In den letzten Jahren sind neben den etablierten Methoden des Maschinellen Lernens (ML) zur aus Auswertung von Daten, wie z.B. der Klassifikation, Regression oder des Clusterings, neue, generative Methoden entstanden, welche das Erzeugen von teilweise qualitativ sehr hochwertigen synthetischen Daten erlauben. Neben den teils öffentlich wirksamen Beispielen, bei denen meist Bild- oder Audiodaten durch ML Algorithmen generiert oder verändert werden, stellt sich die Frage ob diese Techniken auch für „seriöse“ Anwendungen nützlich sind.
Der Vortrag wird im ersten Teil einführend eine Übersicht über aktuelle generative Deep Learning Methoden und deren (spielerische) Anwendungen geben.
- Einführung in „Generative Adversarial Networks (GAN)“ und
„Variational Autoencoder (VAE)“ - Diskussion der theoretischen und praktischen Vor- und Nachteile
- Spielerische Anwendungen im Bild und Audiobereich
Im zweiten Teil des Vortrags soll dann erörtert, werden warum diese Ansätze aus theoretischer Machine Learning Sicht einen hohen Stellenwert haben und welche praktisch nützlichen Anwendungen sich daraus ergeben.
Janis Keuper – HS Offenburg
Janis Keuper ist seit Juli 2019 Inhaber der Markant Stiftungsprofessur für „Data Science und Analytics“ an der
Fakultät für Elektrotechnik, Medizintechnik und Informatik an der Hochschule Offenburg. Zuvor leitete er die
„Large Scale Machine Learning“ Gruppe am Competence Center für High Performance Computing des Fraunhofer Instituts für Techno- und Wirtschaftsmathematik (ITWM) in Kaiserslautern. Sein Forschungsschwerpunkt liegt auf dem Entwurf skalierbarer Machine Learning Systeme – von Algorithmus bis zur Hardware.
Vor seinem Wechsel zu Fraunhofer in 2012 war er Gruppenleiter am Intel Visual Computing Institute in Saarbrücken und PostDoc am Zentrum für Interdisziplinäres Wissenschaftliches Rechnen der Universität Heidelberg.