Meetup, spotkanie Polish ML Community, odbyło się w Olsztynie 01.07.2023 w sobotę o 13:00 na Wydziale Matematyki i Informatyki UWM w Olsztynie (Słoneczna 54, 10-710 Olsztyn).
Agenda
13:00 – 14:30 – Networking i pizza 14:30 – 17:30 – Prezentacje
- „Widzenie w robotyce – jak algorytmy uczenia maszynowego umożliwiają percepcję robotów”, Bartosz Btak.
- „Eksploracja danych single cell RNA-seq za pomocą uczenia nienadzorowanego”, Anna Mrukwa.
- „Wielomodułowy system wykrywania małych obiektów oparty na głębokich sieciach neuronowych”, Aleksandra Kos.
- „Syntetyczne dane jako technologia wzmacniająca prywatność”, Przemek Sotowski.
17:30 – 18:30 – Networking
After party
Prelekcje
Bartosz Ptak: Widzenie w robotyce – jak algorytmy uczenia maszynowego umożliwiają percepcję robotów
Doktorant na Politechnice Poznańskiej oraz entuzjasta systemów wizyjnych i głębokiego uczenia w robotyce. Uczestniczył w projektach wizyjnych systemów robotycznych nie tylko dla pojazdów naziemnych i latających, ale także dla rozwiązań robotyki kosmicznej.
Abstrakt:
Czym jest robotyka i dlaczego powinna cię zainteresować? Jeśli nie jesteś jeszcze z nią zaznajomiony, to w krótkiej historii wczoraj i potencjału jutra zostanie pokazane, jak wiele możliwości oferuje ta dziedzina. Nie obejdzie się również bez zarysu najnowszych osiągnięć i trendów w robotyce, w tym zastosowania systemów wizyjnych i algorytmów uczenia maszynowego w rzeczywistych problemach. Systemy wizyjne to kluczowy element robotów, umożliwiający im „widzenie” świata i podejmowanie odpowiednich decyzji. Prezentacja odpowie m.in. na pytanie, w jaki sposób już teraz wizyjne systemy robotyczne wpływają na inteligentne rolnictwo i badanie kosmosu.
Anna Mrukwa: Eksploracja danych single cell RNA-seq za pomocą uczenia nienadzorowanego
studentka KIAED PolSl, Deep Learning Engineer w Cufix (DeepDrive.pl)
Jestem Deep Learning Engineerem i zawodowo zajmuję się analizą i przetwarzaniem obrazów. Oprócz tego studiuję na kierunku Data Science i na uczelni biorę udział w projektach związanych z danymi medycznymi, głównie scRNA-seq.
Abstrakt:
Ważnym krokiem w poszerzaniu wiedzy medycznej był rozwój technik sekwencjonowania genomu, wśród których szczególne miejsce zajmuje sekwencjonowanie danych scRNA, ze względu na możliwość uchwycenia aktywności wszystkich genów dla pojedynczej komórki. Zastosowanie tych narzędzi pozwala na badanie heterogenności tkanek i budujących je komórek, umożliwiając rozpoznanie i wgląd w zmiany nowotworowe. Aby sprostać potrzebie właściwego zbadania takich właściwości komórek, powszechnie stosuje się meotdy zarówno klasycznego, jak i głębokiego uczenia maszynowego, które postaram się przybliżyć w tej prezentacji.
Aleksandra Kos: Wielomodułowy system wykrywania małych obiektów oparty na głębokich sieciach neuronowych
Doktorantka na Politechnice Poznańskiej, Deep Learning Developer w Cufix (DeepDrive.pl)
Z wykształcenia jestem magistem inżynierem Automatyki i Robotyki, studia skończyłam na Politechnice Warszawskiej. Zawodowo, od 4 lat zajmuję się wykorzystaniem głębokich sieci neuronowych w analizie obrazu. Na codzień zajmuję się między innymi klasyfikacją, detekcją, czy segmentacją. W szczególności interesuje mnie detekcja małych obiektów na obrazach o wysokiej rozdzielczości – tym zagadnieniem zajmuję się w ramach Doktoratu Wdrożeniowego, który realizuję od dwóch lat we współpracy z Politechniką Poznańską i firmą Cufix.
Abstrakt
Dla małych obiektów, średnia precyzja jest zauważalnie niższa niż dla obiektów o większych rozmiarach. Dodatkowe utrudnienie wprowadza wymaganie działania w czasie rzeczywistym oraz dane wejściowe w postaci obrazów o wysokiej rozdzielczości. Podczas swojej prezentacji omówię wyniki badań, które prowadzę w ramach Doktoratu Wdrożeniowego. W pierwszej kolejności przedstawię wprowadzenie do zagadnienia detekcji małych obiektów, omówię wyzwania z nim związane oraz pokażę przykłady rozwiązań z literatury. Następnie zaprezentuję swój pomysł na rozwiązanie problemu detekcji małych obiektów oraz dotychczasowe wyniki badań. System, nad którym pracuję oparty jest na wielu modułach, które umożliwią działanie w czasie rzeczywistym na urządzeniu wbudowanym. Dodatkowe moduły, poza detektorem, to sieć neuronowa zwracająca obszary potencjalnego występowania obiektów oraz moduł śledzenia obiektów.
Przemysław Sotowski: Syntetyczne dane jako technologia wzmacniająca prywatność
Radca prawny i menadżer. Od kilku lat zajmuje się problematyką sztucznej inteligencji w ujęciu prawnym i etycznym. Członek Grupy Roboczej ds. Sztucznej Inteligencji przy Ministerstwie Cyfryzacji.
Abstrakt:
Prezentacja ma na celu omówienie technologii wzmacniających prywatność ze szczególnym uwzględnieniem syntetycznych danych w ujęciu prawnym. Wskażę cel korzystania z syntetycznych danych, ich potencjalne zastosowania oraz ryzyka z tym związane.