Die Präsentationen auf dieser Seite können durchs Anklicken angeschaut bzw. heruntergeladen werden.
AMA: Qualifizierung für die Intelligente Produktion
Prof. Dr. techn. Wolfgang Nejdl, Forschungszentrum L3S, Leibniz Universität Hannover
Der Vortrag widmet sich der Applied Machine Learning Academy (AMA), einem Forschungsprojekt mit dem ein Qualifizierungsangebot für ML Kompetenzen im Umfeld Industrie 4.0 aufgebaut wird. Ziel des Projektes ist eine weiterführende Qualifikation für Beschäftigte in Mittelstand und Industrie und eine praxisorientierte Lehre für Studierende der Universität etabliert mit dem Schwerpunkt auf der Anwendung von ML im Umfeld Industrie 4.0.
Prof. Dr. techn. Wolfgang Nejdl ist der Leiter des Forschungszentrums L3S, das er 2001 gründete. Schwerpunkte seiner Forschung sind Data Mining, Web Science und Information Retrieval in aktuell über 10 Drittmittelprojekten, darunter auch die “Applied Machine Learning Academy”, die sich aktuell mit Qualifizierungsmaßnahmen im Bereich Maschinelles Lernen bei der Produktion 4.0 befasst.
Adaptive Machine Learning
Prof. Dr. Eirini Ntoutsi, Forschungszentrum L3S, Leibniz Universität Hannover
Prof. Dr. Eirini Ntoutsi ist seit März 2016 Professorin für Intelligente Systeme an der Fakultät für Elektrotechnik und Informatik, der Leibniz Universität Hannover und seit Mai 2016 Mitglied des Forschungszentrums L3S. Vor dieser Mitgliedschaft erhielt Sie das Alexander von Humboldt-Stiftung PostDoc-Stipendium und arbeitete als Post-Doc-Researcher an der Fakultät für Informatik der Ludwig-Maximilians-Universität München (LMU). Sie promovierte in Data Mining an der University of Piraeus, Griechenland. Sie erhielt ein Diplom in Computer Engineering & Informatics und einen Master in Computer Science von der University of Patras, Griechenland. Ihre Forschungsinteressen liegen in den Bereichen Data Mining und Maschinelles Lernen. Hierzu gehören insbesondere Methoden zur Erkennung von Mustern (supervised, unsupervised, semi-supervised learning), zum Vergleich von Mustern sowie Methoden zur Änderungsdetektion, Modellanpassung und Entwicklungskontrolle von multi-temporalen Daten und Datenströmen.
Visuelle Analyse für intelligente Prozesse
Prof. Dr. Ralph Ewerth, Technische Informationsbibliothek (TIB), Leibniz Universität Hannover
Der Vortrag führt in die Themenfelder Visual Analytics und Multimedia Information Retrieval ein. Es wird gezeigt, wie visuelle und multimodale Daten mit maschinellen Lernverfahren analysiert werden können. Insbesondere wird auf Möglichkeiten und Begrenzungen sogenannter Deep-Learning-Ansätze (tiefe neuronale Netze) eingegangen, die in den letzten Jahren in Aufgaben zur automatischen Bild- und Videoanalyse zu beeindruckenden Ergebnissen geführt haben.
Prof. Dr. Ralph Ewerth ist seit 2015 Professor am Leibniz-Informationszentrum für Technik & Naturwissenschaften (TIB) sowie an der Leibniz Universität Hannover, seit 2016 ist er am Forschungszentrum L3S tätig. Schwerpunkte seiner Forschung sind Visual Analytics, Multimedia Retrieval und maschinelle Lernverfahren zur Analyse von multimodalen Daten. Die Forschungsarbeiten zu diesen Themen finden momentan unter anderem in fünf Drittmittelprojekten statt (BMBF, DFG, Leibniz-Gemeinschaft).
Datenbasierte Arbeits- und Prozessplanung
Dr. Marc-André Dittrich, IFW, Leibniz Universität Hannover
Dr. Marc-André Dittrich, wissenschaftlicher Mitarbeiter am Institut für Fertigungstechnik und Werkzeugmaschinen und seit 2015 Leiter des Bereichs Produktionssysteme.
Methoden des Maschinellen Lernens in der Prozessplanung
Florian Uhlich, IFW, Leibniz Universität Hannover
Florian Uhlich, wissenschaftlicher Mitarbeiter am Institut für Fertigungstechnik und Werkzeugmaschinen.
Praktische Anwendungsmöglichkeiten von Machine Learning Methoden in der Produktionstechnik
Dr. Simon Knutzen, ISTOS GmbH
Dr. Simon Knutzen, ISTOS GmbH.
Cluster und Neuronen in Störungserkennung und Prüfverfahren
Dr. Fritz Schinkel, Fujitsu Distinguished Engineer, Fujitsu Technology Solutions GmbH
Dr. Fritz Schinkel, Fujitsu Distinguished Engineer, Fujitsu Technology Solutions GmbH.
Maschinelles Lernen und Predictive Analytics in der Industrie – von Predictive Maintenance bis zur automatischen Montageplanprognose
Ralf Klinkenberg, RapidMiner GmbH
Ralf Klinkenberg, Co-Founder & Head of Data Science Research, RapidMiner GmbH.
Datenschutzrechtliche Aspekte im Bereich des Maschinellen Lernens
Prof. Dr. Tina Krügel, LL.M, Institut für Rechtsinformatik (IRI), Leibniz Universität Hannover
Der Vortrag widmet sich nach einer kurzen Einführung in die Grundsätze des Datenschutzrechts sowie den Neuerungen durch die Datenschutzgrundverordnung derzeit ungelösten Fragen, die sich im Bereich des Maschinellen Lernens ergeben. Erläutert wird unter anderem, inwiefern das Konzept des Personenbezugs noch zeitgemäß ist, ob in Zeiten von Big Data eine wirksame und rechtssichere Anonymisierung personenbezogener Daten umzusetzen ist sowie inwiefern Transparenzrechte und -pflichten hinsichtlich selbstlernender Algorithmen gegenüber betroffenen Personen gewährleistet werden können.
Prof. Dr. Tina Krügel, LL.M., studierte Rechtswissenschaften in Hannover und absolvierte ihr Referendariat in Hannover und Johannesburg (Südafrika). 2002 nahm sie am LL.M.-Programm EULISP in Hannover und Oslo teil. 2005 promovierte sie zum Dr. iur. mit einer Dissertation zum E-Commerce-Gesetz. Seit 2004 ist sie Rechtsanwältin mit dem Schwerpunkt IT-Recht. Sie arbeitete von 2004 bis 2014 für das Institut für Rechtsinformatik der Leibniz Universität Hannover als wissenschaftliche Mitarbeiterin mit dem Schwerpunkt Datenschutzrecht. Im Jahr 2014 wurde sie auf eine Juniorprofessur für IT-Recht und Datenschutzrecht am Institut für Rechtsinformatik berufen. Seit 2016 ist sie Mitglied des interdisziplinären Forschungszentrums L3S.