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

    Mit dem Datenlabor Datasphere@JMUW stellt der Lehrstuhl für Astronomie einen Arbeitsraum als Treffpunkt für Forschende auf dem Gebiet des Maschinellen Lernens in den datenintensiven Wissenschaften zur Verfügung.  Der Raum befindet sich auf dem Campus Hubland Nord in der Emil-Fischer-Straße 31, Raum 31.01.007 im 1. Obergeschoß.   Hier wird auch ein leistungsstarker GPU-Cluster eingerichtet, um die Arbeiten der Anwender zu unterstützen.

    Der Zugang zum Labor ist ab dem kommenden Sommersemester 2020 nach Absprache möglich.  Dazu bitte das Projekt beschreiben und den wissenschaftlichen Betreuer nennen. Das Angebot richtet sich an die Teilnehmer der ML-Arbeitsgruppe in der Astrophysik und des interdisziplinären Seminars über aktuelle Use-Cases des Maschinellen Lernens.

    Die Anmeldung erfolgt über den Team-Coach der Nutzer des Datenlabors: Paul Ray Burd (Kontakt: pburd@astro.uni-wuerzburg.de, Tel. 8711). Er betreut auch das Seminar und führt die Teilnehmerliste.

    Das Datenlabor Datasphere@JMUW wird als gemeinsames Projekt der Astronomie (Prof. Mannheim) und Informatik (Prof. Hotho) von der DATEV Stiftung Zukunft gefördert und stellt eine Schnittstelle zum geplanten KI-Zentrum CAIDAS der Universität dar.

    COVID-19 Modus: 

    • Das ML-Seminar wird als Zoom-Videomeeting fortgeführt.  Teilnehmer erhalten über ihre Emailadresse Einladungen zum nächsten Termin.  Vortragsvorschläge nimmt Paul Burd jederzeit gerne in die Liste mit auf.
    • Das Datenlabor haben wir virtuell als Slack-Workspace eingerichtet (astro-wue). Dort können auch Fragen zur Nutzung des GPU-Clusters besprochen werden.

     

    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