Deep Learning im gesellschaftlichen Kontext. Grundseminar WS18 Jerom Schult
|
|
- Gudrun Böhmer
- vor 5 Jahren
- Abrufe
Transkript
1 Deep Learning im gesellschaftlichen Kontext Grndseminar WS18 Jerom Schlt
2 Gliederng Motivation Reinforcement Learning mit KNN Deep Learning in der Gesellschaft Asblick Masterstdim Konferenzen
3 Motivation
4 Motivation Relevanz von Deep Learning wächst kontinierlich Selbstfahrende Atos, Krankheitsdiagnosen, Übersetzng Bewsstsein über Risiken schwach asgeprägt Schbegriff Machine Learning [1]
5 Motivation Spiele als Abstraktion der Realität DeepMind Go & Hman-Level control throgh deep reinforcement learning Lösng einer Reihe klassischer Atari-Spiele Allgemeines Modell Kein Domänenwissen
6 Erfolge DeepMind Atari Games [2]
7 Reinforcement Learning mit KNN
8 Reinforcement Learning mit KNN Agent & Umgebng Training direkt af Problemdomäne Wechselwirkng Agent & Umgebng Agent lernt as Erfahrngen [10]
9 Reinforcement Learning mit KNN Q Learning Grndlage Q Learning mit Tabelle Schon 1998 bekannt (Stton. Barto) Update Approximationsfnktion Q nach jedem Schritt Abhängig von Belohnng [10]
10 Reinforcement Learning mit KNN Deep Q Learning KNN ermöglichen große Zstandsräme Atari Spiele in Tabelle nicht abbildbar Grndlage für Erfolg von DeepMind Paper Update des Modells Kostenfnktion mit Target nd akteller Bewertng [2]
11 Reinforcement Learning mit KNN Memory Replay Verbesserng der Stabilität Pool an Erfahrngen <s, a, r, s > Updates af Sample-Batch nach jedem Schritt
12 Reinforcement Learning mit KNN Memory Replay
13 [2]
14 Reinforcement Learning mit KNN - Probleme Stabilität Featres & -extraktion Nachvollziehbarkeit Instabilität von Deep Q Learning [2]
15 Deep Learning in der Gesellschaft
16 Deep Learning in der Gesellschaft KI-Strategie der Bndesregierng [3] Unterstützng Forschng nd Entwicklng Konkrrenz z Silicon Vallex Social Score in China [4], Schfa in Detschland [5] OpenSchfa zeigt: Reverse Engineering nicht einfach Diskriminierng in Datenaswahl, Featreextraktion? Nachvolziehbarkeit?
17 Deep Learning in der Gesellschaft Risk Classification von Angeklagten in USA [6] Sicherheitsverwahrng abhängig von Risk Score Dnkelhätige Personen höherer Score Abhängig von Statistischen Vorgaben für Algorithms Selbstfahrende Atos Nachvollziehbarkeit Instabilität
18 Asblick Masterstdim
19 Asblick Masterstdim Deep Learning Theoretisch Starker Foks af Mathematische Modelle Deep Learning Angewandt Spannende Anwendngsfelder Lösngen nicht erklärbar, mit Vorsicht z genießen Explainable AI STS Science & Technology Stdies
20 Konferenzen
21 Konferenzen ACM SIGKDD [7] International Conference on Knowledge discovery and data mining NIPS [8] Neral Information Processing Systems HIIG [9] Hmboldt Institt für Internet nd Gesellschaft
22 Literatrverzeichnis [1] ACM Digital Library (Schbegriff Machine Learning ), [2] Mnih.a. Hman-Level control throgh deep reinforcement learning. In: Natre 518 (2015), [3] Bndesregierng DE, Eckpnkte der Bndesregierng f r eine Strategie K nstliche Intelligenz (2018), blob=pblicationfile&v=10, [4] Felix Lee, Die AAA-Bürger (2018), [5] AlgorithWatch, Open Schfa warm wir diese Kampagne machen (2018),
23 Literatrverzeichnis [6] Sam Corbett-Davies, Emma Pierson, Avi Feller, Sharad Goel, Aziz Hq, Algorithmic decision making and the cost of fairness (2017), [7] ACM SIGKDD - International Conference on Knowledge discovery and data mining, [8] NIPS Conference on Neral Information Procesing Systems, [9] HIIG Hmboldt Institt für Internet nd Gesellschaft, [10] Stton. Barto, Reinforcement Learning: An Introdction. MIT Press, 1998
24 Deep Learning im gesellschaftlichen Kontext Grndseminar WS18 Jerom Schlt
Reinforcement-Learning
Reinforcement-Learning Vortrag von: Fabien Lapok Betreuer: Prof. Dr. Meisel 1 Agenda Motivation Überblick und Probleme von RL Aktuelle Forschung Mein Vorgehen Konferenzen und Quellen 2 Reinforcement Learning
MehrVon der Entscheidungsunterstützung zur Entscheidungsautomatisierung mit Big Data und Künstlicher Intelligenz
Von der Entscheidungsunterstützung zur Entscheidungsautomatisierung mit Big Data und Künstlicher Intelligenz Dr. Stefan Wess CEO Empolis Information Management, Kaiserslautern Seite 1 Historie der Empolis
MehrData Mining Künstliche Neuronale Netze vs. Entscheidungsbäume
Data Mining Künstliche Neuronale Netze vs. Entscheidungsbäume Grundseminar HAW Master Informatik 18.04.2017 Inhaltsübersicht Data Mining & Begriffswelt des Data Mining Klassifikation & Klassifikatoren
MehrReinforcement learning
Reinforcement learning Erfolgsgeschichten... Quelle: twitter.com/ai memes Q-Learning als Art von Reinforcement learning Paul Kahlmeyer February 5, 2019 1 Einführung 2 Q-Learning Begriffe Algorithmus 3
MehrModulliste. für den Masterstudiengang. Data & Knowledge Engineering (alt) an der Otto von Guericke Universität Magdeburg Fakultät für Informatik
Modulliste für den Masterstudiengang Data & Knowledge Engineering (alt) an der Otto von Guericke Universität Magdeburg Fakultät für Informatik vom Sommersemester 2019 Der Masterstudiengang Data & Knowledge
MehrEin Recht auf Unvernunft?
Ein Recht auf Unvernunft? Themenabend - Digitale Ethik Bundesverband Digitale Wirtschaft (BVDW) e.v. Berlin, 27. Juni 2017 Matthias Spielkamp ms@algorithmwatch.org http://algorithmwatch.org Twitter: @algorithmwatch
MehrASIM Fachgruppentreffen STS/GMMS
ASIM Fachgruppentreffen STS/GMMS Modellbasiert lernende Steuerung für Gelenkarmroboter FG Computational Engineering and Automation Georg Kunert, M.Eng. georg.kunert@cea-wismar.de Prof. Dr.-Ing. Thorsten
MehrBig Data bei unstrukturierten Daten. AW1 Vortrag Sebastian Krome
Big Data bei unstrukturierten Daten AW1 Vortrag Sebastian Krome Agenda Wiederholung Aspekte von Big Data Datenverarbeitungsprozess TextMining Aktuelle Paper Identification of Live News Events Using Twitter
MehrBeating Humans in complex Boardgames
Beating Humans in complex Boardgames Seminar Neueste Trends in Big Data Analytics Universität Hamburg Eike Nils Knopp 18.12.2017 Eike Nils Knopp 1 / 55 Inhalt Historie IBMs Deep Blue IBMs Watson DeepMinds
MehrDeep Blue. Hendrik Baier
Deep Blue Hendrik Baier Themen Matches Deep Blue Kasparov 1996/97 Faktoren von Deep Blues Erfolg Systemarchitektur Search Extensions Evaluationsfunktion Extended Book Vergleichstraining der Evaluationsfunktion
MehrMachinelles Lernen. «Eine kleine Einführung» BSI Business Systems Integration AG
Machinelles Lernen «Eine kleine Einführung» @ZimMatthias Matthias Zimmermann BSI Business Systems Integration AG «Welcher Unterschied besteht zum Deep Blue Schachcomputer vor 20 Jahren?» AlphaGo Hardware
MehrExtraktion und Visualisierung von multidimensionalen Textinformationen zur Integration von Big Data in unternehmensspezifischen Wissenslandkarten
Extraktion und Visualisierung von multidimensionalen Textinformationen zur Integration von Big Data in unternehmensspezifischen Wissenslandkarten FOM Hochschulzentrum Dortmund, Fachbereich Wirtschaftsinformatik
MehrLehrveranstaltungen im Wintersemester 2012/2013
Lehrveranstaltungen im Wintersemester 2012/2013 Information Systems and Machine Learning Lab (ISMLL) Prof. Dr. Dr. Lars Schmidt-Thieme Hildesheim, Juli 2012 1 / 1 Übersicht Praktika Hildesheim, Juli 2012
MehrEinführung in die Methoden der Künstlichen Intelligenz
Einführung in die Methoden der Künstlichen Intelligenz --- Vorlesung vom 17.4.2007 --- Sommersemester 2007 Prof. Dr. Ingo J. Timm, Andreas D. Lattner Professur für Wirtschaftsinformatik und Simulation
MehrKnowledge Engineering und Lernen in Spielen. Thema: Opening Book Learning von: Thomas Widjaja
Knowledge Engineering und Lernen in Spielen Thema: Opening Book Learning von: Thomas Widjaja Gliederung Allgemeines Drei Beispielverfahren zum Anpassen eines Opening Books Deep Blue Logistello (Michael
MehrSocial Monitoring. HAW Hamburg Hochschule für Angewandte Wissenschaften University of Applied Sciences Master Informatik - Anwendungen 1 WS 2013/2014
HAW Hamburg Hochschule für Angewandte Wissenschaften University of Applied Sciences Master Informatik - Anwendungen 1 WS 2013/2014 Abdul-Wahed Haiderzadah abdul-wahed.haiderzadah@haw-hamburg.de Betreuer:
MehrSeminar: Maschinelles Lernen und Deep Learning
Seminar: Maschinelles Lernen und Deep Learning Sommersemester 2018 Prof. Dr. Xiaoyi Jiang, Sören Klemm, Aaron Scherzinger Institut für Informatik, Arbeitsgruppe Pattern Recognition and Image Analysis (PRIA)
MehrDeep Learning Prof. Dr. E. Rahm und Mitarbeiter
Deep Learning Prof. Dr. E. Rahm und Mitarbeiter Seminar, WS 2017/18 Big Data Analyse-Pipeline Dateninte -gration/ Anreicherung Datenextraktion / Cleaning Datenbeschaffung Datenanalyse Interpretation Volume
MehrDr. Daniel Fasel, CEO DATEN, DAS WERTSCHÖPFENDE GUT FÜR DIE DIGITALISIERUNG
Dr. Daniel Fasel, CEO DATEN, DAS WERTSCHÖPFENDE GUT FÜR DIE DIGITALISIERUNG End 2 End Big Data Services Platform Engineering & DevOps Analytics Solutions Proof of Concept Architecture & Strategy Machbarkeitsstudien
MehrText Mining. Joachim Schole. Fakultät Technik und Informatik Hochschule für angewandte Wissenschaften Hamburg. Grundseminar, WS 2014
Text Mining Joachim Schole Fakultät Technik und Informatik Hochschule für angewandte Wissenschaften Hamburg Grundseminar, WS 2014 Joachim Schole (HAW Hamburg) Text Mining Grundseminar, WS 2014 1 / 26 Agenda
MehrArtificial Intelligence
Artificial Intelligence AI Hype meets Business Reality Dr. Stefan Wess CEO Empolis Information Management GmbH Unternehmen in Kaiserslautern UND TEIL UNSERES KULTURELLEN ERBES. KÜNSTLICHE INTELLIGENZ
MehrLehrveranstaltungen SS 2018
Lehrveranstaltungen SS 2018 Grundlagenmodule der Informatik (1. - 4. Fachsemester Bachelor) Einführung Rechnernetze, Datenbanken und Betriebssysteme Leistungspunkte: 5 Vorlesung: Einführung Rechnernetze,
MehrReal-time reinforcement learning von Handlungsstrategien für humanoide Roboter
Real-time reinforcement learning von Handlungsstrategien für humanoide Roboter von Colin Christ 1 Aufgabenstellung Entwicklung einer Applikation zur Demonstration von RL für humanoide Roboter Demonstration:
MehrAuftakt zum Workshop Entscheidungsunterstützung 2.0 was leistet künstliche Intelligenz in der Medizin
Auftakt zum Workshop Entscheidungsunterstützung 2.0 was leistet künstliche Intelligenz in der Medizin Cord Spreckelsen Institut für Medizinische Informatik RWTH Aachen 1 Rückblick 2010-2015 ConhIT-Satellitenworkshops
MehrBachelorarbeit. Jerom Schult. Deep Q Learning mit Künstlichen Neuronalen Netzen für Markov-Entscheidungsspiele
Bachelorarbeit Jerom Schult Deep Q Learning mit Künstlichen Neuronalen Netzen für Markov-Entscheidungsspiele Fakultät Technik und Informatik Studiendepartment Informatik Faculty of Engineering and Computer
MehrMachine Learning Das neue 42?
Machine Learning Das neue 42? Fabian Buchert Solution Architect SAS DACH Analytics actual trend topics Citizen Data Scientist Machine Learning Text Analytics Artificial Intelligence Image Recognition Open
Mehr(Software) Architektur der Dinge. Roland Graf / Simon Kranzer IKT-Forum 2016 I(o)T for Industry - Von IT zu IoT
(Software) Architektur der Dinge Roland Graf / Simon Kranzer IKT-Forum 2016 I(o)T for Industry - Von IT zu IoT Hardware Mainframe Speichersysteme Rechner Kopplung Zentralisierung Anwendungsprogramme Software
MehrDipl.-Ing. Walter Abel Management Consulting
Mit ns af dem Weg zr Spitze. Dipl.-Ing. Walter Abel Management Conslting Karl Czerny - Gasse 2/2/32 A - 1200 Wien +43 1 92912 65 7 +43 1 92912 66 office@walter-abel.at www.walter-abel.at www.itsmprocesses.com
MehrPrüfungsplan Master of Science in Wirtschaftsinformatik
Prüfungsplan Master of Science in Wirtschaftsinformatik Modul Art Creditpunkte Schwerpunkt Very Large Business Applications Module aus dem Bereich Wirtschaftsinformatik SWS Empfohlenes Semester Prüfungsart
MehrEntwicklung einer KI für Skat. Hauptseminar Erwin Lang
Entwicklung einer KI für Skat Hauptseminar Erwin Lang Inhalt Skat Forschung Eigene Arbeit Risikoanalyse Skat Entwickelte sich Anfang des 19. Jahrhunderts Kartenspiel mit Blatt aus 32 Karten 3 Spieler Trick-taking
MehrItem-based Collaborative Filtering
Item-based Collaborative Filtering Paper presentation Martin Krüger, Sebastian Kölle 28.04.2011 Seminar Collaborative Filtering KDD Cup 2011: Aufgabenbeschreibung Track 1 Item-based Collaborative Filtering
MehrIMPULSVORTRAG KÜNSTLICHE INTELLIGENZ & HELMHOLTZ
IMPULSVORTRAG KÜNSTLICHE INTELLIGENZ & HELMHOLTZ PROF. DR. ING. MORRIS RIEDEL, JUELICH SUPERCOMPUTING CENTRE (JSC) / UNIVERSITY OF ICELAND GRUPPENLEITER HIGH PRODUCTIVITY DATA PROCESSING & CROSS-SECTIONAL
MehrWenn der Pharma-Markt für Sie unruhiges Gewässer ist, bringen wir Sie auf. Erfolgskurs.
Wenn der Pharma-Markt für Sie nrhiges Gewässer ist, bringen wir Sie af Erfolgskrs. Profil & Philosophie Wir sind DS Pharma. Sie wissen es selbst am besten: Der Wettbewerb in der Pharmabranche wird immer
MehrBackgammon. Tobias Krönke. Technische Universität Darmstadt Fachbereich Informatik Fachgebiet Knowledge Engineering
Technische Universität Darmstadt Fachbereich Informatik Fachgebiet Knowledge Engineering Seminar zu Knowledge Engineering und Lernen in Spielen, 2010 Gliederung Gliederung Startaufstellung Abbildung: GNU
MehrSKOPOS Webinar 22. Mai 2018
SKOPOS Webinar 22. Mai 2018 Marktforschung 2020: Künstliche Intelligenz und automatische Text Analysen? Christopher Harms, Consultant Research & Development 2 So? Terminator Exhibition: T-800 by Dick Thomas
MehrComplex Event Processing
[10] Armin Steudte HAW Hamburg Masterstudiengang Informatik - WS 2011/2012 Agenda Motivation Grundlagen Event Processing Networks Ausblick Quellen 2 Agenda Motivation Grundlagen Event Processing Networks
MehrEinführung in die Didaktik der Informatik D. Engbring mündl.
Bachelor Pflicht BA-INF 021 Lineare Algebra Th. Räsch 02.08.2016/ 9-12 Uhr HS IX+X Hauptg. 12.09.2016/ 9-12 Uhr HS IX+X Hauptg. schriftlich BA-INF 022 Analysis M. Welter 26.07.2016/9.30-11.30Uhr HS IX+X
MehrSeminar. Knowledge Engineering und Lernen in Spielen. Reinforcement Learning to Play Tetris. TU - Darmstadt Mustafa Gökhan Sögüt, Harald Matussek 1
Seminar Knowledge Engineering und Lernen in Spielen Reinforcement Learning to Play Tetris 1 Überblick Allgemeines zu Tetris Tetris ist NP-vollständig Reinforcement Learning Anwendung auf Tetris Repräsentationen
MehrPrüfungstermine WS 2017/18 Wirtschaftsinformatik Bachelorstudiengang
Prüfungskommission Wirtschaftinformatik Wirtschaftsinformatik Betriebswirtschaftliche Verfahren (BWL 2) Montag, 22. Januar 2018 12:30 14:00 S 0.11 Grundlagen der Betriebswirtschaftslehre Montag, 22. Januar
MehrHelpdesk 4.0 Combining Digital and Human Knowledge
Helpdesk 4.0 Combining Digital and Human Knowledge Content Delivery Symposium 2016 Norbert Samhammer Vorstand Samhammer AG die Globale Rahmenstrukturen im techn. Service verändern sich! Samhammer AG 2015
MehrModulliste. für den Masterstudiengang. Wirtschaftsinformatik. an der Otto-von-Guericke-Universität Magdeburg Fakultät für Informatik
Modulliste für den Masterstudiengang Wirtschaftsinformatik an der Otto-von-Guericke-Universität Magdeburg Fakultät für Informatik vom Wintersemester 2016/2017 Der Masterstudiengang Wirtschaftsinformatik
MehrKünstliche Intelligenz und berufliche Bildung Wie das Internet der Dinge und KI das Lernen verändern
Künstliche Intelligenz und berufliche Bildung Wie das Internet der Dinge und KI das Lernen verändern Professor Dr. habil. Christoph Igel Deutsches Forschungszentrum für Künstliche Intelligenz Educational
MehrGround Truth ohne Datenqualität kein Machine Learning. Erfolgsfaktoren für Predictive Analytics, BI und Data Mining
Ground Truth ohne Datenqualität kein Machine Learning. Erfolgsfaktoren für Predictive Analytics, BI und Data Mining Prof. Dr.-Ing. Peter Lehmann Hochschule der Medien Stuttgart GLIEDERUNG Etwas über Machine
MehrINTELLIGENTE DATENANALYSE IN MATLAB
INTELLIGENTE DATENANALYSE IN MATLAB Einführungsveranstaltung Überblick Organisation Literatur Inhalt und Ziele der Vorlesung Beispiele aus der Praxis 2 Organisation Vorlesung/Übung + Projektarbeit. 4 Semesterwochenstunden.
MehrGrundlagen und Definitionen
Grundlagen und Definitionen Wissensmanagement VO 340088 Bartholomäus Wloka https://www.adaptemy.com Maschinelle Sprachverarbeitung Breites Spektrum an Methoden der Computerverarbeitung von Sprache. Kann
MehrVisual Analytics. Diana Topko. Grundseminar, 18. Dezember 2018
Visual Analytics Diana Topko Grundseminar, 18. Dezember 2018 Agenda Visuelle Wahrnehmung Motivation für Visual Analytics Interactive Visual Analytics Ausblick Konferenzen Visuelle Wahrnehmung Text VS Bild
MehrDr. Alexander Janda Generalsekretär Kuratorium Sicheres Österreich
Dr. Alexander Janda Generalsekretär Kuratorium Sicheres Österreich Künstliche Intelligenz vs. menschliche Kompetenz: Wie wir im Umgang mit künstlicher Intelligenz scheitern können/werden? Economist-Studie
MehrEmotionserkennung: Frameworkdesign
Willkommen 1 / 27 Emotionserkennung: Frameworkdesign Oliver Steenbuck 07. Juni 2012 2 / 27 Inhalt 1 Interactive Surfaces 2 Ansprüche an ein Framework im Emotionberreich 3 Social Signal Interpretation Framework
MehrFRAUNHOFER ISST INDIVIDUALISIERTE THERAPIE DURCH INTELLIGENTE BEGLEITER
FRAUNHOFER ISST INDIVIDUALISIERTE THERAPIE DURCH INTELLIGENTE BEGLEITER Anja Burmann Yevgen Pikus Hanau, 01. März 2018 FRAUNHOFER-INSTITUT FÜR SOFTWARE- UND SYSTEMTECHNIK ISST Über 25 000 Mitarbeiterinnen
MehrAlgorithmenalltag. Prof. Dr.-Ing. Johannes Konert Fachgebiet Web Engineering
Algorithmenalltag Prof. Dr.-Ing. Johannes Konert Fachgebiet Web Engineering Start reden (Begrüßung) vortragen Aufmerk-samkeit erlangt? kurze Pause machen Ende Algorithmen Was machen sie mit uns? Was sind
MehrModultabelle B.Sc. Angewandte Informatik Fakultät Wirtschaftsinformatik und Angewandte Informatik Stand: Wintersemester 2011/2012
Otto-Friedrich-Universität Bamberg Modultabelle B.Sc. Angewandte Informatik Fakultät Wirtschaftsinformatik und Angewandte Informatik Stand: Wintersemester 2011/2012 A1 Fachstudium Mathematische Grundlagen
MehrFuture Network-based Semantic Technologies FUNSET Science
AUTOMATION & CONTROL INSTITUTE INSTITUT FÜR AUTOMATISIERUNGS- & REGELUNGSTECHNIK Future Network-based Semantic Technologies FUNSET Science Munir Merdan und Reinhard Grabler Sparkling Science Kongress Workshop
MehrPRÄSENTATION IT-BESCHAFFUNGSKONFERENZ 2016
1 Agst 25, 2016 Mittels Checkliste die komplexe Afgabe einer IT-Beschaffng schlank nd flexibel meistern. PRÄSENTATION IT-BESCHAFFUNGSKONFERENZ 2016 Inhalt / Ablaf 2 Vorstellng der Firma Bennett Conslting
MehrDOKUMENTENKLASSIFIKATION MIT MACHINE LEARNING
DOKUMENTENKLASSIFIKATION MIT MACHINE LEARNING Andreas Nadolski Softwareentwickler andreas.nadolski@enpit.de Twitter: @enpit Blogs: enpit.de/blog medium.com/enpit-developer-blog 05.10.2018, DOAG Big Data
Mehr«Cyborgs, Innovation und Digitalisierung» Pascal Kaufmann, Founder & CEO Starmind
«Cyborgs, Innovation und Digitalisierung» Pascal Kaufmann, Founder & CEO Starmind Northwestern University und ETH Zürich Chicago Medical School, 2001 Visueller Input Motorischer Output Die Vernetzung von
MehrLarge Scale Data Management
Large Scale Data Management Beirat für Informationsgesellschaft / GOING LOCAL Wien, 21. November 2011 Prof. Dr. Wolrad Rommel FTW Forschungszentrum Telekommunikation Wien rommel@ftw.at Gartner's 2011 Hype
MehrMaschinelles Lernen zur Hautkrebsvorhersage
Maschinelles Lernen zur Hautkrebsvorhersage Eine Bachelorarbeit von Daniel Fischer Betreuung: Dipl. Inf. Frederik Janssen Prof. Dr. Johannes Fürnkranz Dr. med. Matthias Herbst 03.07.2011 Fachbereich Informatik
MehrAMA. Applied Machine Learning Academy. Prof. Wolfgang Nejdl
Applied Machine Learning Academy AMA Applied Machine Learning Academy Prof. Wolfgang Nejdl Projektziele Aufbau einer Applied Machine Learning Academy (AMA) auf der Grundlage eines inhaltlich nachhaltigen,
MehrDie Zukunft des Rechts Digitalisierung und LegalTech als Chance für Rechtswissenschaft und Rechtsprechung Bernhard Waltl und Elena Scepankova, TUM
Die Zukunft des Rechts Digitalisierung und LegalTech als Chance für Rechtswissenschaft und Rechtsprechung Bernhard Waltl und Elena Scepankova, TUM Software Engineering für betriebliche Informationssysteme
MehrIntelligente Klassifizierung von technischen Inhalten. Automatisierung und Anwendungspotenziale
Intelligente Klassifizierung von technischen Inhalten Automatisierung und Anwendungspotenziale Künstliche Intelligenz Machine Learning Deep Learning 1950 1980 2010 Abgeleitet von: https://blogs.nvidia.com/blog/2016/07/29/whats-difference-artificial-intelligence-machine-learning-deep-learning-ai/
MehrData Science Marktforschung
Data Science Marktforschung Webinar 12. Juli 2018 Wie Data Science die Marktforschung verändert Christopher Harms, Consultant Research & Development Klassische Marktforschungsprojekte sind fokussiert auf
MehrIntelligente Algorithmen Einführung in die Technologie
Intelligente Algorithmen Einführung in die Technologie Dr. KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft www.kit.edu Natürlich sprachliche
MehrLehrangebot. Fachgebiet Informationssysteme Prof. Dr. Norbert Fuhr
Lehrangebot Fachgebiet Informationssysteme Prof. Dr. Norbert Fuhr N. Fuhr, U. Duisburg-Essen Lehrangebot 1 Lehrangebot des FG Informationssysteme Datenbanken Internet-Suchmaschinen Information Retrieval
MehrAnwendungen der KI / SoSe 2018
Anwendungen der KI / SoSe 2018 Organisatorisches Prof. Dr. Adrian Ulges Angewandte Informatik / Medieninformatik / Wirtschaftsinformatik / ITS Fachbereich DSCM Hochschule RheinMain KursWebsite: www.ulges.de
MehrSusanne Greiner, Data Scientist, Würth Phoenix. Würth Phoenix more than software
USER GROUP 2018 Von der Datenaufnahme zur Datenanalyse Das Performance Monitoring von morgen: Einfluss von User Experience, Anomaly Detection, Deep Learning Susanne Greiner, Data Scientist, Würth Phoenix
MehrWatson Services on Bluemix Workshop
Watson Services on Bluemix Workshop Beate Melcher Klaus-Peter Schlotter Urs Witzig IBM Business Partner Solution Hub Agenda 09:00-09:45 Welcome and IBM Watson Overview 09:45-10:10 Watson Services 1/2 10:10
MehrMasterstudium Informatik CURRICULUM 2006 IN DER VERSION 2013 MICHAEL KRISPER, BASISGRUPPE INFORMATIK & SOFTWAREENTWICKLUNG
Masterstudium Informatik CURRICULUM 2006 IN DER VERSION 2013 MICHAEL KRISPER, BASISGRUPPE INFORMATIK & SOFTWAREENTWICKLUNG Infos für den Anfang Curriculum ist im Mitteilungsblatt veröffentlicht: http://www.mibla.tugraz.at/12_13/stk_16e/16e.html
MehrDigitalisierung im Service Management - Was bringen AI, Chatbots und Co.?
Digitalisierung im Service Management - Was bringen AI, Chatbots und Co.? Agenda AI, Chatbot, KI, machine learning Stopp.wie bitte? Künstliche Intelligenz Ein Blick aus der Vergangenheit Status quo KI
MehrWerkstattbericht Gemeinschaftsverkehr Ergänzende Mobilitätsangebote aus Landessicht
Werkstattbericht Gemeinschaftsverkehr Ergänzende Mobilitätsangebote as Landessicht Dr. Martin Schiefelbsch MA MSc Kassel, 9.11.17 Gliederng 1. Krzvorstellng 2. Gemeinschaftsverkehr: Konzept nd Hintergrnd
MehrBig-Data and Data-driven Business KMUs und Big Data Imagine bits of tomorrow 2015
Big-Data and Data-driven Business KMUs und Big Data Imagine bits of tomorrow 2015 b Wien 08. Juni 2015 Stefanie Lindstaedt, b Know-Center www.know-center.at Know-Center GmbH Know-Center Research Center
MehrRegellose künstliche Intelligenz Deep Learning - Lernen an Hand von Beispielen
Regellose künstliche Intelligenz Deep Learning - Lernen an Hand von Beispielen EDV-Gerichtstag 2018, Saarbrücken 20.9.2019 Jörn Erbguth, Legal Tech Consultant joern@erbguth.ch +41 787256027 Agenda Beispiele
MehrBusiness Intelligence & Machine Learning
AUSFÜLLHILFE: BEWEGEN SIE DEN MAUSZEIGER ÜBER DIE ÜBERSCHRIFTEN. AUSFÜHRLICHE HINWEISE: LEITFADEN MODULBESCHREIBUNG Business Intelligence & Machine Learning Kennnummer Workload Credits/LP Studiensemester
MehrDatenanalyse mit Data Mining
Datenanalyse mit Data Mining von Jan-Christoph Meier Hamburg, 19.01.2012 1 Ablauf Motivation Speicherung der Daten für das Data Mining Data Mining Algorithmen Ausblick auf die Masterarbeit Konferenzen
MehrBildungsprogramm der DEUTSCHEN JUGENDFEUERWEHR
Lebenswelt der Kinder nd Jgendlichen Bildngsprogramm der DEUTSCHEN JUGENDFEUERWEHR Jgendfeerwehren organisieren nd beteiligen sich aktiv an kind- nd jgendgerechten Angeboten zr Freizeitgestaltng in nseren
MehrPredictive Analytics. Warum datenbasierte Vorhersagen kein Hexenwerk sind. ASQF Automation Day Dr. Stefano Signoriello
Predictive Analytics Warum datenbasierte Vorhersagen kein Hexenwerk sind Dr. Stefano Signoriello Seite 1 Inhalte des Vortrags Analytics Von Daten zu Wissen Von Nachsicht über Einsicht zu Voraussicht Descriptive,
MehrWir begleiten Sie in die digitale Zukunft.
AWeb Informatik ICT Beratng nd Spport Michelmattstrasse 23 4652 Winzna Wir begleiten Sie in die digitale Zknft. Telefon 062 295 42 77 E-Mail info@aweb.ch Internet aweb.ch WIR BEGLEITEN SIE IN DIE DIGITALE
MehrSeminar aus Netzwerke und Sicherheit
Seminar aus Netzwerke und Sicherheit Security in Business Applications Vorbesprechung 16.10.2008 Dr. Andreas Putzinger WS09/10 1 Intention Seminar kann als 2h BAK Seminar angerechnet werden. Zweiergruppen
MehrVisual Analytics: Personalisierung im E- Commerce
Visual Analytics: Personalisierung im E- Commerce Eduard Weigandt unsplash.com 2 Agenda 1. Motivation 2. Zielsetzung 3. Vorgehen 4. Chancen und Risiken otto.de 3 Warum? 1. persönlich: Bedürfnisse besser
MehrArtificial Intelligence. Was ist das? Was kann das?
Artificial Intelligence Was ist das? Was kann das? Olaf Erichsen Tech-Day Hamburg 13. Juni 2017 Sehen wir hier bereits Künstliche Intelligenz (AI)? Quelle: www.irobot.com 2017 Hierarchie der Buzzwords
MehrVorlesung. Data und Web Mining. Kurzinformation zur. Univ.-Prof. Dr. Ralph Bergmann. Lehrstuhl für Wirtschaftsinformatik II
Kurzinformation zur Vorlesung Data und Web Mining Univ.-Prof. Dr. Ralph Bergmann www.wi2.uni-trier.de - I - 1 - Die Ausgangssituation (1) Unternehmen und Organisationen haben enorme Datenmengen angesammelt
MehrSocial Learning. Vortrag AW 1. Florian Forsthuber. Hochschule für Angewandte Wissenschaften Hamburg. Master Informatik
Florian Forsthuber Social Learning 1 Social Learning Vortrag AW 1 Florian Forsthuber Hochschule für Angewandte Wissenschaften Hamburg Master Informatik Florian Forsthuber Social Learning 2 Agenda Motivation
MehrWENN DER KUNDENSERVICE-DESKTOP MITDENKT
ITYX GROUP KI-BASIERTE SERVICE DESK SOFTWARE WENN DER KUNDENSERVICE-DESKTOP MITDENKT KI im Kontext: Einleitung Nutzen von KI bei der Vorgangsbearbeitung (Case Management) ThinkOwl UI Klärung offener Fragen
MehrAI MADE IN CHINA Dr. Claudia Gruhn und Xingyue Zhu
WIE DEUTSCHE UNTERNEHMEN VON CHINAS KI-OFFENSIVE PROFITIEREN KÖNNEN. AI MADE IN CHINA Dr. Claudia Gruhn und Xingyue Zhu bitkom AI Summit 01.03.2018 THE TIGER IS COMING! Will The Future Of Artificial Intelligence
MehrWas ist, kann und darf Deep Learning? Dr. Beat Tödtli Laboratory for Web Science
Was ist, kann und darf Deep Learning? Dr. Beat Tödtli Laboratory for Web Science 15.12.2017 Suchinteresse 15.12.2017 Was ist, kann und darf Deep Learning? 2 Google Trends für Deep Learning ILSVRC 2012:
MehrAMTLICHE BEKANNTMACHUNG
AMTLICHE BEKANNTMACHUNG NUMMER 2017/094 SEITEN 1-6 DATUM 07.04.2017 REDAKTION Sylvia Glaser 3. Ordnung zur Änderung der studiengangspezifischen Prüfungsordnung für den Bachelorstudiengang Informatik der
MehrOperational Intelligence
Operational Intelligence Eric Müller Wenn Sie diesen Text lesen können, müssen Sie die Folie im Post-Menü mit der Funktion «Folie einfügen» erneut einfügen. Sonst kann kein Bild hinter die Fläche gelegt
MehrKomponente im Recruiting
Fokus auf die menschliche Komponente im Recruiting mit AI basiertem Matching Webinar am 23.08.2018 Martin Lenz, JOBIQO Martin Lenz Geschäftsführer, JOBIQO Background: + Studium Informatik & MBA + ca. 10
MehrBio-Inspired Credit Risk Analysis
Bio-Inspired Credit Risk Analysis Computational Intelligence with Support Vector Machines Bearbeitet von Lean Yu, Shouyang Wang, Kin Keung Lai, Ligang Zhou 1. Auflage 2008. Buch. XVI, 244 S. Hardcover
MehrMustererkennung und Klassifikation
Mustererkennung und Klassifikation WS 2007/2008 Fakultät Informatik Technische Informatik Prof. Dr. Matthias Franz mfranz@htwg-konstanz.de www-home.htwg-konstanz.de/~mfranz/heim.html Grundlagen Überblick
MehrFortbildungsveranstaltung
Fortbildngsveranstaltng Aktelle Aspekte klinischer Hepatologie Hepatitis C, Hepatitis E, Atoimmne Lebererkrankngen Mittwoch, 15. Oktober 2014 16.15-19.30 Uhr Leonardo Hotel Karlsrhe Medizinisches Versorgngszentrm
MehrJust seen on the way here SEITE 1
Just seen on the way here SEITE 1 Why you should learn about Data Science @WU? Axel Polleres, Institut für Informationswirtschaft, WU Twitter: @AxelPolleres http://polleres.net Finde these slides at: http://polleres.net/presentations/
MehrAnerkennung von Studien- bzw. Prüfungsleistungen für das Fach Erstfach Informatik
Fächerübergreifender Bachelorstudiengang PO 2018 von Studien- bzw. Prüfungsleistungen für das Fach Erstfach Informatik Matrikelnummer: Name, Vorname: Anschrift: E-Mail: Telefon: Dieses Formular ist im
MehrDouble Degree: Technische Hochschule Ingolstadt University of Massachusetts Boston
Double Degree: Technische Hochschule Ingolstadt University of Massachusetts Boston Studiengang: Financial Management und Controlling Inhaltsübersicht 1. Studienablauf Double Degree 2. Zulassungsvoraussetzungen
MehrPotentiale der Digitalisierung Herausforderungen gestalten. Prof. Dr. Christoph Meinel Dekan, Institutsdirektor und CEO Hasso-Plattner-Institut
Herausforderungen gestalten Prof. Dr. Christoph Meinel Dekan, Institutsdirektor und CEO Hasso-Plattner-Institut Herzlich Willkommen zur skonferenz Brandenburg 2018! Die Digitale Transformation ist, nach
MehrKI in der Praxis: das Data Science Startup. d:ai:mond
KI in der Praxis: das Data Science Startup d:ai:mond Prof. Dr. Jens Dittrich Big Data Analytics Group Saarland Informatics Campus d:ai:mond GmbH twitter.com/jensdittrich Jens Dittrich: Short CV Developer
MehrFrauen* auf der Flucht HINTERGRÜNDE, LEERSTELLEN UND NOTWENDIGKEITEN
Fraen* af der Flcht HINTERGRÜNDE, LEERSTELLEN UND NOTWENDIGKEITEN Einleitng Warm wir sprechen Abir Abdlnor, Sozialarbeiterin nd Soziologin as Aleppo, Syrien Tanja Chawla, MSc., filia.die Fraenstiftng Worüber
MehrStudienprofile B.Sc. Vorschläge der Fachschaft WiWi
Studienprofile B.Sc. Vorschläge der Fachschaft WiWi Studienberatung Studienprofil Finance/Controlling - Essentials of Finance [M] - Topics in Finance 1 [M] - Topics in Finance 2 [M] - efinance [M] - Machine
MehrMaster-Studiengang & Bewerbung/Zulassung. Judith Zimmermann Studienkoordinatorin, Departement Informatik, ETH Zürich
Master-Studiengang & Bewerbung/Zulassung Judith Zimmermann Studienkoordinatorin, Departement Informatik, ETH Zürich Master's in Data Science 120 Core Courses 62 Data Analysis 16 Information and Learning
Mehr