Aktuelles KISMi – KI Supportplattform Mittelstand

Der Einstieg in das Maschinelle Lernen: die Lineare Regression. Der Workshop behandelt die Anwendung der linearen Regression auf generierte Daten sowie auf ein einfaches Praxisbeispiel. Eine explorative Datenanalyse und Diskussion der Werte wird durchgenommen und die lineare Regression erklärt.

Lernziele: Verarbeitung einfacher Tabellendaten, Anwenden der linearen Regression

Zielgruppe: Einsteiger in Machine Learning und Data Science, mit grundlegenden Kenntnissen in Python Programmierung.

Hard- und Softwarevoraussetzungen: Eigener Rechner mit ausreichender Leistung und installierter Software Umgebung (empfohlen Anaconda 3 / Jupyter Notebook)

Die Logistische Regression ist eine spezielle Form der Regressionsanalyse – und oft ein guter Einstieg in komplexere Lernverfahren zur Klassifikation – und für viele Anwendungen technisch völlig ausreichend. Der Workshop führt diese Technik am Praxisbeispiel ein und diskutiert Gütekriterien.

Lernziele: Verarbeitung einfacher Tabellendaten, Anwenden der logistischen Regression.

Zielgruppe: Einsteiger in Machine Learning und Data Science, grundlegende Kenntnisse in Python Programmierung.

Hard- und Softwarevoraussetzungen: Eigener Rechner mit ausreichender Leistung und installierter Software Umgebung (empfohlen Anaconda 3 / Jupyter Notebook)

Hinweis zur Organisation: Die Veranstaltung wird mit dem Online-Konferenztool „Zoom“ durchgeführt. Zur Teilnahme sind weder Download noch Registrierung nötig. Es genügt ein aktueller Webbrowser.

Der Zugangslink wird rechtzeitig zur Verfügung gestellt.

Maschinelles Lernen von Entscheidungsbäumen stellt eine Methode dar, die im Gegensatz zu Neuronalen Netzen nachvollziehbare und erklärbare Modelle generiert.

Der Workshop führt in diese Techniken ein und es wird am Beispiel eine Vorhersage von Einkaufsverhalten mit Decision Trees und Random Forests auf Basis von synthetisch generierten Daten erarbeitet.

Lernziele: Generieren und verarbeiten von synthetischen Daten, Anwenden der ML Algorithmen, Evaluation der Modelle.

Zielgruppe: Einsteiger in Machine Learning und Data Science, grundlegende Kenntnisse in Python Programmierung.

Hard- und Softwarevoraussetzungen: Eigener Rechner mit ausreichender Leistung und installierter Software Umgebung (empfohlen Anaconda 3 / Jupyter Notebook)

Hinweis zur Organisation: Die Veranstaltung wird mit dem Online-Konferenztool „Zoom“ durchgeführt. Zur Teilnahme sind weder Download noch Registrierung nötig. Es genügt ein aktueller Webbrowser.

Der Zugangslink wird rechtzeitig zur Verfügung gestellt.

Ein verbreitetes klassisches Verfahren des Maschinellen Lernens stellen „Support Vector Machines“ (SVM) dar. Das Verfahren ist speichereffizient und eignet sich besonders gut für weniger komplexe Aufgaben mit kleineren, wenig verrauschten Daten. Der Workshop stellt dieses Verfahren vor, zeigt das Konzept der Kernelfunkion, diskutiert Codebeispiele und Hyperparameteroptimierung und führt weitere Gütekriterien ein.

Lernziele: Generieren und verarbeiten von synthetischen Daten, Anwenden der ML Algorithmen, Evaluation der Modelle, Visualisierung, Optimierungsverfahren.

Zielgruppe: Einsteiger in Machine Learning und Data Science, grundlegende Kenntnisse in Python Programmierung.

Hard- und Softwarevoraussetzungen: Eigener Rechner mit ausreichender Leistung und installierter Software Umgebung (empfohlen Anaconda 3 / Jupyter Notebook)

Hinweis zur Organisation: Die Veranstaltung wird mit dem Online-Konferenztool „Zoom“ durchgeführt. Zur Teilnahme sind weder Download noch Registrierung nötig. Es genügt ein aktueller Webbrowser.

Der Zugangslink wird rechtzeitig zur Verfügung gestellt.

Während sich Gem 1-4 mit Supervised Learning befassen, stellt dieser Workshop neben einem weiteren, einfachen Verfahren aus dieser Klasse auch Methoden des Unsupervised Learnings vor. Code und Praxisbeispiele werden zu den Verfahren K-Means (ein Clusteringverfahren / unsupervised) und K-nearest-neighbors (KNN) vorgestellt.

Lernziele: Generieren und verarbeiten von Praxisdaten, Anwenden der ML Algorithmen, Evaluation der Modelle, Visualisierung.

Zielgruppe: Einsteiger in Machine Learning und Data Science, grundlegende Kenntnisse in Python Programmierung.

Hard- und Softwarevoraussetzungen: Eigener Rechner mit ausreichender Leistung und installierter Software Umgebung (empfohlen Anaconda 3 / Jupyter Notebook)

Hinweis zur Organisation: Die Veranstaltung wird mit dem Online-Konferenztool „Zoom“ durchgeführt. Zur Teilnahme sind weder Download noch Registrierung nötig. Es genügt ein aktueller Webbrowser.

Der Zugangslink wird rechtzeitig zur Verfügung gestellt.

Prof. Dr. Matthias Drüppel / Prof. Dr. Janko Dietzsch
ZfKI der DHBW Stuttgart

KI ist gekommen, um zu bleiben. Und das heißt, dass sich Unternehmen fragen müssen OB, WO und WIE sie von dieser neuen Technologie profitieren können, um nicht eine der größten technologischen Veränderungen des 21. Jahrhunderts zu verschlafen. Bei einer so rasanten Technologieentwicklung ist es aus Unternehmenssicht schwer, den Überblick zu behalten: sowohl beim Technologie-Verständnis als auch beim Erkennen möglicher Potentiale.

In diesem Workshop wollen wir einen Querschnitt über wichtige Anwendungsfelder von künstlicher Intelligenz geben. Hierbei möchten wir sowohl Anwendungen als auch Technologie (be-)greifbar machen – auch für diejenigen, die noch nicht tief in die Technik eintauchen konnten!

Zielgruppe: Executives – die Entscheider in Unternehmen, die KI zielgerichtet einsetzen wollen

Achtung: Die Veranstaltung findet hybrid statt (Teilnahme in Präsenz und online möglich)

Dr. rer. nat. Christian Tutschku
Fraunhofer IAO / Head of Team Quantum Computing

Applying (quantum) machine learning techniques to industrial use cases conventionally already represents a relevant- and on the quantum-side defines a highly promising approach towards beating classical computing schemes for a large set of use cases.

However, finding experts in both, quantum computing as well as machine learning is notoriously difficult nowadays. As a direct consequence, this hinders the application of state-of-the-art (quantum) machine learning algorithms for industrial use cases, especially for small and medium-sized enterprises (SMEs).

Within the joint research project AutoQML we are developing a cloud-based solution enabling the automatic use of (Q)ML-algorithms without a fundamental understanding of neither quantum nor conventional machine learning techniques. This talk will introduce our approach, which enables customers to take advantage of suitable (quantum) machine learning algorithms without optimizing the associated hyperparameters manually.

Please note: The expert talk is a hybrid event (on site and online participation possible).

In den Unternehmen ist klar angekommen, dass ihr wirtschaftlicher Erfolg und ihre Wettbewerbsstärke in hohem Maße von Daten beeinflusst wird. Daten stellen einen strategischen Unternehmenswert dar. Um jedoch Vorteile daraus generieren zu können, sind Datenanalysen nötig, die aus den Daten Informationen und letztendlich wertvolles Wissen generieren. Hier stoßen Unternehmen häufig insbesondere bei unstrukturierten Daten (z.B. Texte) auf große Herausforderungen. Und dennoch sind es gerade diese unstrukturierten Daten, die sehr viele, wertvolle Informationen in sich bergen. Im Rahmen des Vortrags soll anhand eines konkreten User Cases praxisnah dargestellt werden, wie mit Hilfe der LDA-Analyse aus unstrukturierten Daten automatisch Topics erkannt werden können.

Zielgruppe: Anwender im Unternehmen, Betriebswirte, Marketing

Achtung: Die Veranstaltung findet hybrid statt (Teilnahme in Präsenz und online möglich).

Wissen ist Macht - diese Aussage ist zeitlos.
Durch KI eröffnen sich neue Chancen für Unternehmen relevantes Wissen über ihr Zielmärkte, ihre Wettbewerber und ihre Kunden zu erfahren und es nutzbar zu
machen. 

• Welcher Hersteller liefert Gepäckförderbänder für den geplanten Flughafen in Brasilien?
• Welchen Ansprechpartner muss ich kontaktieren, um meine Antriebe für die Förderbänder frühzeitig für das Projekt anzubieten?
• Stehen meine Wettbewerber bereits mit den Verantwortlichen in Kontakt?

In diesem Workshop möchten wir Ihnen anhand realer Use Cases aus dem Maschinenbau das Potenzial von KI in einer Live-Demo zeigen.

Zielgruppe: Vertriebsmanager im Maschinenbau, Data Master Manager, Mitarbeitende in Marketing-, Marktforschungs- und Digitalisierungsabteilungen
Veranstaltungsort: DHBW Stuttgart, Fakultät Technik, Lerchenstr. 1, 70174 Stuttgart

Das Netzwerk des KI Bundesverbands verbindet die innovativsten KI- und Deep-Tech-Unternehmen mit der etablierten Wirtschaft und Politik. Mehr als 400 KI-Unternehmen sind in dem Netzwerk verbunden: KMU, Startups, Expertinnen und Experten mit Erfahrung in der Anwendung von KI. Das Netzwerk, dem inzwischen auch die DHBW über das ZfKI angehört, stellt sich am 12.12.2023 um 17 Uhr vor.

Zielgruppe: Unternehmen und interessierte Hochschulmitglieder

Hinweis zur Organisation: Die Veranstaltung wird mit dem Online-Konferenztool „Zoom“ durchgeführt. Zur Teilnahme sind weder Download noch Registrierung nötig. Es genügt ein aktueller Webbrowser.

Der Zugangslink wird rechtzeitig zur Verfügung gestellt.