Summer School Machine Learning 2019

Machine Learning (ML) gehört zu den wichtigsten Zukunftstechnologien der Digitalisierung. Für Mitarbeiterinnen und Mitarbeiter aus Unternehmen bietet das Institute for Machine Learning and Analytics vom 16. - 20. September 2019 eine Summer School an, in der Konzepte und Methoden des Machine Learnings und Big Data vermittelt werden. Ziel der Summer School ist es, einen Überblick über die Thematik zu geben, wobei die theoretischen Konzepte mit praktischen Übungen angewandt und vertieft werden. Praxisvorträge zu dem Einsatz von ML in Unternehmen ergänzen das Programm.

Zielgruppe sind Mitarbeiterinnen und Mitarbeiter aus Fachabteilungen oder der IT-Abteilung von Unternehmen, die über IT-Kenntnisse und grundlegende Programmierkenntnisse verfügen.

Die Summer School findet im Rahmen des Projekts Upper Rhine 4.0 statt.Upper Rhine 4.0 ist ein von französischen, deutschen und Schweizer Akteuren geleitetes Kompetenznetzwerk für Technologietransfer und Weiterbildung.

Anmeldung für die Summer School

Programm

Uhrzeit	Montag, 16.9.	Dienstag, 17.9.	Mittwoch, 18.9.	Donnerstag, 19.9.	Freitag, 20.9
8:30	Registrierung
9:00	Begrüßung Prof. Dr. Trahasch Einführung in die Python Tool Chain Prof. Dr. Janis Keuper Python Grundlagen Numpy/Scipy Matplotlib Pandas Übungen zu NumPy, Pandas und Matplotlib	Lineare ML Algorithmen Prof. Dr. Janis Keuper Klassifikation im Detail anhand eines einfachen linearen Modells Klassifikation und Regression mit Random Forests	Deep Learning Prof. Dr. Dorer Modell einer Nervenzelle Perceptron Netzwerke Funktionsweise von Deep Learning Netzwerken Backpropagation Netzwerke Übungen	Big Data mit Apache Hadoop Daniel Müller, Marvin Follmann Einführung in das Apache Hadoop Framework Installation und Administration: HDP & Ambari Server Verteiltes Dateisystem HDFS SQL-artiger Datenzugriff mit Apache Hive	Machine Learning mit Apache Spark Daniel Müller, Marvin Follmann Neuerungen in Hadoop 3 ML mit Hadoop 3
10:45	Pause	Pause	Pause	Pause	Pause
11:15	Grundlagen ML Prof. Dr. Janis Keuper ML Pipeline Überwachtes Lernen vs Unüberwachtes Lernen Klassifikation vs Regression Fehlermaße Merkmalsextraktion	Lineare ML Algorithmen Prof. Dr. Janis Keuper Übungen zu Random Forests Scikt Learn Pipelines	Deep Learning Prof. Dr. Dorer Deep Convolutional Neural Networks Übungen	Big Data mit Apache Hadoop Daniel Müller, Marvin Follmann Übungen auf einem Hadoop Cluster	Machine Learning mit mit Apache Spark Daniel Müller, Marvin Follmann Übungen Abschluss der Summer School Prof. Dr. Trahasch
12:30	Mittagspause	Mittagspause	Mittagspause	Mittagspause
13:45	Einführung in Scikit-Learn Prof. Dr. Janis Keuper Einführung und Übung zu Clustering Algorithmen	Nichtlineare Modelle Prof. Dr. Janis Keuper Support Vector Machines Übungen zu SVMs Modellselektion	Deep Learning Prof. Dr. Dorer Übungen Untersuchung des Einflusses von Parameter auf den Erfolg von Deep Convolutional Neural Netzworks bei der Bilderkennung	Big Data mit Apache Hadoop Daniel Müller, Marvin Follmann Datenverarbeitung mit Apache Spark (optional) Web-basiertes Notebook Apache Zeppelin Übungen
16:00	Pause	Pause	Pause	Pause
16:15	Einführung in Scikit-Learn Prof. Dr. Janis Keuper Einführung und Übung zu Clustering Algorithmen	Praxisvortrag The lifecycle of a machine learning model: train, test and then? Dr. Daniel Tröndle MARKANT Services International GmbH	Paxisvortrag Big Data in the Wild – Use Cases in Industry and Energy Dr.-Ing. Alexander Schätzle badenIT GmbH	Praxisvorträge KI und ML in der Praxis Programm siehe unter https://imla.hs-offenburg.de/veranstaltungen/ki-ml-in-der-praxis/ Gemeinsame Veranstaltung mit GI Südbaden, microTEC Südwest, Allianz Industrie 4.0
17:15	Get Together	Get Together
19:00				Get Together

Die Summer School findet an der Hochschule Offenburg statt. Die Räume und weitere Informationen senden wir Ihnen nach der Anmeldung zu.

Referenten und Organisation

Janis Keuper ist ab 1. Juli 2019 Professor für Data Analytics an der Hochschule Offenburg. Zuvor leitete er die "Large Scale Machine Learning" Gruppe am Competence Center für High Performance Computing des Fraunhofer Instituts für Techno- und Wirtschaftsmathematik (ITWM) in Kaiserslautern. Sein Forschungsschwerpunkt liegt auf dem Entwurf skalierbarer Machine Learning Systeme - von Algorithmus bis zur Hardware.
Vor seinem Wechsel zu Fraunhofer in 2012 war er Gruppenleiter am Intel Visual Computing Institute in Saarbrücken und PostDoc am Zentrum für Interdisziplinäres Wissenschaftliches Rechnen der Universität Heidelberg.
Janis Keuper war Chair des "Machine Learning Day" bei der ISC Supercomputing 2017+18 und ist Mitorganisator des "Machine Learning in HPC" Workshops bei den jährlichen ACM SIG Supercomputing Konferenzen.

Prof. Dr. Klaus Dorer ist Leiter des Labors Autonome Systeme an der Hochschule Offenburg. Er leitet bzw. wirkt mit an verschiedenen Projekten zum Thema maschinelles Lernen wie dem Projekt Menschen Lernen Maschinelles Lernen (ML2), dem Projekt Magma, bei dem simulierte Fußballroboter lernen Fußball zu spielen (Vizeweltmeister), dem Projekt Sweaty, bei dem ein echter humanoider Roboter Fußball spielt (Vizeweltmeister) oder dem Projekt Audi Cup, bei dem Modellfahrzeuge autonomes Fahren lernen (2. Platz 2017 im Audi Autonomous Driving Cup).

Daniel Müller ist Gründer und Geschäftsführer der Seamless Analytics GmbH, welche 2018 gegründet wurde. Zuvor war er nach Abschluss seines Masterstudiums als akademischer Mitarbeiter an der Hochschule Offenburg angestellt und untersuchte dort in einem zweijährigen Forschungsprojekt zum einen die Archivierung und Analyse von Abverkaufsdaten, sowie die Langzeitspeicherung von Maschinendaten mithilfe des Apache Hadoop Frameworks in Kooperation mit Industriepartnern.

Marvin Follmann ist Gründer der Seamless Analytics GmbH. Während des Masterstudiums untersuchte er die Anwendung Neuronaler Netze auf Zeitreihendaten und arbeitete bei einem großen deutschen Softwarehersteller. Dort entwickelte er eine Monitoringlösung für die modellbasierte technische Überwachung von Kundensystemen und arbeitet in Machine Learning Projekten.

Prof. Dr. Stephan Trahasch ist Professor für betriebliche Kommunikationssysteme und IT-Sicherheit an der Hochschule Offenburg. Seine Forschungsschwerpunkte liegen in den Bereichen Machine Learning, Big Data und Agile Business Intelligence. In Forschungsprojekten beschäftigt er sich mit der praktischen Anwendung von Machine Learning und Big Data Technologien und deren Herausforderungen in Unternehmen.
Er ist Leiter des Institute for Machine Learning and Analytics und Dekan der Fakultät Elektrotechnik, Medizintechnik und Informatik an der Hochschule Offenburg.

Summer School Machine Learning 2019

Hinweis