4e UGent Datascience seminar

4th UGent Data Science seminar: Prof. Johan Suykens (vergrote weergave)

4th UGent Data Science seminar: Prof. Johan Suykens

(23-02-2018) Prof. Tijl De Bie (IDLab) organiseerde op 22 februari 2018 het 4de Datascience Seminar. Deze keer verwelkomde hij Prof. Johan Suykens (KU Leuven) die sprak over Deep Restricted Kernel Machines.

Diep leren', support vector machines en kernel-gebaseerde methoden zijn krachtige methoden voor machinaal leren en data-gedreven modellering. In deze lezing werden de belangrijkste principes uitgelegd van zogenaamde Deep Restricted Kernel Machines (Deep RKM). Deze nieuwe klasse van methoden veralgemeent zowel diepe feedforward neurale netwerken als diepe kernel machines, door middel van primair-duale representaties.
Restricted Kernel Machines (RKM) worden gekenmerkt door observeerbare en verborgen variabelen, vergelijkbaar met Restricted Boltzmann Machines (RBM), door gebruik te maken van geconjugeerde feature dualiteit. Er werden voorbeelden gegeven van Deep RKM-modellen die uit meerdere LS-SVM- en kernel-PCA-niveaus bestaan en van het trainen van diepe feedforward neurale netwerken met deze nieuwe benadering.

Bio:
Prof. Johan SuykensProf. Johan A.K. Suykens werd geboren in Willebroek op 18 mei 1966. Hij behaalde een masterdiploma in Elektrotechniek en een doctoraat in de Toegepaste Wetenschappen aan de KULeuven in 1995. In 1996 was hij als Visiting Postdoctoral Researcher verbonden aan de University of California, Berkeley. Hij was een postdoctoraal onderzoeker bij het Fonds voor Wetenschappelijk Onderzoek FWO-Vlaanderen en is momenteel hoogleraar aan de KU Leuven. Hij is auteur van de boeken "Artificial Neural Networks for Modeling and Control of Non-linear Systems" (Kluwer Academic Publishers) en "Least Squares Support Vector Machines" (World Scientific), co-auteur van het boek "Cellular Neural Networks, Multi -Scroll Chaos and Synchronization "(World Scientific) en redacteur van de boeken: "Nonlinear Modeling: Advanced Black-Box Techniques"(Kluwer Academic Publishers), "Advances in Learning Theory: Methods, Models and Applications "(IOS Press) en" Regularization, Optimization, Kernels, and Support Vector Machines "(Chapman & Hall / CRC). In 1998 organiseerde hij een internationale workshop over Nonlinear Modelling with Time-series Prediction Competition. Hij was associate editor voor de IEEE Transactions on Circuits and Systems(1997-1999 en 2004-2007), de IEEE Transactions on Neural Networks (1998-2009) en de  IEEE Transactions on Neural Networks and Learning Systems (vanaf 2017). Hij ontving een IEEE Signal Processing Society 1999 Best Paper Award en verschillende Best Paper Awards op internationale conferenties. Hij werd beloond met de International Neural Networks Society INNS 2000 Young Investigator Award, voor belangrijke bijdragen op het gebied van neurale netwerken.

Hij was werkzaam als directeur en coordinator van het NATO Advanced Study Institute on Learning Theory and Practice (Leuven 2002),  medevoorzitter van het programma voor de International Joint Conference on Neural Networks 2004 en het International Symposium on Nonlinear Theory and its Applications 2005 ,  organisator van het International Symposium on Synchronization in Complex Networks 2007, medeorganisator van de  NIPS 2010 workshop on Tensors, Kernels and Machine Learning, en voorzitter van ROKS 2013. Hij ontving een ERC Advanced Grant 2011 ontvangen en werd IEEE Fellow 2015 voor het ontwikkelen van least squares support vectormachines.

 

foto's: https://photos.app.goo.gl/JY788XCz2vXwRLwV2