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)