Főmenü

Előadások

Képi klasszifikáció alapjai

sze, 2011-11-23 10:34
Daróczy Bálint
2011-11-24 10:15

A következő szemináriumon a képi klasszifikáció alapjairól szeretnék
beszélni, áttekintő jelleggel:
1. Képfeldolgozás -> alacsony szintű leírók: SIFT, LBP, HOG stb.
2. Modellezés -> generatív modellek: K-means, GMM
3. Magas-szintű leírók: Vector Quantization, Super-Vector, Fisher
vector változatok
4. Egyéb modalitások: szöveg és detekció
5. Tanítás: Multiple Kernel és Multi-class learning

VisWeek élménybeszámoló

h, 2011-11-21 16:06
Göbölös-Szabó Julianna
2011-11-10 10:15

A csütörtöki szemináriumon élménybeszámolót tartok az idei VisWeek konferenciáról. Mesélek a VAST Challenge Workshopról: tapasztalatokról és hogy mi várható a jövő évi versenyen. Kiemelek néhány általam érdekesnek talált cikket, ötletet a VAST ( Visual Analytics Science and Technology) és InfoVis témákból.

VLDB élménybeszámoló

h, 2011-11-21 16:05
Sidló Csaba
2011-09-29 10:15

Az eheti szemináriumon élménybeszámolót tartok az idei VLDB (Very Large Databases) konferenciáról, aminek QDB (Quality in Databases) workshop-ján szerepeltünk előadással. Kiemelek néhány általam érdekesnek tűnő trendet, illetve kitérek néhány érdekesebb cikkre röviden, beleértve a sajátunkat is azonosságfeloldás témával.

Link analízis gyorstalpaló

h, 2011-11-21 16:04
Benczúr András
2011-09-22 10:15
  • PageRank és személyre szabott PageRank.
    - Kapcsolat véletlen sétákkal
    - Elemi bizonyítás a konvergenciasebességre
    - Út-ujjlenyomatok
  • Simrank és hasonlóságmértékek
  • HITS
    - Mátrixok szinguláris felbontása
    - Geometriai jelentés, ellipszoid
    - Spektrál gráf vetítés

Időt az időért időben

h, 2011-11-21 16:04
Bánfi Norbert
2011-09-08 11:00

Napirend: Az Atrium hatékony használata, mindenféle kis finomsággal, hogy átlátható, logikus és hatékony legyen a feladatkezelés az intézeten belül.

Az előadás: http://prezi.com/metpjvfc94hb/atrium/

Lioma, Christina Amalia: Part of Speech n-Grams for Information Retrieval

h, 2011-11-21 16:02
Nemeskey Dávid
2011-05-12 10:15

A szöveges keresésben ma használt módszerek többsége a bag-of-words modellen alapul, azaz pusztán a szavak dokumentumokban előfordulásának számát veszi figyelembe, azok nyelvi tulajdonságai, szerepe kiaknázatlan marad. Az előadáson tárgyalt dolgozat azt járja körül, hogy miként lehet a nem-lexikális statisztikákat, jelen esetben a szófajokat is figyelembe venni a rangsorolás során.

Deep Learning

h, 2011-11-21 16:01
Kocsis Levente
2011-04-14 10:15

Sok területen szembesülünk olyan komplex függvényekkel melyek könyebben leírhatóak sokrétegű modellekkel. Noha többrétegű neurális hálók alkalmasak lehetnének ilyen esetekben, a hagyományos szupervizált tanuló algoritmusokkal leggyakrabban nagyon gyenge lokális optimumokban akadunk el. Természetes, ha jobb lokális optimumok közeléből indítjuk a tanulást akkor a tanulóalgoritmusoknak könnyebb feladatuk marad. E célból olyan nem szupervizált módszereket vizsgálunk melyek képesek a neurális hálók súlyait inicializálni, kinyerve egyben a tanuló adatban meglevő struktúrát.

Gyakori elemhalmazok tömör reprezentaciója

h, 2011-11-21 16:01
Göbölös-Szabó Julianna
2011-04-07 10:15

A gyakori elemhalmazok kinyerésekor sokszor szembesülünk azzal a problémával, hogy a felhasznaló számára feldolgozhatatlan mennyisegű elemhalmazt kapunk válaszként. Célunk, hogy ezeket tömörítve könnyen áttekinthető halmazgyűjteményt kapjunk, ami ugyanakkor megőrzi az eredeti válasz jellemzőit is. Erre a feladatra nézunk három különböző modellt:
1, Pusztán kombinatorikus megközelítéssel átfedő klasztereket képezhetünk a gyakori termékhalmazokból.
2, Naiv valószínűségi modellt alkalmazva fix számú klaszterre oszthatjuk a gyakori elemhalmazok terét.

BSP & gráfalgoritmusok

h, 2011-11-21 16:00
Erdélyi Miklós
2011-03-24 10:15

Az előadás témája a Bulk Synchronous Parallel (BSP) programozási modell használata lesz gráfalgoritmusok implementálására. Miért jó a BSP gráfalgoritmusok elosztott megvalósítására? Hogyan lehet gráfalgoritmusokat megadni ebben a modellben? Milyen implementációs problémák merülnek fel? Konkrét példaként megnézzük, többek között hogy lehet egy véletlen sétákon alapuló hasonlóságkereső algoritmust implementálni statikus és dinamikusan változó gráfokon.

Oldalak