MLUGS

Protokoll

Teilnehmer

• Andreas, Software-Entwickler, AX-Semantics
• Alex, Security Manager, Bosch
• Silvana, Data Scientist, autoRetouch

Alex: "And/or trade-off in artificial neurons: implications for interpretability and adversarial robustness"

• Paper: https://arxiv.org/abs/2102.07389v1
• Einführung: adversial Beispiele; wie funktionieren Neuronen?
• AND vs. OR neuronen
• 4 measures, um besser mit Streuungen klar zu kommen bei einer adversial attack (MNIST Dataset)

misc

• Zipf's Law
• Neural String Edit Distance

längere Diskussion über Neuronen und KI; General Artificial Intelligence; Semantik; Neurolingustik; Lexikalität

Bonus:

next

• date: 2021-09-21
• talks:
  • wir suchen vorträge. meldet euch.

Im Juni findet das letzte virtuelle MLUGS-Treffen vor der Sommerpause statt.

Vorträge (10-15 Minuten/Vortrag):

• Alex: "And/or trade-off in artificial neurons: implications for interpretability and adversarial robustness"

• Ihr könnt noch Vorträge vorschlagen

Wir werden Zoom verwenden.

Wann:

15. Juni 2021 um 18:30

Wo:

virtuell. Zoom.

Bitte meldet euch an unter:

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

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, Sprachverarbeitung (NLP, NLG)
• Uwe, ST2C, Laserkommunikation im All
• Jens, Data-Scientist, AKKA
• Thomas, Data Scientist, Schwarz Dienstleistungen
• Philip, Student Informatik (Data Science), DHBW & HPE
• Paul, Student HS Esslingen

(insg. 9 Teilnehmer)

Uwe: Machine learning Ansätze für Adaptive Optik Systeme

basics:

• atmospherische störungen rausrechnen, um das laser-signal zu verbessern

Vier paper werden in dem talk vorgestellt:

1. An all-photonic focal-plane wavefront sensor (October 2020)

   • https://www.nature.com/articles/s41467-020-19117-w
   • Uwe hat die daten aus dem paper
   • laserlicht wird auf ein feld gemappt -- dabei kann man die phaseninformation bekommen
   • liefert eine baseline architektur für das problem: ein einfaches NN

2. Direct determination of aberration functions in microscopy by an artifical neural network (May 2020)

   • https://www.osapublishing.org/oe/fulltext.cfm?uri=oe-28-10-14511&id=431335
   • 3 layer ANN
   • vorteil des systems: sehr schnell

3. Machine learning for image-based wavefront sensing

   • https://ml4physicalsciences.github.io/2019/files/NeurIPS_ML4PS_2019_107.pdf
   • resnet
   • unet / unet++
   • bild zu phasenverteilung

4. Wavefront prediction using artificial neural networks for open-loop Adaptive Optics

   • https://arxiv.org/abs/2005.14078
   • stacked LSTM
   • prediction des nächsten timestep

Paul: Modellierung der Verbreitung von Wallboxen anhand soziodemografischer Daten

• Teilgebiet Masterthesis
• welchen einfluss hat die emobilität auf unser stromnetz - und viel hält unser stromnetz aus?
• was für einen einfluß haben/hätten wallboxen
• datenbasis zu bevölkerung, kaufkraft, gebäuden, personen -> daraus ausrechnen ob da wallboxen installiert sind
• "species distribution modelling" als vorbild für die flächenmodellierung
• classifier: logistic-regression; svm; keras

misc

• FNet: Mixing Tokens with Fourier Transforms

next

• date: 2021-06-15 -- das letzte mal vor der Sommerpause (Juli+August)
• talks:
  • wir suchen vorträge. meldet euch.

Auch im Mai findet ein virtuelles MLUGS-Treffen statt.

Vorträge (10-15 Minuten/Vortrag):

• Uwe: Machine learning Ansätze für Adaptive Optik Systeme
• Paul: Modellierung der Verbreitung von Wallboxen anhand Soziodemografischer Daten

• [open slot]

• Ihr könnt noch Vorträge vorschlagen

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:

18. Mai 2021 um 18:30

Wo:

virtuell. Zoom.

Bitte meldet euch an unter:

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

Protokoll

Intro

Das Ziel der MLUGS ist der Austausch über Machine-Learning-Themen.

Teilnehmer

• Andreas, Software-Entwickler, AX-Semantics, Sprachverarbeitung (NLP, NLG)
• Uwe, ST2C, Laserkommunikation im All
• Till Lorentzen, Software Engineer, autoRetouch
• Jens, Data-Scientist, AKKA
• Paul, Student, HS Esslingen
• Silvana, Data Scientist, autoRetouch

• Robert, Biologe & Gründer, Curedatis

• weitere

Silvana, Till, Uli: ML in Produktion bei autoretouch

• produkt macht (u.a.) freistellen von Fotos
• ermöglicht batch-processing von größerer menge fotos
• läuft in der Google Cloud
• businesslogic in spring und mittels camunda BPMN engine für die Retouche Prozesse (java) ... ML components in microservices Python
• semantic segmentation: deeplab v3+ -- encoder-decoder - atrous-separable-convolution-semantic-segmentation
• problem: sehr hohe auflösung (4k); hohe qualitätsanforderungen
• generative modelle sind noch nicht gut genug

Robert: Automatisierte Analyse medizinischer Daten z.B. aus Studien mit Hilfe von NLP bei CUREDATIS.

• heute hat man eher zuviele wissenschaftliche arbeiten -> schwer den überblick zu behalten
• in den publikationen die interessanten dinge annotiert
• proof-of-concept mit bi-lstm + CRF + glove vectoren
• https://en.wikipedia.org/wiki/Named-entity_recognition
• https://en.wikipedia.org/wiki/SpaCy
• https://allenai.github.io/scispacy/

Paul: Anomalieerkennung mit Hilfe eines Komprimierungsalgorithmus am Beispiel von Daten aus dem Schlaflabor

• context tree weighting (CTW)
• arousal regionen finden mit CTW
• Input: ekg-daten, brustumfang, luftzufuhr, ...
• output: arousal-score
• problem: viele zeitreihen; keine klare trennung der score am ende

misc

• On the Dangers of Stochastic Parrots: Can Language Models Be Too Big?

next

• date: 2021-05-18
• talks:
  • Uwe: Adaptive Optik

Auch im April findet ein virtuelles MLUGS-Treffen statt.

Vorträge (10-15 Minuten/Vortrag):

• Silvana: ML in Produktion bei autoretouch
• Robert: Automatisierte Analyse medizinischer Daten z.B. aus Studien mit Hilfe von NLP bei CUREDATIS.
• Paul: Anomalieerkennung mit Hilfe eines Komprimierungsalgorithmus am Beispiel von Daten aus dem Schlaflabor

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. April 2021 um 18:30

Wo:

virtuell. Zoom.

Bitte meldet euch an unter:

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

Protokoll

Intro

Das Ziel der MLUGS ist der Austausch über Machine-Learning-Themen.

Teilnehmer

• Andreas, Software-Entwickler, AX-Semantics, Sprachverarbeitung (NLP, NLG)
• Uwe, Laser Kommunikation im All, ST2C
• Burkhard, Softwareentwickler, eXXcellent solutions, NLP & IoT
• Silvana, Data Scientist, autoRetouch
• Jens, Data-Scientist, AKKA
• Tin, Unternehmer und Dozent, DHBW + Reutlingen + Tübingen, Software-Entwickler, ML + CV + Python
• Paul, Student Angewandte Informatik

+6 weitere

Jürgen: Find 'em all - Deep Learning für die Suche nach archäologische Stätten

• mit Satellite und Lidar kann man archaeologische Stätten finden
• erster Versuch (finden von Kohlemeilern) mit ResNet-34, sliding window prediction mit fastai
• zweiter Versuch (alte Straßen - Ochsenkarrenwege) auch ResNet-34
• dritter Versuch (Hügelfestungen aus der Bronze-/Eisenzeit)
  • in England hat es dafür einen Datensatz mit dem trainiert wurde
  • oft bleiben die gräben übrig, die Häuser weniger
  • auch wieder ResNet-34
  • Falscherkennung von Fischteichen

• ML in der archaeologie:

  • wenig samples - wenig balanced
  • Accuracy ist keine gute Score: besser MCC und Kappa-Score
  • es ist besser mehr/etwas zu finden, als die ganze Karte mit Menschenaugen abzusuchen
  • in GB und NL sind Lidar-Daten frei verfügbar

• https://www.swr.de/swraktuell/baden-wuerttemberg/stuttgart/erkenbrechtsweiler-keltische-siedlung-heidengraben-100.html

Tin: Graph Neural Networks

• must read papers: https://github.com/thunlp/GNNPapers
• Repo mit Code und Slides: https://github.com/tvotan/mlugs_gnn
  • am beispiel von graphen basierend auf chemischen molekülen
  • code braucht python 3.7 weil conda für rdkit verwendet wird

misc

• Nachtrag zum letzten Mal:
  • Demo des aktuellen Zustands des Genus Classifiers
  • https://genus.research.qax.io/

next

• date: 2021-04-20
• talks:
  • Uwe: Adaptive Optik

Auch im März findet ein virtuelles MLUGS-Treffen statt.

Vorträge (10-15 Minuten/Vortrag):

• Jürgen - Find 'em all - Deep Learning für die Suche nach archäologische Stätten
• Tin: Graph Neural Networks

• [open slot]

• Ihr könnt noch Vorträge vorschlagen

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:

16. März 2021 um 18:30

Wo:

virtuell. Zoom.

Bitte meldet euch an unter:

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

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
• Gerardo, Datenanalyst und Cybersec
• Frank Stöckel, Coach/Berater/Trainer bei HOOD GmbH Oberhaching
• Tin, Unternehmer und Dozent
• Deniz, Student
• Paul, Student

+5

Andreas: Erfahrungen mit Google AutoML

slides: https://github.com/mfa/talks/blob/master/20210216--google-automl/slides.md

Tin: A Regression Approach to Speech Enhancement Based on Deep Neural Networks

• https://paperswithcode.com/paper/phase-aware-speech-enhancement-with-deep-1

next

• date: 2021-03-16

• talks:

  • (meldet euch wenn ihr Vorträge habt!)
  • ML Flow: https://databricks.com/de/session_eu20/deterministic-machine-learning-with-mlflow-and-mlf-core

Auch im Februar findet ein virtuelles MLUGS-Treffen statt.

Vorträge (10-15 Minuten/Vortrag):

• Andreas: Erfahrungen mit Google AutoML
• Tin: A Regression Approach to Speech Enhancement Based on Deep Neural Networks

• [open slot]

• Ihr könnt noch Vorträge vorschlagen

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:

16. Februar 2021 um 18:30

Wo:

virtuell. Zoom.

Bitte meldet euch an unter:

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