Workshop zu Machine Learning

Hochschule Koblenz (Rhein-Ahr-Campus Remagen) und Fraunhofer SCAI kooperieren im Bereich des Maschinellen Lernens

BONN.    Anwendungen und neue Möglichkeiten des Maschinellen Lernens in verschiedenen Domänen waren Thema einens Workshops von Vertretern der Hochschule Koblenz (Rhein-Ahr-Campus in Remagen) und von Fraunhofer SCAI. Der Workshop fand am 18. September 2018 am Bonn-Aachen International Center for Information Technology (B-IT) in Bonn statt. Die 21 Vorträge zeigten eindrucksvoll, dass Methoden des Maschinellen Lernens bedeutende Fortschritte ermöglichen – etwa beim virtuellen Design neuer Materialien, im Engineering oder in Bioinformatik und Medizin.

Die Teilnehmerinnen und Teilnehmer eruierten zudem, welche der zahlreichen Anknüpfungsmöglichkeiten auf dem Gebiet des Maschinellen Lernens geeignet sind, um intensiver zusammenzuarbeiten.  Besonders hervorzuheben ist hierbei die Zusammenarbeit über die Grenzen der Bundesländer Rheinland-Pfalz und Nordrhein-Westfalen hinweg.  

Fachhochschule Koblenz RheinAhrCampus
Fraunhofer SCAI
B-IT Bonn-Aachen

Vorträge in der Übersicht

Hier finden Sie die Präsentationen der Referentinnen und Referenten zum Download.

Abteilung Name Vortragsthema
BIO Sumit Madan Bio-Medical Text Mining with Machine Learning
BIO Tamara Raschka Subgroup identification in Alzheimer's disease with the help of clustering approaches
BIO Asif Emon Patient Stratification via building Genomic Profile using Deep Learning in Neurodegenerative Diseases
BIO Daniel Domingo Fernández Systematic evaluation of the consensus across pathway databases
BIO Aybuge Altay BNenrich: Bayesian Networks for Patient Specific Pathway Enrichment by Integrating Multi-Omics Data with Partial Overlaps
BIO Meemansa Sood Longitudinal data modeling for Alzheimer's disease : examples of predictive and generative models
BIO Charles Hoyt Systems Biology and Proteochemometrics for Drug Repositioning
RAC Markus Neuhäuser Nonparametric Statistics
RAC Maik Kschischo High dimensional statistics for cancer research
RAC Thomas Dietz Simulation of molecular formation dynamics in laser-induced plasmas with ReaxFF
VMD Jan Hamaekers Virtual Materials Design
VMD Astrid Maass Computational Chemistry
VMD James Barker Machine learning for prediction of materials properties
VMD Tobias Olbrich Machine learning for high dimensional potential energy functions
VMD Ralph Thesen Matchmaking and Deep Learning
RAC Babette Dellen Computation of local image properties with neural networks
RAC Dominik Kahl Data Assimilation with Structural Model Errors
RAC Uwe Jäkel Learning from Time Series and Markov Chains
NDV 
Rodrigo Iza-Teran Machine Learning for CAE Applications
NDV Christopher Vahl Anomaly Detection in Log Files
NDV Barbara Fuchs Uncertainty Quantification in Gas Network Simulation