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.

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.