1. Bericht (virtuelles) MLUGS Treffen im November 2020

    Protokoll

    Intro

    Das Ziel der MLUGS ist der Austausch über Machine-Learning-Themen. Keine Vorträge, die besser bei Youtube aufgehoben wären, sondern Diskussion zum jeweiligen Thema.

    Teilnehmer

    • Andreas, Software-Entwickler, AX-Semantics
    • Uwe, laser com in space, ST2C
    • Tin, Software-Entwickler, TBS AI
    • Thomas, Data Scientist, Schwarz Dienstleistungen
    • Thomas, Algorithmen-Entwickler, AP Sensing

    • + 5 weitere

    Andreas Graf: Requirements Traceability and Open Source Natural Language Processing

    Abgesagt, wird nachgeholt

    Tin: Detectron2

    Uwe: Adaptive Optik mit Machine Learning, Problemvorstellung

    • seit eingen Jahren wird satellitenkommunikation produktiv genutzt
    • problem: atmospherische störungen entfernen
    • approaches: resnet/inception v3 ODER unet/unet++

    Andreas: Hyperparameter optimization using Weights & Biases

    {
      "trainer": {
        "epoch_callbacks": [
          {
            "type": "log_metrics_to_wandb"
          }
        ],
       }
    }
    
    • popular alternative https://optuna.org/
    • good talk about Optuna last week on PyTorch Developer Day: "Hyperparameter Importance"

    misc

    next

    • date: 2021-01-19
    • talks:
    • (meldet euch wenn ihr Vorträge habt!)
  2. virtuelles MLUGS Treffen im November 2020

    Auch im November findet ein virtuelles MLUGS-Treffen statt.

    Vorträge (10-15 Minuten/Vortrag):

    • Andreas Graf: Requirements Traceability and Open Source Natural Language Processing
    • Tin: Detectron2
    • Uwe: Adaptive Optik mit Machine Learning, Problemvorstellung
    • Andreas: Hyperparameter optimization using Weights & Biases

    Meldet euch, wenn ihr etwas vorstellen wollt. Das kann etwas sein mit dem ihr euch aktuell beschäftigt, ein Problem das ihr lösen möchtet oder auch ein Plug für etwas. Es sollte etwas mit machine-learning zu tun haben.

    Wir werden Zoom verwenden.

    Wann:

    17. November 2020 um 18:30

    Wo:

    virtuell. Zoom.

    Bitte meldet euch an unter:

    https://www.meetup.com/Machine-Learning-UserGroup-Stuttgart

  3. Bericht (virtuelles) MLUGS Treffen im Oktober 2020

    Protokoll

    Intro

    Das Ziel der MLUGS ist der Austausch über Machine-Learning-Themen. Keine Vorträge, die besser bei Youtube aufgehoben wären, sondern Diskussion zum jeweiligen Thema.

    Teilnehmer

    • Andreas, Software-Entwickler, AX-Semantics
    • Uwe, ST2C, Laser comm in space
    • Philipp, ML-Engineer & start-up co-founder
    • Jens, Data Scientist, AKKA

    • + 5 weitere

    Andreas: Hosting of ML models

    AWS ECS (Fargate)

    • expensive: 10+$/month (0.25cpu / 1GB ram) | 27$/month (0.5cpu / 4GB ram)
    • min 0.25cpu possible
    • max 30GB possible
    • deployment can be tricky when reproducable (cloudformation)
    • when running - low maintenance
    • examples:

    Google Cloud Run (GCR)

    • zero downscaling option -> "cheap"
    • needs to boot every time -> startup time can be a few seconds when cold
    • 2GB limit for managed option
    • for more memory: GKE - complicated to setup - expensive to run
    • really easy to deploy
    gcloud builds submit --tag eu.gcr.io/<PROJECT_ID>/compound-split
    gcloud run deploy compound-split --image eu.gcr.io/<PROJECT_ID>/compound-split --allow-unauthenticated --memory=1G
    

    Hetzner VPS

    • the cheapest option: 3€+/month (2GB ram) | 60€/month (30GB ram)
    • you have to maintain everything. including linux
    • you have to add SSL
    • automated deployments can be hard

    Paperspace gradient deployments

    Floydhub model serving

    Uwe: Buchbesprechung "Deep learning for Coder with fastai & PyTorch"

    • das Buch: https://github.com/fastai/fastbook
    • Notebooks / Kurs: https://course.fast.ai/

    • das erste Kapitel ist sehr praxisorientiert um schnell eine gute Lösung im Unternehmen zu haben

    • trainiert erst ein Modell und schaut euch dann die Fehler an, die es gemacht hat und bereinigt erst dann die Daten (falls nötig)
    • Deployment-Beispiele mit Voila auf Heroku
    • cropping/presizing von Bildern in der GPU
    • Anschauen: learning-rate-finder
    • hintere layers bekommen größere learning-rate

    • Podcast mit Jeremy Howard: https://lexfridman.com/jeremy-howard/

    next

    • date: 2020-11-17
    • talks:
    • (meldet euch wenn ihr Vorträge habt!)
  4. virtuelles MLUGS Treffen im Oktober 2020

    Auch im Oktober findet ein virtuelles MLUGS-Treffen statt.

    Vorträge (10-15 Minuten/Vortrag):

    • Andreas: Hosting of ML models
    • Uwe: Buchbesprechung "Deep learning for Coder with fastai & PyTorch"

    Meldet euch, wenn ihr etwas vorstellen wollt. Das kann etwas sein mit dem ihr euch aktuell beschäftigt, ein Problem das ihr lösen möchtet oder auch ein Plug für etwas. Es sollte etwas mit machine-learning zu tun haben.

    Wir werden Zoom verwenden.

    Wann:

    20. Oktober 2020 um 18:30

    Wo:

    virtuell. Zoom.

    Bitte meldet euch an unter:

    https://www.meetup.com/Machine-Learning-UserGroup-Stuttgart

  5. Bericht (virtuelles) MLUGS Treffen im September 2020

    Protokoll

    Intro

    Das Ziel der MLUGS ist der Austausch über Machine-Learning-Themen. Keine Vorträge, die besser bei Youtube aufgehoben wären, sondern Diskussion zum jeweiligen Thema.

    Teilnehmer

    • Andreas, Software-Entwickler, AX-Semantics
    • Thomas, Data Scientist
    • Lukas, Mechatronik & SupplyChain, Sensor.Community
    • David, Analytics Engineer
    • Steffen, Data Driven Visuals, Brands and Spaces

    Andreas: GPT2 für nicht-Englisch zu trainieren

    Slides / Notebook: https://github.com/mfa/talks/blob/master/20200915--train-GPT2-not-in-English/slides.ipynb

    Thomas: Mensa-Bezahlung überprüfen

    • mit camera das Essen filmen
    • Damit überprüfen ob das richtige bezahlt wird
    • verwendet yolov3 + vgg16
    • trainingsdaten manuell annotiert: 40-60 bilder / zu erkennendes objekt
    • wird weiter entwickelt: next viewshot detection

    Steffen: Möbelszenenvisualisierung

    next

    • machen wir das jetzt (wieder) regelmässig? ja
    • müssen die Vorträge besser geplant werden? mglw. nötig bei mehr Teilnehmern
    • date: 2020-10-20
    • talks:

      • Andreas: Hosting of ML models
      • ??
  6. virtuelles MLUGS Treffen im September 2020

    Wir versuchen nach der Corona-Pause den virtuellen Neustart der MLUGS.

    Der Plan für diesen Termin ist, jede/r (die/der möchte) stellt in 5-10 Minuten etwas vor.
    Das kann etwas sein mit dem man sich aktuell beschäftigt, ein Problem das man lösen möchte oder auch ein Plug für etwas.
    Es sollte allerdings schon mit machine-learning zu tun haben.
    Z.B. könnte ich von meinen Versuchen berichten, GPT2 für nicht-Englisch zu trainieren.

    Wir werden Zoom verwenden und der Link wird (auf Meetup) rechtzeitig ergänzt.

    Wann:

    15. September 2020 um 18:30

    Wo:

    virtuell. Zoom.

    Bitte meldet euch an unter:

    https://www.meetup.com/Machine-Learning-UserGroup-Stuttgart

  7. CANCELED: MLUGS Treffen im März 2020

    Unser 35. Treffen ist am Dienstag, dem 17.03.2020 in der Marienstrasse 23 bei AX Semantics.

    Language: German only.

    Themen:

    Tin: recap vfb-hackathon

    YOLO v3 Darknet nachtrainiert und angewendet

    Andreas: sigmorphon 2020

    encoder-decoder shared-task(s) - erste exploration

    Wir suchen weitere Vorträge

     

    Wann:

    17. März 2020 um 18:30

    Wo:

    Marienstrasse 23, Stuttgart, AX Semantics (2. OG)

    Bitte meldet euch an unter:

    https://www.meetup.com/Machine-Learning-UserGroup-Stuttgart

  8. Bericht MLUGS Treffen im Februar 2020

    Protokoll

    Vorstellungsrunde

    • Tin, DHBW-Dozent
    • Andreas, Software-Entwickler, AX-Semantics
    • Frank, mlugs-Gründer
    • Daniel, Wirtschaft-Informatiker / IT-Berufe-Ausbilder, Trumpf
    • Ioana, Bosch-Rexrodt, IOT
    • Jörg, Data-Engineer, Bosch
    • Romeo, Rust-Meetup-Organizer, will KI mit SAP nutzen
    • Andreas, Software-Entwickler, WGV
    • Uwe, macht Raumfahrt, ST2C
    • Stefan, ML-Berater, Deloitte
    • Simon, Mathematiker, macht seit 2015 ML

    +2 Nachzügler

    Uwe: Kaggle Survey

    • Kaggle bietet datasets und problemstellungen
    • sinn der survey: was wird so benutzt, welche platformen
    • häufigste algorithmen: linear / logistic regression; decision tree/random tree; gradient boosting

    podcasts:

    online-kurse:

    • viel coursera
    • kaggle lean
    • udemy
    • fast.ai

    weitere automated ML (nicht in der liste):

    Slides von Uwe: http://machinelearningintro.uwesterr.de/KaggleSurvey.html

    Tin: Adversarial-ML hacking NNs

    Hacking NNs mit FGSM

    slides: https://github.com/tvotan/mlugs_adversarial_ml/blob/master/mlugs_adversarial_ml.pdf

    misc

    next

  9. MLUGS Treffen im Februar 2020

    Unser 34. Treffen ist am Dienstag, dem 18.02.2020 in der Marienstrasse 23 bei AX Semantics.

    Language: German only.

    Themen:

    Uwe: Kaggle Survey

     

    Tin: Adversarial-ML hacking NNs

     

    Wir suchen weitere Vorträge

     

    Wann:

    18. Februar 2020 um 18:30

    Wo:

    Marienstrasse 23, Stuttgart, AX Semantics (2. OG)

    Bitte meldet euch an unter:

    https://www.meetup.com/Machine-Learning-UserGroup-Stuttgart

  10. Bericht MLUGS Treffen im Januar 2020

    Protokoll

    Vorstellungsrunde

    • Andreas, Software-Entwickler, AX-Semantics
    • Uwe, ST2C
    • Florian, Kärcher
    • Alessandro, Security Manager, Bosch
    • Brian
    • Julian, Master-Student, Bosch
    • Thomas, Data-Scientist, AB Sensing
    • Jan, Mathematiker, selbständig
    • Roland
    • Jacob, Data-Scientist, Allianz
    • Ralf, Data-Scientist
    • Jens, Data-Scientist, AKKA
    • Tin, Dozent, DHBW Stuttgart

    +2 Nachzügler

    Jens: alibi und tf-explain

    • Erklärbarkeit ist sinnvoll
    • auch zur Erkennung von falschen labels

    tf-explain

    • https://github.com/sicara/tf-explain
    • sehr nah an tensorflow/keras
    • ermöglicht heatmaps der aktivierungen
    • Visualisierung von Gradienten
    • Occlusion Sensitivity verdeckt Teile des Bildes und erreichnet so die Teile des Bildes, die am meisten zur Erkennung beitragen

    alibi

    Anchors:

    CEM:

    CF:

    Counterfactuals Guided by Prototypes:

    TrustScores:

    Beispiele:

    für Pytorch:

    Tin: Demo streamlit.io

    konkurrenten:

    next

    • Date: 2020-02-18
    • Themen
    • Uwe: Kaggle Survey
    • Tin: Adversial-ML hacking NNs