KALICOR: to rozhodne :-)

SOPTIK: taky pekne mastna pokud te AI nezivi :D

FYI - velka akce, asi nejvetsi ML akce v CR https://www.mlprague.com/

F89: Ale na druhou stranu, to že o tom může přednášet Franta Vomáčka, je vlastně důkaz, že se FP stáva mainstreamem -- což je dobře. Tak to berete jako takový nedělní klábosení -- jsem zrovna u piva :D.

F89: Prosím, to opravdu není žádný "hate" --- jen mne překvapuje že nesáhnete po nějakých fundovaných lidech, třeba Radek Miček pro OCaml/F#/Scala: https://github.com/radekm

F89: Aleš Rubíček je přeci web developer samouk -- nic proti, taky jsem "skoro" samouk v programování, ale může dnes každý kdo si sáhl na machine learning přednášet? Spíš mi to přijde že jste našli kohokoliv kdo dělá s Clojure, Jinak Tomáš Petříček je první třída, díky!

JINX: Zalezi, jak "daleko" od sebe jsou trenovaci a testovaci data, jak je velky feature space atd, jestli nejsou jednoduse separabilni a nestacil by obyc linearni klasifikator. 100% na testovacich datech je ale podezrele :-) taky zalezi, jak metriky pocitas, jak jsou tridy vyvazeny atd.

JINX: a jak to vypada s jinymi modely? jedna rychlovka, co bych zkusil, je natrenovat decision tree a podivat se, co dela na testovacim datasetu. pokud tam je taky 100%, tak jedna nebo vice feature holt to dokaze perfektne oddelit.

LUDWIG_: na testovacim datasetu, ten ma velikost pres 200 zaznamu.

JINX: ta uspesnost je na cem? na testovaci dataset, nebo na k-fold krizove validaci?

Mohl bych se prosim zeptat jaky mate nazor na neuronku ktera ma 100% uspesnost pri klasifikaci? IMHO je preucena protoze kdyz snizim trenovaci dataset z 10000 zaznamu radove mene (treba 2000) dostanu uspesnost cca 96 procent. Pouzivate nekdo nejake testovaci kriterium kdy zjistit zda neuronka je preucena a kdy ne?

V tomhle článku jsou asi dobré postřehy... je i docela čerstvý, ale s GPU se to mění každý měsíc...: http://timdettmers.com/2017/04/09/which-gpu-for-deep-learning/

Dneska na coursera

Applied Machine Learning in Python
https://www.coursera.org/learn/python-machine-learning

About this course: This course will introduce the learner to applied machine learning, focusing more on the techniques and methods than on the statistics behind these methods. The course will start with a discussion of how machine learning is different than descriptive statistics, and introduce the scikit learn toolkit. The issue of dimensionality of data will be discussed, and the task of clustering data, as well as evaluating those clusters, will be tackled. Supervised approaches for creating predictive models will be described, and learners will be able to apply the scikit learn predictive modelling methods while understanding process issues related to data generalizability (e.g. cross validation, overfitting). The course will end with a look at more advanced techniques, such as building ensembles, and practical limitations of predictive models. By the end of this course, students will be able to identify the difference between a supervised (classification) and unsupervised (clustering) technique, identify which technique they need to apply for a particular dataset and need, engineer features to meet that need, and write python code to carry out an analysis.

SOPTIK: jo to vypada docela pekne, popremyslim jestli dava smysl to do Kerasu prepsat. Puvodne jsem tedy myslel ze kdyz ulozim natrenovany model, tak jej pak jen prozenu nejakym nastrojem ktery mi pozadovane vystupy vyplivne.

JINX: pokud pouzivas keras tak pekny je toto https://github.com/keplr-io/quiver

Mohl bych se prosim zeptat jakym zpusobem lze vizualizovat konvolucni vrstvy, pripadne celou naucenou sit? (zkousel jsem podle zdrojaku ruznych examplu vyexportovat summary do logu a pak pouzit tensorboard - nicmene tady se vubec nic nezobrazovalo)