piwik-script

English Intern
Astronomie

Datenlabor

Datenlabor für Maschinelles Lernen

DataSphere@JMUW

Labor mit GPU/CPU Rechencluster als Coworking Space für Anwender von Methoden des Maschinellen Lernens

Das interdisziplinäre  Datenlabor Datasphere@JMUW stellt einen Treffpunkt für Forschende auf dem Gebiet des Maschinellen Lernens in den datenintensiven Wissenschaften dar. Der Zugang zum Datenlabor ist nach Absprache  möglich (Anmeldung per Email an den Lehrstuhlinhaber).  In unregelmäßigen Abständen treffen sich ML-Forschende in einem Seminar, um ihre Projekte vorzustellen. Für das Datenlabor wurden ein Moodle-Kurs auf WueCampus und ein Slack-Workspace eingerichtet (data-lab-astrowue). 

Termin Sprecher

Thema

07.03.2019 Paul Ray Burd Radio frequency interference filtering with LSTM cells
25.07.2019 Martin Blaimer

Magnetic-Resonance-Imaging (MRI): Sequence optimization with Machine Learning

20.02.2020

Peter Dawood

Neural Networks for Magnetic Resonance Imaging Reconstructions

 

Rick Seifert

DeepCLEM: automated Registration of correlative light- and electron microscopy Images with convolutional neural networks

27.02.2020

Jannik Stebani

Enhancing quantitative Magnetic Resonance Fingerprinting via deep neural nets

  Andreas Berberich Generative Adversarial Networks for single-molecule localization microscopy
Thursday 11-13 All Weekly datalab workshop for informal discussions among machine-learning practicioners  (Zoom-Meeting, ask Paul Burd for meeting ID and pwd)

03.12.2020

Karl Mannhiem opening words (2.15 p.m. - 2.30 p.m.)
 

Thorsten Feichtner

Evolutionary optimization of optical antennas (abstract) (2.30 p.m. - 3.15 p.m.)

  Sebastian Reinhard

An approach to combine compressed sensing and neuronal networks in single-molecule localization microscopy (abstract) (3.15 p.m. - 4.00 p.m.)

18.03.2021 Elisabeth Fischer Integrating Keywords into BERT4Rec for Sequential Recommendation (abstract)
  Padraig Davidson Anomaly Detection in Beehives using Deep Recurrent Autoencoders (abstract)
  Michael Steininger

ConvMOS: Climate Model Output Statistics with Deep Learning (abstract)

04.11.2021

Luca Kohlhepp

ML driven RFI filtering (abstract)

  Sebastian Förtsch Applied Earth Observation (abstract)