Machine Learning for Science Applications
Machine Learning Journal Club
The IFCA Machine Learning Journal Club is an open appointment for researchers and PhD students of the University of Cantabria for:
- Presenting the research activity related to Machine Learning of different IFCA and UNICAN research groups.
- To review together scientific research papers on the exciting topic of Machine Learning.
The Club hopes to bring together academical researchers from different fields interested in staying up to date on the new frontiers of Machine Learning and Artificial Intelligence. Members will have the opportunity to choose the club’s topics.
The IFCA Machine Learning Club started its activity in December 2018, until the spring of 2019. It then resumed its activities in September 2021.
The presentation material is kept here.
Upcoming events will be announced in this page.
What's next?
Next meeting will be on:
26th of January 2023 at 11:00, in the “sala Luis Pesquera”.
The title of the meeting will be:
Meminimus ergo sumus + Exploring image resolution by the use of super resolution NNs.
The event will be also reachable in zoom:
Contact us to suggest a topic or give a talk on our next meeting.
Title: upcoming
Presenter: upcoming
Date & Place: upcoming
Resume: upcoming
.
Title: Exploring image resolution by the use of super resolution NNs.
Presenter: Maria Peña Fernández
Date & Place: 26/01/2023, 11:00,
Sala Luis Pesquera.
Resume: Nuestros ojos son sensores con una enorme resolución. Sin embargo nuestro cerebro no parece capaz de almacenar tanta información, ¿con qué precisión recordamos por tanto las imagenes que guardamos en nuestra memoria? En un trabajo previo sobre las aplicaciones de superresolución, se han analizado las métricas de calidad de comparación de imagenes, y su variación dependiendo de la arquitectura de la red. En esta presentación se resumirá dicho trabajo, y se presentarán algunas ideas a aplicar en el caso en que nuestro cerebro codifique las imagenes en los engramas mediante autoencoders u otras redes neuronales similares.
Title: Meminimus ergo sumus
Presenter: Jesus Marco
Date & Place: 26/01/2023, 11:00 am,
Sala Luis Pesquera.
Resume: A pesar de la evidencia de la existencia de engramas como estructuras que soportan la memoria en nuestros cerebros, no existe un marco consensuado en neurociencia que describa cómo se implementan físicamente. En esta presentación proponemos una aproximación didáctica a este reto desde una perspectiva de aprendizaje automático, considerando dos técnicas útiles: autoencoders y transformers.
Inspirándonos en los autoencoders, consideramos la existencia potencial de espacios neuronales latentes como base para almacenar y recuperar información comprimida en nuestros cerebros, apoyando el aprendizaje guiado por el poder predictivo: los autoencoders están diseñados para hacer coincidir la información reconstruida con la información original recibida, un atractivo argumento evolutivo.
También consideramos cómo distintos espacios neuronales latentes, correspondientes a distintas entradas sensoriales externas e internas, podrían conectarse mediante activación sincrónica, lo que podría servir de base para una implementación dispersa de las llamadas células de concepto.
Title: Ultra fast simulation algorithm for Muon Tomography
Presenter: Ruben Lopez Ruiz
Date & Place: 10/11/2022, 11:00, Sala Luis Pesquera
Resume: Muon tomography is a Non-Destructive Testing technique that consists in using cosmic muons as a probing tool, in order to generate images of objects from the information given by the interaction with the muons. The development and application of this technique requires the production of considerable amounts of simulation data. We explored the use of Generative Adversarial Networks (GAN) in muon tomography applications as a way of generating simulation data in a faster and less computationally expensive way.
.
Title: Federated Learning.
Presenter: Judith Sáinz-Pardo Díaz.
Date & Place: 13/07/2022, 11:00,
Sala Maria Curie.
Resume: In Distributed machine learning the workload to train a model is split up and shared among multiple nodes in order to improve performance, increases accuracy, and scaling to larger input data sizes. We will talk of Federated Learning, Federated Learning vertical, horizontal, Gossip Learning among others.
Title: Deep Learning en las Ciencias Atmosféricas
Presenter: Jorge Baño
Date & Place: 22/03/2022, 11:00 am,
Sala Maria Curie.
Resume: En la última década las redes neuronales profundas han revolucionado diversas aplicaciones en el ámbito de la inteligencia artificial, como el reconocimiento de voz y la visión por ordenador. En esta charla se abordará la integración de estos modelos en el campo de las ciencias atmosféricas, con un particular énfasis en la regionalización del clima.
Title: ML in Heathcare.
Presenter: Miriam Cobo Cano.
Date & Place: 25/01/2022, 11:00,
Sala Maria Curie.
Resume: The benefits Machine Learning such as, increased level of accuracy and rapidly solving problems which take days for humans to solve manually can be of great interest for Healthcare.Today we will see some of these applications.
Title: Machine Learning in Astronomy
Presenter: Diego Tuccillo, PhD.
Date & Place: 30/11/2021, 11:00 am,
Sala Maria Curie.
Resume: As astronomers build increasingly larger observatories capable of seeing more objects in the sky, the amount of data they collect makes it increasingly necessary to use Machine learning techniques.
Title: SPARK Serendipity at CERN
Presenter: Pablo Martinez Ruiz, PhD
Date & Place: 23/09/2021, 11:00 am,
Sala Maria Curie.
Resume: Charla a cargo de Pablo Martinez Ruiz quien nos contará sobre las actividades de Machine Learning que se están llevando a cabo en el contexto del CERN, seguido de la retransmision de parte del evento Spark en el tema de Future Intelligence.
The organizers acknowledge support from Universidad de Cantabria and Consejería de Universidades, Igualdad, Cultura y Deporte del Gobierno de Cantabria via the “instrumentación y ciencia de datos para sondear la naturaleza del universo” project.