German English

Forschungsseminar New Trends in Machine Learning and Data Analytics

Überblick

  • Das Seminar ist auf max. 30 Teilnehmer/innen des Masterstudiengangs Data Science begrenzt.

  • Um an dem Seminar teilzunehmen, müssen Sie sich im AlmaWeb für das Modul Skalierbare Datenbanktechnologien 1 (10-INF-DS01) und das Seminar anmelden sowie an der Einführungsveranstaltung teilnehmen, bei der die endgültige Platz- und Themenvergabe erfolgt.

Bei Fragen und Problemen zur An- und Abmeldung wenden Sie sich bitte an das Studienbüro via einschreibung(at)math.uni-leipzig.de

  • Einführungsveranstaltung 30.10. 13:30 im Moodle-Kurs

  • Die studentischen Vorträge finden an den Freitagsterminen im Jan./Feb 2021 (jeweils ab 13:15 Uhr) statt.

Leistungsbewertung

Ein erfolgreiches Seminar setzt die Teilnahme an allen Seminarterminen voraus, die selbständige Erarbeitung eines Themas sowie einen Vortrag sowie eine schriftliche Ausarbeitung (15-20 Seiten) über das Thema. Die Benotung setzt sich aus der Note zu Vortrag und Diskussion sowie der Note für die Ausarbeitung zusammen. Einige Hinweise zum Verfassen der schriftlichen Ausarbeitung finden Sie hier.

Literatur

Für das Verständnis ist es hilfreich sich folgende Studentenarbeiten oder Originalliteratur Quellen zum Thema Deep Learning anzuschauen.

Thema Quelle
Einleitung Deep-Learning Studentenarbeit,[1],[2]
Autoencoder und CNN Studentenarbeit,[1]
Recurrent Neural Networks[1] [2]

Themen und Betreuer

NrThemaBetreuerVotragenderQuellenTermin VortragFolienAusarbeitung
0Einführung in Seminar und Themen-Prof. Rahm30.10.2020PDF-
Machine Learning in Databases
DB1Data Management in Machine Learning:Challenges, Techniques, and SystemsChristen[1], [2]
DB2DBMS Tuning with ML-TechniquesChristen[1]
DB3Security and Privacy on BlockchainFranke[1], [2]
Privacy & Security
P1Membership Inference Attacks Against Machine Learning ModelsSchneider[1]
P2Preventing Membership Inference Attacks with PATESchneider[1]
P3Generating Differential Private Datasets Using GANsSchneider[1]
P4Clustered federated Learning: Model-Agnostic Distributed Multitask Optimization under Privacy ConstraintsSehili[1]
P5Practical Secure Aggregation for Privacy-Preserving Machine LearningSehili[1]
P6ABY3: A Mixed Protocol Framework for Machine LearningSehili[1]
P7Privacy-Preserving Classification on Deep Neural NetworkSehili[1]
P8Crime Data AnalysisFranke[1]
Techniques for limited labeled data
LD1Human in the Loop for Entity ResolutionKöpcke[1], [2]
LD2Cross-Modal Entity Resolution Based on Co-Attentional Generative Adversarial NetworkKöpcke[1]
LD3Transfer Learning for Entity ResolutionWilke[1],[2]
LD4Effective and Efficient Data Cleaning for Entity MatchingKöpcke[1]
LD5Semi-automated Labelling for MLWilke[1]
LD6Machine Learning for Entity ResolutionSaeedi[1]
Time Series Analysis
TS1Time-series forecasting with Deep LearningTäschner[1], [2]
TS2Time Series Classification with Machine Learning: HIVE-COTE and InceptionTimeBurghardt[1], [2]
Graphs
G1Programming Abstractions for Distributed Graph ProcessingRost[1]
G2Graph Stream Summarization TechniquesRost[1], [2]
G3Dynamic/Stream Graph Neural NetworkAlkamel[1]
G4Graph Analytics on GPUsGomez[1]
G5The Message Passing Framework for Graph Neural NetworksPetit[1]
G6Graph Neural Networks from a Spectral PerspectivePetit[1]
G7Attention Models in GraphsPetit[1]
G8Large-Scale Machine Learning on GraphsSchuchart[1]
G9Bootstrapping Entity Alignment with Knowledge Graph EmbeddingsObraczka[1]
G10Multi-view Knowledge Graph Embedding for Entity AlignmentObraczka[1]
Signal & Image processing[1]
SP1Location Tracking using Mobile Device SensorsRohde[1], [2]
SP2Automated Reverse Engineering and Privacy Analysis of Modern CarsGrimmer[1]
SP3Advances in pedestrian detection systemsTäschner[1], [2], [3]
SP4Person Detection With a Fisheye CameraBurghardt[1]
SP5Bird Voice RecognitionFranke[1], [2]
SP6Marine Bioacoustics I : ORCA-SPOT: An Automatic Killer Whale Sound Detection Toolkit Using Deep LearningLin[1]
SP7Marine Bioacoustics II : Marine Mammal Species Classification using Convolutional Neural Networks and a Novel Acoustic RepresentationLin[1]
Deep Learning in Physics
PH1Physics Informed Deep LearningUhrich[1]
PH2Deep Neural Networks motivated by Partial Differential EquationsUhrich[1]
Bio-Medical Applications
BM1Deep Learning for Prediction of Survival of Brain TumorsMartin[1]
BM2Machine Learning for Genomics DataChristen[1], [2]
BM3Construction of biomedical knowledge graphsChristen[1], [2]
BM4Electronic Health Record Data QualityRohde[1], [2]
BM5Human Behavioural Analysis For Ambient Assisted LivingBurghardt[1]
BM6Active survival learning in precision medicinePogany[1]
Seminar
» Druckversion