Minds Mastering Machines

dpunkt.verlag GmbH

In Mannheim

Die Minds Mastering Machines (M3) ist die Konferenz für Fachleute, die sich mit Maschine Learning und Künstlicher Intelligenz beschäftigen. Auch wir sind dabei – nicht nur als Silber-Sponsor, sondern auch mit drei spannenden Sessions: 

„Machine Learning Model Management – Ein Framework-Vergleich“

Nico Kreiling | 15.05.2019 | 11:30–12:15 Uhr

Maschinelles Lernen gewinnt für Unternehmen stetig an Bedeutung und die Integration in die eigene IT-Landschaft wird zur essentiellen Herausforderung. Wie andere Software muss maschinelles Lernen Anforderungen an Reproduzierbarkeit, Versionierung, Monitoring und Skalierung erfüllen. Aus diesem Bedarf heraus entstanden 2018 mit DVC, Sacred und MLFlow einige Open-Source-Projekte, die Data Scientisten bei der Persistierung und Selektion von Modellen unterstützen. 
Dieser Vortrag stellt diese Frameworks vor, vergleicht und bewertet sie konzeptionell und zeigt in kurzen Live-Demos den konkreten Einsatz. Letztlich werden im Vortrag unterschiedliche Einsatzszenarien entwickelt, um den Besucher bei der Auswahl des geeigneten Tools in Bezug auf die Anforderungen zu unterstützten.

Vorkenntnisse: Grundlegendes Verständnis von Python sowie der gängigen PyData-Bibliotheken von Vorteil.

Lernziele:

  • Verständnis für die Bedeutung von Reproduzierbarkeit im Machine-Learning-Bereich
  • Übersicht von Hilfsmittel zur Versionierung von ML-Modellen
  • Unterstützung bei der Auswahl eines geeigneten Frameworks für die eigenen Bedürfnisse

„Interpretierbarkeit von ML-Modellen“

Marcel Spitzer | 14.05.2019 | 14:15–15:00 Uhr

Interpretierbarkeit von ML-Modellen hat die Zielsetzung, die Ursachen einer Prognose offenzulegen und eine daraus abgeleitete Entscheidung für einen Menschen nachvollziehbar zu erklären. Durch die Nachvollziehbarkeit von Prognosen lässt sich beispielsweise sicherstellen, dass deren Herleitung konsistent zum Domänenwissen eines Experten ist. Auch ein unfairer Bias lässt sich durch die Erklärung aussagekräftiger Beispiele identifizieren.
Prognosemodelle lassen sich grob in intrinsisch interpretierbare Modelle und nicht-interpretierbare (auch Blackbox) Modelle unterscheiden. Intrinsisch interpretierbare Modelle sind dafür bekannt, dass sie für einen Menschen leicht nachvollziehbar sind. Ein typisches Beispiel für ein intrinsisch interpretierbares Modell ist der Entscheidungsbaum, dessen regelbasierter Entscheidungsprozess intuitiv und leicht zugänglich ist. Im Gegensatz dazu gelten Neuronale Netze als Blackbox-Modelle, deren Prognosen durch die komplexe Netzstruktur schwer nachvollziehbar sind. 

In diesem Talk möchte ich das Konzept von Interpretierbarkeit im Kontext von Machine Learning erläutern und gängige Verfahren zur Interpretation von Modellen vorstellen. Besonderen Fokus werde ich dabei auf modellunabhängige Verfahren legen, die sich auch auf prognosestarke Blackbox-Modelle anwenden lassen.

Vorkenntnisse:

Lernziele:

  • Grundlegendes Verständnis über Interpretierbarkeit im Kontext von Machine Learning
  • Überblick und Verständnis gängiger Verfahren zur Interpretation von ML-Modellen

„Vom Prototyping zur Produktion – Portabilität für Deep-Learning-Modelle“

Marcel Kurovski | 16.05.2019 | 15:15–16:00 Uhr

Für Deep Learning gibt es mit TensorFlow und PyTorch attraktive Frameworks – zur Modellierung und zum Prototyping, aber auch zur Skalierung und Produktivierung. Darf es dabei nur ein Framework sein? Oder haben wir vielmehr die Flexibilität produktiv mehrere Frameworks einzusetzen? Und wie kommt man überhaupt von Daten und anfänglichen Modellideen schnell und flexibel zum Deployment?
In meinem Vortrag demonstriere ich die Kombination von PyTorch und TensorFlow. Anhand des ONNX-Formats (Open Neural Network eXchange) und GraphPipe, zweier Open-Source-Techniken, demonstriere ich die Portabilität sowie das Deployment von Deep-Learning-Modellen in der Praxis.

Vorkenntnisse:

  • Grundkenntnisse zu künstlichen neuronalen Netzen (Komponenten, Training, Evaluation)
  • Erste Anwendungserfahrung mit Deep Learning Frameworks
  • Grundverständnis Client-Server Kommunikation

Lernziele:

  • Befähigung, schnell und einfach Prototypen zu testen und zu skalieren
  • Motivation, ONNX und GraphPipe kennen zu lernen und zu nutzen

Infos und Anmeldung:

Veranstaltungsort: m:con – mannheim:congress GmbH, Rosengartenplatz 2, 68161 Mannheim

Hier geht's zur Website der M3

Hier geht's direkt zu den Tickets

Mo Di Mi Do Fr Sa So
24 25 26 27 28 29 30
01 02 03 04 05 06 07
08 09 10 11 12 13 14
15 16 17 18 19 20 21
22 23 24 25 26 27 28
29 30 31 01 02 03 04
Jörg Ruckelshauß

Kontakt

Jörg Ruckelshauß

Head of Marketing & Communications

Aktuelle News über inovex und die Branche

inovex Newsletter

Sie möchten regelmäßig über unsere aktuellen Events informiert werden? Dann abonnieren Sie unseren monatlichen Newsletter!

Jetzt hier anmelden!