Der Erfolg von tiefen neuronalen Netzwerken in verschiedenen Bereichen wie der Bilderkennung und der natürlichen Sprachverarbeitung war in den letzten Jahren herausragend. Klassisches maschinelles Lernen und Deep-Learning-Algorithmen können jedoch nur die wahrscheinlichsten Lösungen vorschlagen und sind nicht in der Lage, Unsicherheiten angemessen zu modellieren.

In diesem Vortrag von der ML Conference zeigt Chi Nhan Nguyen, wie eine angemessene Modellierung von unsicherem Wissen und Denken zu informativeren Ergebnissen führt, die für eine bessere Entscheidungsfindung genutzt werden können. In letzter Zeit gab es viele Fortschritte bei der Kombination des probabilistischen Paradigmen mit tiefen neuronalen Architekturen. In der Vergangenheit fehlte den computergestützten probabilistischen Methoden und Werkzeugen die nötige Skalierbarkeit und Flexibilität für große Datensätze und viel-dimensionale Modelle. Der Speaker wird eine Einführung in die probabilistische und tiefe probabilistische Modellierung mit der skalierbaren probabilistischen Programmiersprache Pyro geben, die auf PyTorch läuft. Auch Beispiele aus der Praxis werden im Talk gezeigt, bei denen die Ergebnisse eindeutig von einem probabilistischen Ansatz profitieren.

Applying Machine Learning online at Scale

by Jon Bratseth (Verizon)

Interpretable Machine Learning – Application to Finance and Banks

by Debjyoti Paul (Amazon)

Der Speaker: Chi Nhan Nguyen

As a high-energy physicist, he has spent many years researching at facilities such as CERN, Fermilab and DESY and has implemented and used machine learning techniques for data analysis.
For several years, he has been working as a data scientist in the private sector, where he focuses on developing probabilistic models and deep learning methods.