Machine Learning Forum

Machine Learning Forum

Auf einen Blick

Das Machine Learning Forum bietet vielfältige Weiterbildungsmöglichkeiten für Studierende sowie für EntwicklerInnen aus der Industrie. Zum einen werden neue universitäre Lehrveranstaltungen für Masterstudierende angeboten, die anhand von verschiedenen Seminaren, Praktika und Vorlesungen aus den unterschiedlichen Bereichen der Informatik breite Vertiefungsmöglichkeiten schaffen. Zum anderen werden in industrieorientierten Hands-On-LABs die theoretischen Inhalte mit praktischen Problemstellungen der Industrie kombiniert und bearbeitet. Hierbei sollen z.B. Lösungsansätze für die in Deutschland relevanten Bereiche Industrie 4.0, Produktion oder Automotive erarbeitet werden.

Darüber hinaus leistet das Machine Learning Forum Unterstützung für klein- und mittelständische Unternehmen, die im Rahmen der Digitalisierung verfügbaren Daten mittels ML zu nutzen und Entscheidungsprozesse zu erleichtern.

Die Zusammenarbeit vom Fraunhofer, der FAU sowie der Industrie stellt die Vermittlung fachlicher sowie praxisorientierter Kompetenzen sicher, die langfristig gemeinsam optimiert werden.

Klicken Sie sich hier durch die verschiedenen Seminare

Seminarreihe Machine Learning

Maschinelles Lernen ist ein Teilbereich der Künstlichen Intelligenz, der zum Ziel hat, Computer nicht explizit zu programmieren, sondern diese aus vorhandenen Daten selbstständig lernen zu  lassen.

Die „Machine Learning“ Vorlesung an der FAU gewährt  einen Einblick in grundlegende Optimierungsverfahren, die State-of-the-Art Machine Learning Ansätze sowie Monte Carlo-Methoden. Das dazugehörige Seminar Machine Learning dient Studenten dazu sich einen Überblick über verschiedene Algorithmen des maschinellen Lernens zu verschaffen.

Für die Industrie wird ein Industrie-LAB „Lokalisierung und Machine Learning“ angeboten. Hierbei stehen sowohl die grundsätzliche Umsetzung von Projekten zum maschinellen Lernen als auch praxisrelevante Beispiele in den Bereichen Logistik, Automotive, Virtual Reality und Lokalisierung im Mittelpunkt.

Die Veranstaltung „Machine Learning Forum“ ist eine Vernetzungsplattform zwischen Forschung und Industrie, die zukünftig halbjährig stattfinden soll. Neben den Fachvorträgen seitens der Universität sowie den Praxisvorträgen der Industrie sollen auch die Einbringung von Ideen und Themen durch beispielsweise KMUs, die Vermittlung von Absolventen sowie die Initiierung von (Verbund-)Projekten gestärkt werden.

 

Auf einen Blick

Das Fraunhofer IIS bietet ein zweitägigegs Seminar zum Thema Maschinelles Lernen (ML) im professionellen Umfeld an, um die Industrie in der Nutzung von maschinellem Lernen zu unterstützen. In diesem Seminar werden sie lernen ML-Projekte erfolgreich umzusetzen. Von der Definition ihrer Geschäftsziele über den Test bis zum Einsatz im Live-Betrieb. Eine breite Auswahl an behandelten Algorithmen und anschaulicher Beispiele schärft den Blick für die Einsatzgebiete in ihrem Unternehmen.  Ein weiterer wichtiger Punkt ist das Erkennen von Fallstricken in der Verarbeitungskette lernender Verfahren, sowie der Einsatz geeigneter Gegenmaßnahmen bzw. „Best Practices“.

 

Lernziele und Kompetenzen

Durch die Teilnahme an dem Seminar werden Sie:

  • die Grundlagen des maschinllen Lernens verstehen
  • die sinnvolle Erhebung und Strukturierung von Daten erlernen
  • Unüberwachte sowie Überwachte Lernverfahren kennenlernen
  • Erprobte Verfahren für schnelle Ergebnisse und Entscheidungen nutzen
  • Beispiele für den Einsatz von maschinellem Lernen im Kontext kennenlernen
  • Fehler in der Verarbeitungskette erkennen und beheben

 

Inhalte der Workshops

Semianar: Maschinelles Lernen  

Tag 1: Theorie und praxis   Tag 2: Projekt und best practice
  • Methoden des unüberwachten Lernens
  • Praktische Beispiele
  • Algorithmen des überwachten Lernens
    • Regression
    • Klassifikation
  • Praktische Beispiele
  • Einblick in Process Mining für Transparenz bei Prozessen
  • Praktische Beispiele

Umsetzung eines ML Projektes

  • Vom Geschäftsziel zum Live-Betrieb

Fehler erkennen und beheben

  • Over- und Underfitting
  • Bias/Varianz Trade-Off
  • Parameteroptimierung
  • Unbalancierte Datensätze
  • Konzeptdrift von Datenquellen

 

Wer sollte teilnehmen?

  • Technische Entscheidungsträger
  • Entwickler und Ingenieure in Industrieunternehmen
  • Wissbegierige aller Art

Seminarreihe zum Deep Learning

Deep Learning ist eine der Schlüsseltechnologien für künftige Entwicklungen im Bereich der rechnergestützten Signalverarbeitung, wie beispielsweise dem Maschinellen Sehen (Computer Vision). Bei zahllosen Aufgaben aus dem industriellen Umfeld stoßen herkömmliche Methoden z.B. durch wechselnde Rahmenbedingungen bei der Bildaufnahme oder große Variationen der Prüfobjekte an ihre Grenzen. Deep Learning überwindet derartige Hürden durch maschinelles Lernen anhand großer Mengen von Beispieldaten. Der Signalverarbeitung steht hier ein vielversprechender Entwicklungssprung bevor, durch den sich völlig neue Applikationsfelder auftun.   

 

Auf einen Blick

Bei Deep Learning handelt es sich um eine Technologie, die von der Funktionsweise des menschlichen Gehirns inspiriert ist. Mehrschichtige künstliche neuronale Netzwerke sind in der Lage große Datenmengen aufgabenspezifisch zu analysieren und die lösungsrelevanten Muster darin zu erkennen. Beispielsweise kann so für die optische Qualitätskontrolle eine Unterscheidung von Gut- und Schlechtteilen allein durch Vorgabe von hinreichend vielen Beispielbildern automatisch erlernt werden.

Die „Deep Learning Theory & Applications“ Vorlesung wird bereits an der FAU angeboten und gibt einen Überblick zum Themengebiet von neuronalen Netzwerke und deren Abgrenzung zu bereits etablierten Machine Learning Ansätzen.

Inhaltlich aufeinander aufbauend bietet das Fraunhofer IIS im Rahmen des ML-Forums zwei eintägige Workshops „Deep Learning und Computer Vision“ an und schlägt damit die Brücke von der universitären Veranstaltung zur industriellen Applikation. Der thematische Fokus beider Workshops liegt im Bereich der Computer Vision. Zusätzlich werden auch andere Themenbereiche angeschnitten, um Ihnen einen Einblick in die Vielfalt der möglichen Anwendungsgebiete zu geben.

In einem ausgewogenen Mix aus Theorie und Praxis ermöglicht Ihnen Modul 1 mit den Grundlagen von Deep Learning und konkreten Beispielen aus der Bildanalyse zunächst einen guten Einstieg in das Thema. Modul 2 ergänzt Ihr Wissen aus Modul 1 durch einen tieferen Blick in die Funktionsweise von Deep Learning Architekturen und weiteren praktischen Übungen. Sie bekommen Gelegenheit den Umgang mit konkreten Tools zu erproben und Deep Learning „in Aktion“ zu erleben. So lernen Sie Möglichkeiten und Grenzen kennen und werden ein Gefühl dafür entwickeln, welches Potential diese Technologie für Ihr eigenes Unternehmen birgt.  

 

Lernziele und Kompetenzen

Durch die Teilnahme an den Seminaren werden Sie:

  • die Grundlagen des Deep Learnings verstehen
  • Arten von künstlichen neuronalen Netzwerken kennenlernen
  • lernen grundlegende Deep Learning Workflows für die Bildanalyse zu implementieren
  • Trainingsparameter manipulieren um die Performance zu verbessern
  • lernen mit typischen Herausforderungen umzugehen

 

Inhalte der Workshops

Workshop I: Grundlagen des Deep Learnings

Deep learning and Computer Vision I 
  • Grundlagen des maschinellen Lernens
  • Einführung in Deep Learning
  • Einführung in TensorFlow
  • Multilayer Perzeptrons
  • Convolutional Neural Networks
  • Hands-on Übungen

 

Workshop II: Fortgeschrittene Themen des Deep Learnings

Deep Learning und Computer Vision II
  • Semantische Segmentierung
  • Objekterkennung
  • Generative Adversarial Networks
  • Sequenzmodelle

 

Wer sollte teilnehmen?

  • Leiter von F&E- und Innovationsteams
  • Softwareentwickler und Ingenieure in Industrieunternehmen
  • Industrieberater

Literatur

Goodfellow, I., Bengio, Y., Courville, A., & Bengio, Y. (2016). Deep learning (Vol. 1). Cambridge: MIT press.

Géron, A. (2017). Hands-on machine learning with Scikit-Learn and TensorFlow: concepts, tools, and techniques to build intelligent systems. "O'Reilly Media, Inc.".

Tibshirani, R., & Friedman, J. (2001). The elements of statistical learning: data mining, inference, and prediction. Heidelberg: Springer.

Seminarreihe zu Deep Learning Hardware Architectures

Aufgrund der hohen Hardware Anforderungen von Deep Learning Anwendungen werden in diesem Modul spezielle HW-Architekturen vorgestellt und bearbeitet.

Am Lehrstuhl Rechnerarchitektur soll mit „Deep Learning Hardware Architectures“ eine neue Lehrveranstaltung in Form eines Praktikums entstehen. Im theoretischen Teil lernen die Studierenden verschiedene Hardwarearchitekturen kennen und erörtern deren Eignung für Deep-Learning-Algorithmen. Der praktische Teil umfasst die Erprobung der verschiedenen Hardware Architekturen mittels industrienaher Anwendungsbeispiele.

Basierend auf den Praktikumsinhalten wird ein Deep-Learning Hardware Architectures LAB konzipiert. Hierbei soll zunächst die Architektur eines ausgewählten Deep-Learning-Systems vorgestellt und dessen spezielle Eignung für bestimmte Anwendungen dargelegt werden. Im Praxisteil wird die Implementierung an einem konkreten Beispiel durchgeführt.

 

Seminarreihe zum Reinforcement Learning

Reinforcement Learning (RL) ist ein weiterer Schritt in Richtung echter KI. In RL lernt ein Agent, welche Aktionen in bestimmten Situationen zu ergreifen sind, um ein gegebenes Problem zu lösen. Im Gegensatz zu Supervised Learning werden dem Agent hier nicht die beschrifteten Beispielen für die richtige Aktion zur Verfügung gestellt. Stattdessen muss der Agent eine Strategie finden, die die Belohnung durch Versuch und Irrtum maximiert.

Das an der Universität angebotene "Reinforcement Learning" -Praktikum ist ein vertiefender Kurs zu diesem Thema. Durch einen spannenden Mix aus Theorie, praktischen Übungen und einem abschließenden Projekt bietet das Praktikum sowohl die notwendigen theoretischen Grundlagen als auch praktische Erfahrungen mit modernen Algorithmen auf diesem Gebiet.

Die beiden nachfolgend ausführlich beschriebenen Industry Labs konzentrieren sich auf die Anwendung von Reinforcement Learning in realen Anwendungsfällen aus der Industrie

 

Auf einen Blick

Was ist Reinforcement Learning (RL) und wie kann Ihr Unternehmen davon profitieren?

Das Fraunhofer IIS bietet zwei Seminare zu folgenden Themenbereichen an: (1) Grundlagen des Reinforcement Learnings und (2) Vertiefende Themen des Reinforcement Learnings, damit Sie diese Fragen beantworten können. Durch eine Kombination aus Theorie und Fallbeispielen aus der Industrie können Sie in den Seminaren den Wert sowie die Auswirkungen dieser Technologie in Ihrem Unternehmen verstehen. Mit Hilfe von praktischen Übungen lernen Sie, verschiedene Problemstellungen in das RL-Paradigma umzuformulieren und effiziente Algorithmen zu entwickeln (oder aus einer großen Basis auszuwählen), um sie zu lösen. Darüber hinaus erhalten Sie durch die Implementierung von RL-Lösungen in realen Anwendungsfällen in den "Projekt" -Sitzungen ein fundiertes Verständnis darüber, wie RL-Algorithmen in der Praxis unter Verwendung verfügbarer Software-Frameworks nach dem neuesten Stand der Technik angewendet werden.

 

Lernziele und Kompetenzen

Durch die Teilnahme an den Seminaren werden Sie:

  • die Grundlagen des Reinforcement Learnings verstehen
  • lernen, wie Sie ein gegebenes Problem im Rahmen des Reinforcement Learning-Paradigmas formulieren
  • die verschiedenen Arten von Reinforcement Learning-Algorithmen kennenlernen
  • Reinforcement Learning Algorithmen für reale Probleme mit modernster Software implementieren
  • erfahren, wie Sie Reinforcement Learning in realen autonomen Systemen anwenden können

 

Inhalte der Seminare

Seminar 1: Grundlagen des Reinforcement Learnings

Tag 1: Theoretische Grundlagen   Tag 2: Projekt und Best Practice
  • Markov Decision Processes und dynamische Programmierung
  • Monte-Carlo- und Temporal Difference Methoden
  • Q-Lerning
  • Value Function Approximation
  • Praktische Übungen
  • DQN-Algorithmus
  • Praktisches Projekt:
    • Definieren von  state/action spaces und Belohnungsfunktionen realer Probleme
    • Bewerten der Lernfortschritt eines autonomen Agenten
    • Befolgen von Best Practices für stabiles Lernen
    • Arbeiten an State-of-the-Art-Tools für (Deep) Reinforcement Learning

 

Seminar 2: Fortgeschrittene Themen im Reinforcement Learning

Tag 1: Deep Reinforcement Learning in der Praxis  
  • Deep Reinforcement Learning:
    • Policy Search und Actor Critic Methoden
    • Modellbasiertes Reinforcement Learning
    • Ende zu Ende Reinforcement Learning
    • Reinforcement Learning für reale autonome Systeme
  • Praktisches Projekt
    • Lösen Sie echte Anwendungsfälle aus der Industrie
    • Vergleichen Sie verschiedene Ansätze des Deep Reinforcement Learning

 

Wer sollte teilnehmen?

  • Industriemanager mit strategischer Entscheidungsverantwortung
  • Schlüsselmitglieder von internen F & E-Teams
  • Algorithmus-Ingenieure und Programmierer
  • Industrieberater

Literatur

RS. Sutton, AG. Barto: Reinforcement learning: An introduction (2nd edition, in progress), Cambridge: MIT press, 2018.

C. Szepesvári: Algorithms for reinforcement learning, Morgan and Claypool, 2009.

DP. Bertsekas: Dynamic programming and optimal control (Vol I and II), Belmont, MA: Athena scientific, 2017.

A. Geramifard, et. al.: A tutorial on linear function approximators for dynamic programming and reinforcement learning, Foundations and Trends® in Machine Learning, 2013.

I. Goodfellow, Y. Bengio, A. Courville: Deep learning, Cambridge: MIT press, 2016.

V. Mnih, et. al., Human-level Control through Deep Reinforcement Learning, Nature, 2015.

TP. Lillicrap, et. al.:  Continuous control with deep reinforcement learning, arXiv preprint arXiv:1509.02971, 2015.

MP. Deisenroth, G. Neumann, J. Peters: A Survey on Policy Search for Robotics, Foundations and Trends® in Robotics, 2014.