会谈

《变形金刚
2021年8月。邀请演讲PyData吉达
幻灯片] [代码] [视频

近年来,基于深度学习的变压器模型彻底改变了自然语言处理。首先,这次演讲将解释变形金刚是如何工作的。然后,我们将研究一些流行的变形金刚,如GPT和BERT,并了解它们的不同之处。了解了这一点之后,我们将看看如何调整BERT模型,以便在Python中进行情感分类。



生成式对抗网络导论
2021年7月。应邀在
格但斯克深度学习国际暑期学校
幻灯片] [代码

本讲座介绍生成式对抗网络(GANs)背后的主要概念,并解释优化生成子网络和鉴别子网络的目标函数背后的主要思想。实践示例包括在PyTorch中实现的用于手写数字和人脸生成的gan。最后,本演讲总结了近年来出现的一些主要里程碑式GAN架构。



基于生成式对抗网络的隐私增强人脸识别
2021年7月。应邀在大会上发表主旨演讲
第十四届国际会议
人机交互(HSI 2021)
幻灯片] [视频

在介绍了人脸识别和软生物特征属性挖掘背后的主要概念(即提取信息,如年龄、性别、种族、健康信息等)之后,本演讲讨论了在人脸识别系统中隐藏软生物特征信息的不同方法。在介绍了主要的方法之后,讨论集中在PrivacyNet架构,这是一个基于gan的集体和选择性面部隐私的方法。



现代机器学习:最新技术介绍
2021年4月。受邀在陈-扎克伯格倡议大会上演讲
种子网络计算生物学会议。
幻灯片

本讲座旨在介绍和解释大型复杂数据预测建模最相关的方法。第一部分讨论了基于机器学习和深度学习的图像、文本和表格数据的已建立和验证的方法。第二部分概述了构建基于深度学习的下一代预测模型的最新研究方向和有前景的方法。



Python中的机器学习:最新趋势、技术和挑战
2021年3月。邀请演讲ODSC东2021
幻灯片

本次讲座的第一部分涵盖了深度学习的硬件和软件的最新进展。beplay手机绑定第二部分主要介绍了当前深度学习面临的挑战以及近期的研究进展。



Python中的机器学习:最新趋势、技术和挑战
2020年4月。应邀在尼日利亚哈科特港人工智能学院演讲。
幻灯片

本次讲座的重点是机器学习的最新趋势,包括硬件和软件。beplay手机绑定特别关注的是Python科学计算生态系统和当代深度学习库。



机器学习和人工智能在2020:最近的趋势,技术和挑战
2020年3月。受邀在波士顿ODSC East 2020演讲。
幻灯片

甚至在不到10年前,机器学习还是少数精英的职业。如今,我们不需要成为数学或工程奇才就能实现最先进的预测模型。计算硬件的进步,特别是使用gpu训练深度神经网络,使得开发预测模型成为可能,在各种自然语言处理和图像识别挑战中达到人类水平的表现。使我们能够利用这些硬件资源beplay手机绑定的多种软件层和api变得非常方便。在这次演讲中,我将重点介绍过去一年的研究、技术进步和趋势,涉及gpu加速的机器学习和深度学习,并着重介绍实现它的最深刻的硬件和软件范例。beplay手机绑定



基于机器学习和人工智能的GPCR生物活性配体发现方法
2019年9月。应邀参加剑桥健康技术研究所第14届基于gpcr的年度药物发现目标会议发现,波士顿,MA。
幻灯片

本次演讲将概述使用机器学习自动发现生物活性配体的最新进展。具体应用包括发现一种强GPCR信息素抑制剂,以及利用GPCRs的灵活和刚性刚性状态来预测GPCR是否处于活性和非活性的预测模型。最后,演讲总结了深度学习的最新进展,这些进展旨在通过使用深度学习技术的自动表示学习取代手工工程分子表示的需要。



基于卷积神经网络的人脸图像个人特征预测与隐藏。
2019年7月。大会主旨演讲深度学习国际暑期学校波兰格但斯克。
幻灯片

近年来,我们发展了许多2019年7月。以深度学习为中心的应用程序,增强我们的日常生活。然而,随着越来越多的数据被收集和提取,对用户隐私的保护和尊重已成为一个大问题。首先,本次演讲将介绍从面部图像中提取软生物特征的方法——软生物特征包括一个人的年龄、性别、种族和健康状况。然后,我将介绍旨在隐藏软生物识别信息以增强用户隐私的方法。然而,许多有用的安全相关应用依赖于人脸识别技术来进行用户验证和认证。因此,所提出的方法关注于一个双重目标:在保留这些图像用于人脸匹配的效用的同时,隐藏可以从人脸图像中获得的个人信息。



赋予人脸图像隐私性:设计半对抗神经网络用于多目标优化任务
2018年4月。应邀在汤汤音乐节上演讲应用机器学习会议.弗吉尼亚州夏洛茨维尔。
幻灯片

在这次演讲中,我将介绍一种新的神经网络结构,半对抗神经网络,我们开发的这种神经网络可以使一个分类器的性能最小化,同时使另一个分类器的性能最大化。然后,将该方法应用于干扰人脸图像,例如生物特征人脸匹配受到的影响最小,而软生物特征属性(例如,性别信息)变得不可访问,作为一种向人脸图像传递隐私的手段。



Python机器学习
2018年2月。工作坊邀请讲座密歇根州立大学科学数据密歇根州东兰辛市
幻灯片

本课程将介绍机器学习,包括回归分析、分类、模型评估等重要概念,以及用于实验的工具。在工具方面,重点是Python的scikit-learn机器学习库,但也引入了TensorFlow和PyTorch。



揭示分子识别的隐藏模式
2017年12月。论文在密歇根州立大学.东兰辛,MI。
幻灯片

1958年,约翰·肯德鲁的团队以6Å的分辨率确定了肌红蛋白的三维结构。第一次看到蛋白质折叠在当时是一个突破。现在,半个多世纪过去了,实验和计算技术都有了很大的进步,我们对蛋白质和配体相互作用的理解也有了很大的提高。然而,还有许多未解决的问题和有待发现的模式。本演讲讨论了对与生物配体结合的非同源蛋白的大型数据集的分析,以测试从不同抑制剂发现项目的观察中产生的一个假设:“蛋白质倾向于向配体提供h键,而避免使用既有h键供体又有h键受体的基团。”



建立基于假设的虚拟筛选管道,筛选数百万个分子
2017年11月。应邀在ODSC West演讲。旧金山,CA。
幻灯片

在这次演讲中,我将介绍一种新颖的、假设驱动的过滤策略和虚拟筛选的开源工具包Screenlamp,它是我开发的,并成功地应用于识别脊椎动物中g蛋白耦合受体介导信号传导的有效抑制剂。超越仅仅识别有效的蛋白质抑制剂,我将讨论将计算预测与实验知识相结合的技术。利用实验数据,引入监督特征选择和提取技术,使用开源机器学习库(如scikit-learn)识别生物活动的判别因子。



基于TensorFlow的深度学习简介
2017年8月。邀请演讲PyData安阿伯.安阿伯市,MI。
幻灯片

讨论如何将数学函数表示为计算图,计算导数,以及使用TensorFlow方便高效地实现复杂的深度神经网络。



机器学习和性能评估
2016年11月。邀请演讲DataPhilly.费城,宾夕法尼亚州。
幻灯片

每天在科学研究和商业应用中,我们都依赖于统计和机器学习作为预测建模的支持工具。为了满足我们对不确定性建模、预测趋势和预测未来可能发生的模式的愿望,我们开发了一个巨大的决策工具库。换句话说,我们学会了利用计算机来复制真实世界,做出更定量的直觉决策,标记未标记的数据,预测趋势,并最终试图预测未来。现在,无论我们是将预测建模技术应用于我们的研究还是业务问题,我们都希望做出“好的”预测!



利用界面刚度检测天然配体取向
2016年10月。受邀在2016年BMB部门静修会上演讲。东兰辛,MI。
幻灯片

提出了一种基于图论的蛋白质配体对接模式预测方法。



数据科学入门
2016年9月。Inivited说话时密歇根州立大学数据科学.东兰辛,MI。
幻灯片

在我们新的密歇根州立大学数据科学俱乐部介绍数据科学。



学习Scikit-learn -机器学习介绍在Python2016年8月。Inivited说话时PyData Chigaco 2016.芝加哥。
幻灯片

介绍机器学习在PyData芝加哥。



机器学习与Scikit-learn
2016年7月。2016年SciPy机器学习研讨会。奥斯汀,得克萨斯州。
课程材料



利用图论的刚度分析预测蛋白质配体结合模式的新方法。
2015年2月。生物分子科学网关.东兰辛,MI。
幻灯片



引论监督机器学习和模式分类:大图
2015年2月。美国密歇根州立大学下一代生物信息学研讨会。东兰辛,MI。
幻灯片



音乐情绪——基于歌词的自动音乐情绪预测的机器学习
2014年12月。PSA集团的研讨会。东兰辛,MI。
幻灯片



播客