German English

Trends in Machine Learning and Data Analytics (Forschungsseminar)

Überblick

  • Anrechenbar als Seminar-Modul (“Forschungsseminar Datenbanken”) im Masterstudium oder Bachelorstudium Informatik sowie im Rahmen des Vertiefungsmoduls Moderne Datenbanktechnologien (10-202-2216) (siehe auch Modulangebot).

  • Das Seminar ist auf max. 20 Teilnehmer/innen begrenzt.

  • Um an dem Seminar teilzunehmen, müssen Sie sich bis 9.10.2019 in AlmaWeb für das Modul Moderne Datenbanktechnologien (10-202-2216) 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 mit Themenvergabe am 25.10.2019 um 13:30 Uhr im Big Data Kompetenzzentrum ScaDS, Ritterstraße 9-13 2.OG (Standort/Lagebschreibung).

  • Die studentischen Vorträge finden an den Freitagsterminen im Jan. 2020 (jeweils ab 13:30 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.

Themen und Betreuer

NrThemaBetreuerVotragenderQuellenTermin VortragFolienAusarbeitung
00 Welcome and Introduction–Prof. Dr. Erhard Rahm–25.10.2019––
Introduction
01 Machine Learning: Techniques and Trends Täschner [redacted] [1],[2],[3], [4]10.01 pdf –
02 Architectures of neural networks Schuchart – [1],[2] – –
Deep learning
03 Image classification using CNNs Wilke [redacted] [1],[2],[3], [4]10.01 pdf –
04 Deep Convolutional Generative Adversarial Networks Peukert [redacted] [1] 17.01 – –
05 Deep learning for entity matching Saeedi – [1] – –
Machine Learning on Graphs
06 Overview of Graph Representations Obraczka – [1] – – –
07 Random-Walk-based Embeddings Rost [redacted] [1],[2],[3],[4] 17.01 – –
08 Google Deep Mind and GMNs Gomez – [1],[2] – –
09 Semi-supervised Learning on Graphs Christen – [1],[2], [3] – –
Machine Learning Threats and Solutions
10 Overview on Privacy-preserving Machine Learning Franke – [1] – –
11 Privacy-preserving Deep Learning Sehili – [1] – –
12 Fair Machine Learning Rohde [redacted] [1] 17.01 pdf –
13 Explainable artificial intelligence Rohde [redacted] [1],[2] 24.01 pdf –
14 Attention is all you need Syed [redacted] [1] 24.01. ––
Machine Learning in Medicine
15 Machine Learning for Data Integration in Biology and Medicine Franke [redacted] [1] 31.01 pdf –
16 Deep Learning for Mortality Prognosis Lin – [1] – – –
17 Time Series Classification in Medicine Christen – [1],[2] – –
18 Deep Learning in Radiomics Martin [redacted] [1], [2] 24.01 pdf pdf
Other Applications for Machine Learning
19 Network and Host intrusion detection Grimmer [redacted] [1] [2][3] [4] 31.01 – –
20 Distributed Learning Wilke – [1] – –
21 Tackling Climate Change with Machine Learning Wilke [redacted] [1],[2] 31.01 pdf –
22 AutoML Alkhouri [redacted] [1] 31.01 – –
» printer friendly version