„Sehr interessant und gelungen.“ 
Dr. Hartmut Schlenz, Forschungszentrum Jülich GmbH Institut für Energie- und Klimaforschung (IEK) 

„Die Fortbildung hilft mir, mit meiner Aufgabenstellung weiter zu kommen...“ 
Alexandra Weißmantel, TU Bergakademie Freiberg, Institut für Mineralogie

FORTBILDUNG

Maschinelles Lernen - Grundlagen und Anwendungen auf materialwissenschaftliche Beispiele

  • 17.03. - 19.03.2020
  • TU Bergakademie Freiberg
  • Freiberg

2019-11-13-Flyer 2020 Maschinelles Lernen Frühjahr.pdf Flyer
2019-11-13-FB-2020-Pressemitteilung-Maschinelles Lernen.pdf


Beschreibung

Für die Auswertung materialwissenschafticher 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 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

  • Grundlagen der verwendeten Software Tools: Python und Jupyter Notebook
  • Einführung: Deep Learning als Methode des Maschinellen Lernens
  • Deep Learning mit Convolutional Neural Networks
  • Einführung in PyTorch
  • Übung I: Entwicklung eines Convolutional Neural Network (CNN) zur Klassifizierung von Bilddaten
  • Von der Materialwissenschaft zum Deep Learning – Beispiele und Anwendungen
  • Manuelle Erzeugung von Trainingsdaten
  • Synthetische Erzeugung von Trainingsdaten
  • Übung II: Entwicklung eines Convolutional Neural Network (CNN) zur Segmentierung von Bilddaten
  • 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. 

In das Programm der Fortbildung ist zudem ein Networking-Abend inkl. gemeinsamen Abendessen integriert. Dieser bietet den Teilnehmern eine ideale Möglichkeit zum weiteren Austausch bereits gemachter Erfahrungen und der weiteren Vertiefung der Fortbildungsinhalte in einem angenehmen Rahmen.

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.

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  

Fragen und Kontakt

Sie haben Fragen zur Veranstaltung? 
Gerne beantworten wir diese auch persönlich. Rufen Sie uns einfach an oder senden Sie uns eine E-Mail.

Tel.: +49 (0)2241-2355449 
Fax: +49 (0)2241-4930330
E-Mail: fortbildung@dgm-inventum.de  

Ansprechpartner

Dr.-Ing. Tim Dahmen

DFKI GmbH


Prof. Dr. Stefan Sandfeld

TU Bergakademie Freiberg


Dominik Steinberger