Summer School Machine Learning 2019

Machine learning (ML) is one of the most important future technologies of digitization. For corporate employees, the Institute for Machine Learning and Analytics will be offering a summer school Machine Learning from September 16-20, 2019. The aim of the summer school is to give an overview of the topic, whereby the theoretical concepts are applied and deepened with practical exercises.

The target group are employees from specialist departments or the IT department of companies that have IT skills and basic programming skills.

The Summer School is part of the Upper Rhine 4.0 project. Upper Rhine 4.0 is a competence network for technology transfer and further education led by French, German and Swiss actors.

Programm

TimeMonday, 16.9.Tuesday, 17.9.Wednesday, 18.9.Thursday, 19.9.Friday, 20.9
8:30Registration
9:00

Welcome
Prof. Dr. Trahasch

Introduction to Python Tool Chain
Dr. Janis Keuper

  • Python basics
  • Numpy/Scipy
  • Matplotlib
  • Pandas
  • Exercise NumPy, Pandas and Matplotlib
 

Linear ML Algorithms
Dr. Janis Keuper

  • Classification in detail
  • Classification and Regression with Random Forests

Deep Learning
Prof. Dr. Dorer

  • Model of a neuron
  • Perceptron Network
  • Deep Learning Networks
  • Backpropagation
  • Exercises

Big Data with  Apache Hadoop
Daniel Müller, Marvin Follmann

  • Introduction to Apache Hadoop Framework
  • Installation and Administration: HDP & Ambari Server
  • Distributed File System HDFS
  • SQL data access with Apache Hive

Machine Learning eith Apache Spark
Daniel Müller, Marvin Follmann

  • News in Hadoop 3
  • ML with Hadoop 3
10:45BreakBreakBreakBreakBreak
11:15

Introduction to ML
Dr. Janis Keuper

  • ML Pipeline
  • Supervised vs unsupervised learning
  • Classification, regression
  • error measures
  • feature extraction

Linear ML Algorithms
Dr. Janis Keuper

  • Exercise  Random Forests
  • Scikit Learn Pipelines

Deep Learning
Prof. Dr. Dorer

  • Deep Convolutional Neural Networks
  • Exercises

 

Big Data with Apache Hadoop
Daniel Müller, Marvin Follmann

  • Exercises Hadoop Cluster

Machine Learning with Apache Spark
Daniel Müller, Marvin Follmann

  • Exercises

 

Closing remarks Prof. Dr. Trahasch

12:30Lunch BreakLunch BreakLunch BreakLunch Break
13:45

Introduction to Scikit-Learn
Dr. Janis Keuper

Clustering Algorithms

Non linear models
Dr. Janis Keuper

  • Support Vector Machines
  • Exercise
  • Model selection

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

  • Apache Spark
  • Apache Zeppelin
  • Exercises
16:00BreakBreakBreakBreak
16:15

Introduction to Scikit-Learn
Dr. Janis Keuper

Clustering Algorithms

Lecture

The lifecycle of a machine learning model: train, test and then?
Dr. Daniel Tröndle
MARKANT Services International GmbH

Big Data in the Wild – Use Cases in Industry and Energy
Dr.-Ing. Alexander Schätzle

badenIT GmbH

Praxisvorträge
KI und ML in der Praxis (only in German)

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
17:15Get TogetherGet together
19:00Get Together

The Summer School takes place at the Hochschule Offenburg. We will send you the rooms and further information after registration.

Speakers

Prof. Dr. Janis Keuper

Prof. Dr. Janis Keuper

Prof. Dr. Janis Keuper
Prof. Dr. Janis Keuper

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

Prof. Dr. Klaus Dorer

Prof. Dr. Klaus Dorer
Prof. Dr. Klaus Dorer

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

Daniel Müller

Daniel Müller
Daniel Müller

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

Marvin Follmann

Marvin Follmann
Marvin Follmann

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

Prof. Dr. Stephan Trahasch

Prof. Dr. Stephan Trahasch
Prof. Dr. Stephan Trahasch

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.

ERDF – European Regional Development Fund

Transcending borders with every project

UpperRhine 4.0