.

Abstract:
The Recurrent Neural Networks (RNNs) are capable of solving the problems involving some sort of sequence. Actually, the sequence can be considered as the context prototype. This means that not only the observation recorded at certain point carries the content, but also the relation with the neighbors brings significant piece of knowledge. One can mention a substantial number of use cases where the same computational techniques, i.e. RNNs, are employed in order to solve semantically very distant problems. For instance the natural language modelling, speech recognition, machine translation, artificial music generation are only a few examples. Here I would like to introduce a particular perspective of the application of the RNNs, where the chemical information contained in carefully chosen molecular data set is transferred into the properly designed predictive model. The considered chemical information involves the chemical species itself represented as the SMILES code, as well as the supplementary information reflecting the chemical and physical properties. Both components, dubbed as static and dynamic features, are simultaneously treated in the neural network architecture. This is possible thanks to the technique of the static feature incorporation into the RNNs. At the end, the obtained generative predictive model provides very strong capability of molecule generation where the property of new species can be controlled by providing desired properties at the prediction phase. This, on the other hand, can be considered as the scientific tool applicable in the areas of de novo drug design or computational material science.

Biography:
Paweł Sienkowski to Machine Learning Engineer w Fathom, laureat 8 konkursów Data Science. Pracował m. in. w Microsoft, Facebook i Palantir Technologies. W wolnych chwilach buduje autorskie escape roomy.

Abstract:
Konkursy z dziedzin Machine Learning, Data Science i Data Mining to świetne pole do nauki. Dobrze zdefiniowana miara, wstępnie przygotowany zbiór danych znacznie obniżają próg wejścia - pierwszy model często można zbudować w mniej niż pół godziny. Ale nie dla samej nauki człowiek buduje modele 😉 Jak wygrywać konkursy? Jak pławić się w blasku i chwale? Na prezentacji usłyszycie kilka praktycznych rad i trików.

Biography:
Alexandre Quemy joined IBM in 2015 where he currently holds a senior engineer position in the Data and AI organization. Prior joining IBM, he worked at Inria research center in France, in the team Machine Learning and Optimization on multi-objective optimization and meta-heuristics. In parallel of his activities at IBM, he is pursuing a Ph.D. at PUT, under the supervision of Pr. Wrembel, in the field of AutoML in unstructured space with a focal point on explainability.

Abstract:
For a broader adoption and scalability of machine learning systems, the construction and configuration of machine learning workflow need to gain in automation. In the last few years, several techniques have been developed in this direction, known as AutoML. AutoML focuses on solving the black-box optimization problem named CASH, for Combined Algorithm Selection and Hyperparameter optimization. As its name states, CASH consists in selection the proper algorithm and its set of hyperparameters. However, a rule of thumb regarding the effort in building a machine learning workflows is that 80% of the time is spent on data preparation. Therefore, one might wonder why most effort is spent on automating the least time consuming part. In this talk, we will try to answer this question and to show that indeed, under time constraint, it is often - but not always - more interesting to allocate time to automated data preparation rather than hyperparameter tuning. Last, we will briefly present a robust two-stage optimization process to allocate time between data preparation and CASH.

Biography:
Mateusz Półtorak jest hobbystą modelowania i aproksymacji złożonych mechanizmów otaczającego nas świata. W czasie swojej przygody z deep learningiem, najwięcej uwagi poświęcił zagadnieniom rozpoznawania emocji w sygnałach audio, transferowi stylu artystycznego oraz tematyce word sense disambiguation w dziedzinie przetwarzania języka naturalnego. Od ponad roku zajmuje się szeroko pojętym data science w Pearson.

Abstract:
Tematem spotkania będzie ujednoznacznianie słów należących do grupy homonimów (przykład - znaczenie słowa "zamek" w kontekście "zgubiłem klucz do zamku"). Porozmawiamy o tym jak reprezentować podobieństwa między zdaniami oraz jak przetwarzać te podobieństwa w taki sam sposób jak przetwarza się obrazy lub zdjęcia. Po zapoznaniu słuchaczy ze szkieletem architektury zdolnej do powyższej analizy, talk skupi się na prezentacji dwóch bardziej zaawansowanych metod jej modyfikacji. Pierwszą z nich są dwuwymiarowe embeddingi części mowy, wprowadzające do modelu namiastkę mechanizmu atencji. Druga metoda, to implementacja miary soft-cosine, jako część grafu Tensorflow, umożliwiająca maksymalne wykorzystanie wiedzy zgromadzonej w pre-trenowanych embeddingach słów.

Biography:
Zuzanna Kunik od ponad 2 lat pracuje jako Data Scientist w F-Secure. Jej codzienność wykracza poza analizę danych czy przygotowywanie modeli - do jej obowiązków należy też implementacja i utrzymywanie systemów machine learningowych na backendzie.

Abstract:
Czy data science jest w stanie rozwiązać problemy cyber security? W jaki sposób możemy wykorzystać machine learning, aby wesprzeć analityków i konsultantów ds. bezpieczeństwa w podejmowaniu decyzji nt. tysięcy potencjalnych zagrożeń dziennie? Czy polecenia linii komend mogą być traktowane jako język naturalny? Czym jest concept drift i jaki ma wpływ na tworzenie systemów AI w cyber security?

Biography:
Carmine Paolino is a Senior Data Scientist at OLX Group where he works on computer vision, interpretable machine learning, and recommender systems. He has more than 4 years of industry experience as a Data Scientist, and more than 9 as a Software Engineer. Soon after his bachelor thesis he published a book chapter about large-scale distributed graph analysis, and he has recently collaborated on a state-of-the-art saliency detection technique. He's also an avid open source contributor, with patches to MXNet Model Server and Theano amongst others. When he's not working, he loves to take photos, write music, DJ, and learn more about Machine Learning, psychology, and the stock market. Once saved the Coding Horror blog from losing all its content.

Abstract:
Whether it's a linear regressor or a system of connected deep learning models, getting your models ready is half the battle. Did you design your machine learning system to survive the onslaught of visitors from your latest Reddit and Hacker News post? Or the influx of users shopping during Black Friday? Are you ready for a world filled with flakey networks, invalid data, and impatient users? In this talk you'll learn how to design and architect your machine learning systems for the harsh realities it will face. We will show you how we tackled these problems in a real, complex machine learning system at OLX and scaled it to serve up to billions of predictions per day, using software engineering principles while debunking the myth that Python code cannot scale.

Biography:
Dawid Wiśniewski jest doktorantem i asystentem na Wydziale Informatyki Politechniki Poznańskiej, gdzie zajmuje się przetwarzaniem języka naturalnego oraz technologiami semantycznymi. Od 2013 zawodowo związany z przetwarzaniem języka, Deep Learning Specialist w Applica.ai.

Abstract:
Ostatnie lata obfitowały w liczne przełomy w dziedzinie przetwarzania języka naturalnego, których efekty widujemy w codziennej pracy (asystenci głosowi, systemy zamiany mowy na tekst, automatyczne tłumaczenie dokumentów między językami). Czy wśród tych przełomów wyłania się zdolność do, wydawałoby się zarezerwowanej dla naszego gatunku, kreatywności? Czy komputery potrafią generować użyteczne teksty, które w przyszłości będą mogły stanowić automatycznie wytworzone artykuły, recenzje lub przemówienia? Jak wyglądają podejścia używane do automatycznego generowania tekstów?

Biography:
Michał Kierzynka works as a Data Scientist at Roche. He received his PhD in computer science from PUT, and previously worked at PSNC. He was serving as a certified instructor at NVIDIA Deep Learning Institute. With his strong background in parallel computing and GPUs (early adopter of CUDA), he loves to work on high performance software tools. He specializes in deep learning and computer vision.

Abstract:
Transfer learning is a powerful technique to boost the performance of a deep learning model by reusing the features learned on a related task. The use of pretrained models became a de facto standard in many practical applications. However, the healthcare industry often has very specific data sets that are rather dissimilar to the large-scale and publicly available data sets used to pretrain the models. Therefore, are there any benefits of applying transfer learning in healthcare? Come and listen to find out.

Biography:
Michał Łukaszewski pracuje na stanowisku Deep Learning Manager w firmie Intel. Po ponad 18 latach jako developer zajął się prowadzeniem zespołu specjalizującego się w benchmarkingu rozwiązań Deep Learningowych. Pasjonat czystego kodu, optymalnych procesów, dobrze zaprojektowanych baz danych.

Abstract:
Sieci neuronowe wydają się być niesamowitymi algorytmami o zaskakujących możliwościach i niezwykłej potędze ujawnianej w starciu z ogromnymi wolumenami danych. A jednak są bardzo wrażliwe i podatne na zakłócenia, oszukanie ich jest niesamowicie proste. Podatności te stanowią duży problem przy zastosowaniach produkcyjnych. Prezentacja przedstawi kilka najbardziej popularnych sztuczek jakimi możemy ogłupić sieć neuronową.

Biography:
Michael Gielda is VP Business Development and co-founder of Antmicro. With a background in both computer science and the humanities, he is an ardent believer in using open source to advance entire industries. Michael is vice-chair of Marketing in the RISC-V Foundation and Chair of Marketing and Outreach in CHIPS Alliance.

Abstract:
Recent advances in deep learning mean that not only desktop and server class machines can now perform fairly complex AI tasks. With open source ML frameworks such as Google’s TensorFlow expanding to cover entirely new areas, as well as open, ML-oriented hardware and compiler stacks, we can expect a host of new applications where low-power AI will play a key role. We will look into TensorFlow Lite Micro, TVM, NVDLA and other open source technologies that shape the landscape of “Tiny ML” as it is sometimes called.

Biography:
dr Filip Graliński, Chief Data Scientist w Applica.ai oraz pracownik Wydziału Matematyki i Informatyki UAM, zajmuje się zastosowaniem uczenia maszynowego do problemów przetwarzania tekstu oraz metodami ewaluacji modeli ML

Abstract:
Uczenie maszynowe przyniosło w ostatnich latach w przetwarzaniu języka naturalnego olbrzymie postępy. Modele oparte na uczeniu maszynowym, zwłaszcza sieci neuronowe, rodzą przy tym nowe wyzwania z punktu widzenia inżynierii oprogramowania. W jaki sposób w zrozumiały dla człowieka sposób ewaluować i porównywać wyniki modeli? Jak wykrywać „lokalne” regresje modeli w sytuacji ogólnego polepszenia wyników? W trakcie wystąpienia zaprezentowane zostaną techniki i narzędzia, które, przynajmniej częściowo, pozwolą odpowiedzieć na te pytania.

Biography:
Bartosz Ludwiczuk to Deep Learning Enginnier z 7-letnim doświadczeniem w temacie, który przede wszystkim zajmuje się zagadnieniami związanymi z przetwarzaniem obrazu. W wolnym czasie zgłębia tematy uczenia głębokiego lub jeździ na rowerze.

Abstract:
Jak stworzyć własnego OCR, dopasowanego do swoich potrzeb, np. do paragonów? Jakie moduły taki OCR powinien posiadać? A co się stanie, gdy klient zrobi zdjęcie kotu lub innemu dokumentowi? Na te i podobne pytania odpowiem w czasie prezentacji dotyczącej opisu pełnego pipelinu systemu typu OCR, stworzonego od zera, którego zadaniem jest wyciąganie informacji z paragonów. Cały proces developmentu będzie opisany od pierwszego prototypu do finalnego modelu używanego na produkcji w celu pokazania iteracyjnego procesu dostarczania produktu. Cały projekt jest silnie związany zarówno z Deep-Learningiem, przetwarzaniem obrazu jak i przetwarzaniem tekstu.

Biography:
dr Konrad Juszczyk to specjalista językoznawstwa kognitywnego i komputerowego, badacz multimodalnej komunikacji międzyludzkiej, metafor, gestów i emocji. W projekcie odpowiada za badania rynku innowacji związanych z komunikacją.

Abstract:
Algorytmy rekomendują nam hotele na weekend, dobierają reklamy do czytanego tekstu, a także sortują i filtrują komentarze. Czy to wszystko może czynić sztuczna inteligencja pozbawiona emocji? W SENTIMENTI uważamy, że sztuczna inteligencja potrzebuje ludzkich emocji. Dlatego przebadaliśmy ponad 20.000 Polaków, którzy oznaczyli po osiem emocji dla ponad 30.000 słów i znaczeń. Uzyskaliśmy największą w Polsce emotywną bazę języka, która w połączeniu ze Słowosiecią i uczeniem maszynowym pozwala na mierzenie emocji w każdym tekście – od krótkich wzmianek przez posty i artykuły do baz na dowolny temat. Podczas wystąpienia zdradzimy kilka szczegółów dotyczących naszych badań.

Biography:
Olga Kamińska pracuje na stanowisku Data Scientist w Grupie Britenet oraz jest doktorantką w Instytucie Badań Systemowych Polskiej Akademii Nauk w Warszawie.

Abstract:
Zmiana fazy u pacjentów w afektywnej chorobie dwubiegunowej może powodować nieodwracalne zmiany. Celem projektu była próba przewidzenia zmiany stanu w kierunku depresji/manii u badanych pacjentów. Każdy osoba inaczej przechodzi tą chorobę dlatego tak ważna jest personalizacja algorytmu. W badaniu zostały zastosowane metody zarówno uczenia nadzorowanego jak i nienadzorowanego na danych pochodzących od prawdziwych pacjentów. Wykorzystano dane pochodzące z nagrań rozmów telefonicznych od pacjentów. Przygotowane rozwiązanie jest pierwszym krokiem do stworzenia kompletnego systemu prognostycznego, który ułatwiłby życie lekarzom oraz pacjentom.

Biography:
Dariusz Max Adamski is undergraduate student at the Poznań University of Technology, co-founder of IMIND, a startup applying various ML techniques, to help you lower your electric bill and save energy in the process. Max is also an active member of Group of Horribly Optimistic STatisticians (GHOST).

Abstract:
Learning very long-term dependencies in sequential data is crucial in many ML tasks, such as natural language understanding and time-series analysis. Attention allows us to model dependencies regardless of the distance in data. It is even possible to replace recurrent networks completely, and achieve superior performance with attention only.In the talk, we will introduce attention, explain the popular transformer model, and finally, show how we use attention mechanisms at IMIND to improve the performance and interpretability of our models.

Biography:
Damian Horna to student ostatniego roku studiów inżynierskich na kierunku Informatyka na Wydziale Informatyki Politechniki Poznańskiej, a także członek Koła Naukowego "Group of Horribly Optimistic STatisticians" (GHOST). Obecnie pracuje jako Machine Learning Engineer w Poznańskim Centrum Superkomputerowo-Sieciowym.

Abstract:
Czwarta Rewolucja Przemysłowa przynosi ze sobą olbrzymią szansę na rozwój firm, poprawę jakości produktów, a także obniżenie kosztów ich wytwarzania. Dane mające charakter wielowymiarowych szeregów czasowych są coraz chętniej gromadzone m.in. w elektrowniach lub zakładach produkcyjnych. W obliczu tak dużej ilości informacji wykrywanie różnego rodzaju anomalii staje się zadaniem bardzo wymagającym i kosztownym. W jaki sposób możemy wykorzystać możliwości uczenia maszynowego aby zautomatyzować ten proces? Podczas prezentacji przedstawię kilka metod wykrywania anomalii w danych sensorycznych i podzielę się moimi spostrzeżeniami dotyczącymi ich praktycznego wykorzystania.

Biography:
Jakub Tomczak to student II roku studiów magisterskich na kierunku Informatyka na Wydziale Informatyki Politechniki Poznańskiej oraz aktywny członek Koła Naukowego "Group of Horribly Optimistic STatisticians" (GHOST). Obecnie pracuje jako AI Engineer w Antmicro.

Abstract:
W ostatnich latach autonomiczne pojazdy stały się głównym celem badań firm zajmujących się przemysłem samochodowym. BMW, Toyota, Ford, Volvo, a także wiele innych znanych marek jak np. Google przeznacza duże nakłady finansowe na rozwój technologii związanych z autonomicznymi pojazdami. Gwałtownemu postępowi w tej dziedzinie towarzyszy również zwiększone zapotrzebowanie na wykwalifikowanych inżynierów, którzy posiadają specjalistyczną wiedzę i umiejętności do konstrukcji tego typu pojazdów. Grupa DeepRacer działająca w ramach Koła Naukowego GHOST zajmuje się budową miniatury autonomicznego samochodu oraz poznawaniem algorytmów wykorzystywanych w takich pojazdach. W czasie prezentacji podzielimy się naszymi doświadczeniami, opowiemy czym jest ROS oraz wyjaśnimy, jak autonomiczne pojazdy “widzą” otaczającą rzeczywistość.