FORTBILDUNG

Maschinelles Lernen - Grundlagen und Anwendungen auf materialwissenschaftliche Beispiele

  • 08.03. - 12.03.2021
  • Online-Live-Fortbildung
  • Online-Live-Fortbildung jeweils von 09:00-13:00 Uhr

2020-10-22-Flyer 2021-Maschinelles Lernen T1.pdf Flyer


Beschreibung

Für die Auswertung materialwissenschaftlicher und werkstoffkundlicher Daten, vor allem für Bilddaten, wird Künstliche Intelligenz in Form des Maschinellen Lernens mit Hilfe von Deep Learning immer wichtiger. In dieser Fortbildung bieten wir Ihnen einen praxisorientierten Einstieg in faltungsbasierte neuronale Netwerke (Convolutional Neural Networks) zur automatischen Analyse von materialwissenschaftlichen Daten. Der Fokus wird auf der Klassifizierung und Segmentierung von Bilddaten und Tabellendaten liegen.

Ziel ist es, dass die Teilnehmer Möglichkeiten und Probleme kennen und anwenden lernen, um die gelernten Inhalte auf eigene Daten effizient übertragen und adaptieren zu können.

Themen und Inhalte

  • Deep Learning als Methode des Maschinellen Lernens – Grundlagen und Übersicht
  • Von der Materialwissenschaft zum Deep Learning – Beispiele und Anwendungen
  • Verarbeitung tabellarischer Daten mit Künstlichen Neurale Netze
  • Übung I: Entwicklung eines Convolutional Neural Network (CNN) zur Klassifizierung von Tabellendaten
  • Verarbeitung materialwissenschaftlicher Bilddaten mittels Faltungsbasierter Neuronaler Netze
  • Übung II: Entwicklung Faltungsbasierter Neuronaler Netze (CNN) zur Klassifikation von Bilddaten
  • Übung III: U-Net Architekturen zur Segmentierung materialwissenschaftlicher Bilddaten
  • Manuelle und Synthetische Erzeugung von Trainingsdaten
  • Zusammenfassung

Ihr Nutzen

  • Nach einer kurzen Einführung, welche mathematisch nicht in die Tiefe geht, werden gemeinsam Anwendungsbeispiele von Deep Learning entwickelt.
  • Sie lernen, wie man mit Hilfe von Python und geeigneten Bibliotheken Neuronale Netzwerke implementieren und anwenden kann. Der Fokus liegt dabei auf der eigenständigen Anwendung der erarbeiteten Modelle.
  • Durch eigenaktives Ausführen und Ändern der zur Verfügung gestellten Skripte können Sie das Erlernte direkt praktisch anwenden.
  • Nach der Teilnahme kennen Sie die Möglichkeiten und Problemestellungen des Maschinellen Lernen, so dass Sie die gelernten Inhalte auf eigene Daten effizient übertragen und adaptieren zu können.

Zielgruppe

Ideale Voraussetzungen für eine erfolgreiche Teilnahme an der Fortbildung sind grundlegende Programmierkenntnisse in Python, Matlab oder anderen Programmiersprachen. Die Vorkenntnisse umfassen unter anderem: Variablen und zugehörge arithmetische Operationen, Funktionen, Fallunterscheidungen, Kontrollstrukturen). Weiterhin sind Mathematik Grundkenntnisse hilfreich. Beispielsweise sollten Sie eine Vorstellung zu den Stichworten Vektor, lineare Abhängigkeit, Gradient und Nichtlinearität haben.

Organisatorisches

Zeiten:

1.-5. Tag jeweils 9-13 Uhr

Benötigte Softwaretools für die Teilnahme: 

PUTTY (Installationsanleitung erhalten die Teilnehmenden kurz vor der Fortbildung)

 

Weitere Fortbildungen im Themenbereich

Einführung von Werkstoffdatenbanken 

Artificial Intelligence in Materials Characterization and Process Controll

Einführung in die Digitale Bildkorrelation für Anwendungen bei der Charakterisierung von Faserverbundwerkstoffen  

Ansprechpartner

Dr.-Ing. Dominik Britz

Material Engineering Center Saarland - MECS


Dr.-Ing. Tim Dahmen

DFKI GmbH


Prof. Dr.-Ing. Frank Mücklich

Universität des Saarlandes


Martin Müller

Universität des Saarlandes


Prof. Dr. Stefan Sandfeld

TU Bergakademie Freiberg


Fragen und Kontakt

Gerne beantworten wir Ihre Fragen zur Fortbildung auch persönlich. Rufen Sie uns einfach an oder senden Sie uns eine E-Mail.

Tel.: +49-(0)69-75306 757
Fax: +49-(0)69-75306 733
E-Mail: fortbildung@dgm.de