Tohle je btw zajimavy https://arxiv.org/pdf/1711.10370.pdf, postaveny na Mask R-CNN od FAIR

Neural networks and deep learning
http://neuralnetworksanddeeplearning.com/index.html

UETOYO: Ahoj! Dík za názor, na který máš samozřejmě právo, každopádně my ho tak uplně nesdílíme. Tak se přijď přesvědčit osobně, jestli to tak opravdu je, že by na LambdUpu mohl přednášet opravdu každý. :) Aspoň si poslechneš Tomáše Petříčka, ale věřím, že by tě zaujali i ostatní, včetně Aleše.

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/