Fundamentale Algorithmen des Maschinellen Lernens

• Prof. Mnich

Datenbasierte Modellierung und Regelung nichtlinearer dynamischer Systeme - Theorie und praktische Umsetzung

• Dr. Dostal

Keine Angst vor der KI: Möglichkeiten und Grenzen des Maschinellen Lernens am Beispiel von medizinischen Anwendungen

• Prof. Schlaefer

Identifikation von Anwendungsfeldern für Maschinelles Lernen im Supply Chain Risiko Management

• Prof. Kersten

Einführung in Support Vector Machines

• Prof. Schulte

Maschinelles Lernen in der Mechanischen Dynamik

• Prof. Hoffmann

Maschinelles Lernen für die medizinische Bildverarbeitung

• Prof. Schlaefer

Teil I

Maschinelles Lernen mit Graphen

• Prof. Ihl

Ausgewählte Tools für Maschinelles Lernen

• Dr. Dostal

Quantitative Struktur-Eigenschafts-Beziehungen zur Auswahl effizienter Additive im Materialdesign

• Dr. Vonbun-Feldbauer

Einsatz von KI für die Betriebsführung elektrischer Netze

• Prof. Becker

Teil II

Maschinelles Lernen mit Graphen

• Prof. Ihl

Teil I

Klassifikation hand­ge­schriebener Zahlen mit Hilfe eines mehr­schichtigen neuronalen Perceptron (MLP)-Netzes und Jupyter-Notebooks

• Prof. Meißner

Scientific Programming with Julia

• Prof. Knopp

Machine Learning for Communications Engineering

• Prof. Bauch

Sequenz­modellierung mit Deep Learning

• Prof. Gollnick

Teil II

Klassifikation hand­geschriebener Zahlen mit Hilfe eines mehr­schichtigen neuronalen Perceptron (MLP)-Netzes und Jupyter-Notebooks

• Prof. Meißner

Detecting Faults, Failures, and Anomalies with Machine Learning

• Prof. Fey

Einsatz und Chancen von Methoden des Maschinellen Lernens in der Elektro­magnetischen Verträglichkeit

• Prof. Schuster

Business Analytics mit der PLS-Pfadanalyse­methode

• Prof. Ringle