Förderung von Qualifizierungsmaßnahmen und Forschungsvorhaben im Bereich Maschinelles Lernen
|
AMA |
Applied Machine Learning Academy Das Hauptziel des Vorhabens ist die Weiterbildung von Mitarbeitern aus Mittelstand und Industrie. Hierfür soll, in Zusammenarbeit zwischen dem Institut für Fertigungstechnik und Werkzeugmaschinen und dem Forschungszentrum L3S eine Applied Machine Learning Academy (AMA) aufgebaut werden. Im Mittelpunkt der Akademie stehen das Anwendungsfeld Industrie 4.0 und deren konkrete Herausforderungen. In den im Vorhaben geplanten Praxisphasen sollen die Teilnehmer reale Maschinen der industriellen Produktion nutzen, um praxisnah verschiedene ML-Techniken einzuüben. Ansprechpartner: |
|
AppliedML |
Weiterbildung: Aktuelle Methoden des Maschinellen Lernens und deren praxisnahe Anwendung im Lernlabor (München) Das geplante Schulungsangebot im Bereich Maschinelles Lernen soll eine Lücke im bereits bestehende Weiterbildungs- und Zertifikatsprogramm der Fraunhofer-Gesellschaft im Bereich Data Science schließen. Das Ziel des Vorhabens ist es, ergänzende Module für das Schulungsangebot zu entwickeln. Die Teilnehmenden der Weiterbildungsmaßnahme werden animiert, eigene Daten einzubringen und Problemstellungen aus ihrem Berufsalltag schon während des Kurses zu bearbeiten. Die Teilnehmenden sollen von erprobten Strategien anderer Expertinnen und Experten lernen. Auf diese Weise soll eine Qualifizierung vergleichbar dem Training durch betriebsinterne Mentoren ermöglicht werden. Ansprechpartner: |
|
CIDA |
Computational Intelligence & Data Analytics Der Fachbereich Elektrotechnik/Informatik der Universität Kassel beabsichtigt, im Masterstudiengang Informatik einen Schwerpunkt “Computational Intelligence & Data Analytics” (CIDA) einzuführen. Mit CIDA sollen Studierende einerseits in die Lage versetzt werden, modernste Methoden des Maschinellen Lernens sorgfältig, sicher und systematisch in ihrem Berufsleben einzusetzen. Andererseits sollen sie dazu befähigt werden, im Beruf innovative Anwendungen auf Basis dieser Methoden selbst zu entwickeln. Neben grundlegenden und weiterführenden Vorlesungen/Übungen werden dazu Labore und (industriebegleitete) Projekte und Abschlussarbeiten angeboten. Ansprechpartner: |
|
COSY |
Maschinelles Lernen für das Internet der Dinge: Cognitive Tools for Cyberphysical Systems Ein Ziel des Vorhabens ist die Etablierung einer Maker-Plattform für Machine Learning auf der industrielle Partner mit den Studierenden der beiden Hochschulen (Hochschule Trier und RWTH Aachen) in Kontakt treten und gemeinsam an interessanten Problemstellungen arbeiten können. Die Maker-Plattform soll in den jeweiligen Masterstudiengängen der Informatik und Informationstechnik integriert und mit einem neuen Studiengang verknüpft werden. Projektpartner: |
|
deep. TEACHING |
Interaktion und praxisnähe bei der Vermittlung von Machine-Learning- Kompetenzen an der HTW Berlin Das zentrale Ziel des beantragten Vorhabens ist die qualitative und quantitative Verbesserung der Qualifizierung im Bereich Maschinelles Lernen für Studierende der HTW Berlin und für Anwendungs-partner aus der Wirtschaft sowie weitere externe Nutzer. Die Projektpartner planen das im Projekt zu entwickelnde Aus- und Weiterbildungsmaterial sowie die Daten und Software zu veröffentlichen, damit auch anderen Hochschulen und Anwender aus der Praxis das Material zur Qualifikation nutzen können. Studierende, die die Kurse der HTW besuchen, sollen in Teams an internen Wettbewerben teilnehmen, um wesentlichen Aspekte zur Umsetzung des Wissens in der Praxis zu erlernen. Ansprechpartner: |
|
DiffPro-ML |
Unterstützung differenzierter, projektorientierter Lehre für maschinelles Lernen an Fachhochschulen Die Grundidee des Vorhabens ist es, die Lehre im Bereich des Maschinellen Lernens am Fachbereich Informatik der FH Dortmund in einem Modellvorhaben stärker projektorientiert und Studiengangs differenzierter zu organisieren. Masterstudierende sollen insbesondere während der Projekt- und Masterarbeiten gezielt bei der Einarbeitung in Softwareframeworks und beim Umgang mit modernen Infrastrukturen für Maschinelles Lernen unterstützt werden. Der Antragsteller hat vielfältige Kontakte in die Industrie und strebt die Einbindung weiterer Industriepartner an, um die Ausbildung noch praxisnäher zu gestalten. Ansprechpartner: |
|
FMLA |
Forum maschinelles Lernen Augsburg Neben der Vermittlung von fundierten theoretischen Inhalten im Bereich Maschinelles Lernen durch vorhandene Veranstaltungen soll mit Hilfe dieses Vorhabens die praktische Ausbildung verstärkt werden. Hierfür sollen in Praktikumsveranstaltungen größere Aufgaben durch die Studierenden eigenständig gelöst werden. Die Aufgabenstellungen werden durch die assoziierten Unternehmen definiert, die auch die Daten zur Verfügung stellen. Die erzielte Projektergebnisse werden in regelmäßigen Abständen im „Forum maschinelles Lernen“ für interessierte Unternehmen präsentiert. Ansprechpartner: |
|
GIgAfLoPs |
Ganzheitliches Maschinelles Lernen in der Produktion Im Vorhaben „GIgAfLoPs“ sollen Methoden zum Maschinellen Lernen im Produktionsumfeld für verschiedene Zielgruppen aufbereitet und in anwendungsorientierter Form vermittelt werden. Schwer-punktmäßig soll die Anwendung des Maschinellen Lernens für technologische Prozesse (z. B. Um-formen, Zerspanen) sowie für maschinenbezogene Aufgaben (z. B. Lebensdauertests, Condition Monitoring) durch repräsentative, übertragbare und selbst erlebbare Fallbeispiele abgebildet werden. Zur Qualifikation wird ein Curriculum für eine semesterbegleitende Veranstaltung des wissenschaftlichen Nachwuchses sowie ein separates Workshop-Konzept für Anwender aus der Wirtschaft entwickelt. Projektpartner: Ansprechpartner: |
|
Green Belt ML@Operations |
Qualifizierungskonzept Maschinelle Lernverfahren für spezifische Anwendungsfälle in Produktion und Qualität Das Ziel des Vorhabens ist es, Kenntnisse bzgl. Verfahren des Maschinellen Lernens von Mitarbeitern in Produktions- und Qualitätsfunktionen gezielt zu erweitern. Die Teilnehmer aus der Industrie können sich zwischen zwei Spezialisierungen „Produktion“ oder „Qualität“ entscheiden. Jede Spezialisierung besteht aus vier praxisorientierten Anwendungsfällen, für die max. 60 Teilnehmer zunächst geeignete Verfahren des Maschinellen Lernens kennenlernen und anschließend in individuellen Projekten mit ca. 10 Wochen Dauer anwenden werden. Ansprechpartner: |
|
HaMLeT |
Hands-on Machine Learning Training Das Ziel dieses Vorhabens ist die Vermittlung von Wissen, gepaart mit praktischen Fähigkeiten auf dem Gebiet des Maschinellen Lernens an Masterstudierende der Fakultät für Elektrotechnik der RWTH Aachen. Dabei sollen grundlegende Konzepte, ebenso wie der State-of-the-Art auf diesem Gebiet vermittelt werden. Die geplante Lehrveranstaltung soll im Sinne des flipped-classroom Konzepts verwirklicht werden. Dies bedeutet, dass sich die Studierenden selbständig mit den theoretischen Gebieten auseinandersetzten. In einer Lehrveranstaltung werden Inhalte zu Beginn der Kurse wiederholt und es wird auf praktische Aspekte eingegangen. Danach vertiefen die Teilnehmer in Teams das theoretisch angeeignete Wissen im Zuge von praktischen Problemstellungen. Ansprechpartner: |
|
ICAML |
Interdisciplinary Center for Applied Machine Learning Im Vorhaben ist der Aufbau eines ML-Zentrums geplant. Mit dem Zentrum soll Anwendern aus den Natur- und Gesellschaftswissenschaften sowie aus der Wirtschaft die Möglichkeit gegeben werden, theoretische Fähigkeiten im Maschinellen Lernen und praktische Fähigkeiten im Umgang mit zum Produktiveinsatz geeigneten Systemen und Tools zu erwerben. Die Arbeit des Zentrums soll sich auf die Entwicklung, Durchführung und Online-Dokumentation einer Vielzahl von Modulen für die nachhaltige Qualifizierung im praktischen Maschinellen Lernen konzentrieren. Darüber hinaus sollen allerdings auch Sommerschulen und Wettbewerbsgruppen (Anwendung von ML-Methoden im Wettbewerb) konzipiert werden. Ansprechpartner: |
|
InDaS |
Industrial Data Science - Qualifizierungskonzept für Maschinelles Lernen in der industriellen Produktion Das Ziel des Vorhabens ist die Entwicklung eines Qualifizierungskonzepts für den praxisorientierten und interdisziplinären Kompetenzaufbau bei Masterstudierenden und Fachkräften aus der Industrie im Bereich des Maschinellen Lernens. Insbesondere sollen die speziellen Herausforderungen produzierender Unternehmen berücksichtigt und so das notwendige Wissen zur Lösung von Problemstellungen in der Praxis vermittelt werden. Das Qualifizierungskonzept integriert dabei einen anwendungs- und praxisorientierten Kompetenzaufbau und das Lernen in interdisziplinären Gruppen aus Studierenden der Statistik, Informatik und Ingenieurwissenschaft sowie industrieller Fachkräfte. Projektpartner: |
|
KarAMeL³ |
Karlsruhe Applied MachinE Learning Living Lab Das Ziel des Vorhabens ist es, die Anzahl der betreuten Studenten im bereits existierenden Masterstudiengang deutlich zu steigern, den Austausch zwischen den Studierenden in Wettbewerben, Workshops und Praktika zu intensivieren, sowie die Betreuungsangebote domänenübergreifend zu struktu-rieren. Als Forschungstransfer-Einrichtung setzt das Forschungszentrum Informatik den Schwerpunkt des Vorhabens auf die Vermittlung anwendungsnaher ML-Methoden und Technologien in den Bereichen Mobilität, Robotik, Energie und Logistik. Ansprechpartner: |
|
MaLeFiZ |
Interdisziplinäres Lehr und Forschungszentrum MaLeFiZ MaLeFiZ ist ein an der Hochschule Heilbronn gegründetes, fakultätsübergreifendes Lehr und Forschungszentrum für Maschinelles Lernen. Das Zentrum soll eine Reihe neuer praktisch orientierter Seminarveranstaltungen an der Hochschule Heilbronn etablieren, die auch für Mitarbeiter kooperierender Firmen geöffnet sind. Ansprechpartner: |
|
MALEPRO |
Qualifizierungskonzept Maschinelles Lernen der Fakultät für Mathematik und Informatik der Universität des Saarlandes Im Vorhaben sollen die theoretischen Grundlagen des Maschinellen Lernens, insbesondere die Zusammenhänge zwischen Lernverfahren, deren unterliegenden Annahmen, aber auch die Grenzen der jeweiligen Verfahren vermittelt werden. Die theoretische Ausbildung wird durch eine Praxisphase unterstützt, in der Studierende selbst alle Stufen der Lösung eines praktischen Anwendungsproblems nachvollziehen: von der Identifikation der Problemstellung bis zur Lösung mittels Techniken des maschinellen Lernens. Ansprechpartner: |
|
MaLiTuP |
Maschinelles Lernen in Theorie und Praxis Das Ziel des Vorhabens ist es, Master-Studierenden der Technischen Universität Hamburg der Fach-richtung Logistik ein dauerhaftes akademisches Angebot im Bereich Maschinelles Lernen unterbreiten zu können. Zusätzlich zu einer Vorlesung mit Tutorien und Übung sollen Praxisprojekte angeboten werden, die es den Studierenden ermöglichen, das erlernte Wissen in konkreten und realitätsnahen Fallbeispielen aus der maritimen Welt anzuwenden. Darüber hinaus wird ein weiterführendes Angebot angestrebt, dass sich speziell an Universitätsabsolventen mit Berufserfahrung richtet. Projektpartner: Ansprechpartner: |
|
MALT3 |
Maschinelles Lernen - The Tricks of the Trade Im Vorhaben werden zwei Workshop-Formate (Einstiegs- und Vertiefungsworkshop) entwickelt, um Studierende und Teilnehmenden aus der Industrie und Forschungseinrichtungen das Thema Maschine Learning in kompakter, intensiver und hochwertiger praxisnaher Form nahe zu bringen. Zusätzlich ist geplant das bestehende Lehrangebot an die sich verändernden Ausbildungsnotwendigkeiten anzupassen und es für Industrieteilnehmende, Forschende und Studierende anderer Disziplinen noch attraktiver zu machen. Durch die Anschaffung des neuen GPU-Clusters kann die praxisnahe Ausbildung auf dem Stand der Technik erfolgen. Ansprechpartner: |
|
ML Camp |
Machine Learning Campus Minden Das Ziel des Vorhabens ist die Entwicklung und Umsetzung eines Lehr- und Lernkonzeptes zum Themenfeld Künstliche Intelligenz mit dem Schwerpunkt Maschinelles Lernen im Rahmen des Master-Studienganges Informatik am Campus Minden der Fachhochschule Bielefeld. Im Vorhaben sollen mehrere Wahlpflichtmodule entwickelt werden, so dass eine gezielte Ausbildung und Vertiefung möglich ist. Neben der Diskussion von Methoden und Algorithmen wird geplant, im Rahmen von Projekten die praktische Anwendung einzuüben. Dabei soll den Teilnehmern vermittelt werden, welche Verfahren für welche Anwendung/Problemstellung geeignet sind. Die Untersuchungen in den Praxisphasen werden mit Hilfe der von den kooperierenden Unternehmen bereitgestellten Daten und aktuellen Frameworks durchgeführt. Ansprechpartner: |
|
ML2 |
Menschen Lernen Maschinelles Lernen Das Ziel des Vorhabens ist es, Anwender aus Unternehmen und Studierende der HAW Offenburg aus unterschiedlichen Studiengängen im Bereich Maschinelles Lernen zu qualifizieren. Die Qualifizierung erfolgt in interdisziplinären Gruppen über Fach- und Studiengangsgrenzen hinweg. Durch eine enge Verzahnung von Theorie und Anwendungen aus der betrieblichen Praxis sowie der gemeinsamen Qualifizierung von Studierenden und Mitarbeitern soll sichergestellt werden, dass die Ausbildung der Studierenden praxisnah ist und Anwender aus den Unternehmen von der wissenschaftlichen Qualität der Hochschule profitieren. Ansprechpartner: |
|
ML-4.0 |
Machine-Learning-Labor für Smarte Technologien im Industrie 4.0 Kontext Das Ziel des Vorhabens ist der Aufbau eines Machine-Learning-Labors ("ML-4.0-Lab") an der Technischen Universität München. Das ML-4.0-Lab soll eine Brücke zwischen Studierenden und Industrie schlagen, um State-of-the-Art ML-Technologien in Projekten zu erproben und diese mit Expertenun-terstützung erfolgreich abzuschließen. Das ML-4.0-Lab wird eng mit dem integrativen Studienpro-gramm "Big Data" verbunden, steht aber auch anderen Interessenten offen. Ansprechpartner: |
|
ML-Forum |
Machine Learning Forum Das Ziel des Vorhabens ist es, neue universitären Lehrveranstaltungen für Masterstudierende und Weiterbildungen für KMU anzubieten. Das Machine Learning Forum will Praxispartner zur Durchführung von Bachelor- und Masterarbeiten sowie Industriepraktika vermitteln. Ausgewählte Problemstellungen aus der Industrie sollen als Abschlussarbeiten an der Universität angeboten werden, was mittelfristig zur Vermittlung von fachlich kompetenten Absolventen führen soll. Projektpartner: Ansprechpartner: |
|
P3ML |
Projektgekoppelter, Potentialorientierter und Praxisintegrierter Erwerb von ML Engineering Wissen Im Vorhaben sollen bestehende Lehrveranstaltungen durch Praxisphasen erweitert werden. In den Praxisphasen sollen insbesondere Aspekte des Engineering für Maschinelles Lernen im Vordergrund stehen, die in klassischen, theorieorientierten Veranstaltungen (Vorlesungen, Seminare) oft nur eine untergeordnete Rolle spielen. Weiterhin sollen im Vorhaben Lehrmaterialien (Folien, Programmierbeispiele, aber vor allem auch Lehrvideos) produziert werden, die die benötigte Theorie behandeln und im Internet abrufbar sind. Die Materialien sollen unter Creative Common veröffentlicht werden, um die Nutzung durch Lehrende anderer Universitäten zu ermöglichen. Ansprechpartner: |
|
PREMIER |
Praxisnahes Maschinelles Lernen für Ingenieure (Bochum) Das Ziel des Vorhabens ist die praxisnahe Ausweitung der Ausbildung im Bereich des maschinellen Lernens an der Ruhr-Universität Bochum auf Studierende der Ingenieurwissenschaften. Die angehenden Ingenieure sollen eine interdisziplinäre Zusatzausbildung erhalten und die so erworbene ML-Expertise in die Wirtschaft tragen. Zunächst werden in Vorlesungen die Grundlagen des maschinellen Lernens vermittelt. Daran schließt sich eine Praxisphase an. Im Rahmen von Praxisprojekten, die innerhalb der jeweiligen Ingenieurdisziplin angesiedelt sind, werden Aufgaben mit maschinellen Lernverfahren gelöst. Ansprechpartner: |
|
TC-ML-Tübingen |
Training Center for Machine Learning Im Vorhaben soll ein Trainingszentrum für Maschinelles Lernen eingerichtet werden. Mit Hilfe des Trai-ningszentrums sollen Kapazitäten geschaffen werden, um die existierende Master-Lehrveranstaltung zum Thema Maschinelles Lernen zu verbessern und für andere Studiengänge (Physik, Mathematik, Bio- und Medizininformatik, Kognitionswissenschaft) zu öffnen. Darüber hinaus soll es Studierenden ermöglicht werden, eigenständige Forschungsprojekte mit der experimentellen Hardware durchzuführen. Zusätzlich sind Weiterbildungskurse mit Praktika für Teilnehmer aus der Industrie geplant. Ansprechpartner: |
|
TransML |
Transfer von Methoden des Maschinellen Lernens in Lehre, Weiterbildung, Forschung und Industrie Die Partner im Verbundvorhaben streben eine Verbesserung der Aus- und Weiterbildung von Fachkräften und des akademischen Nachwuchses im Bereich des Maschinellen Lernens an. Hierfür wird im Verbund ein Konzept umgesetzt, welches die bisherigen Erfahrungen im Bereich des Maschinellen Lernens zusammenfasst und daraus abgeleitete und grundlegende Verfahrensvorschriften in die Lehre und Weiterbildung überträgt. Projektpartner: Ansprechpartner: |
|
TUBS.dll |
TU Braunschweig Deep Learning Lab Das „Deep Learning Lab (TUBS.dll)“, kurz DLL, soll dazu dienen, Studierenden aus vielerlei Masterstudiengängen die Fachkompetenz im Maschinellen Lernen zu vermitteln. Die Studierenden sollen unter anderem reale Probleme der Datenanalyse und Mustererkennung im Rahmen eines rechnergestützten Teamprojekts auf realen Daten von kleinen, mittleren und großen Unternehmen der Region Braunschweig in Teams im Wettbewerb untereinander bearbeiten. Ansprechpartner: |
|
ÜberDaX |
Überwachte Modelle für Daten mit Komplexer Struktur Im Rahmen des Masterprogramms International Master in Data Analytics an der Universität Hildesheim sollen in enger Kooperation mit KMU und Industrieunternehmen die Studierenden an die Analyse von Problemen mit komplexen Daten, des Designs von passenden Modellen des Maschinellen Lernens sowie zugehöriger Lernalgorithmen auf Niveau der aktuellen Forschung ausgebildet werden. Dazu soll ein Complex Data Lab aufgebaut werden, in dem die Studierenden anhand überschaubarer Beispiele zunächst systematisch an die verschiedenen Datenmodalitäten und ihre Charakteristika herangeführt werden. Weiterhin werden in studentischen Forschungsprojekten diese Fertigkeiten an relevanten Beispielen mit komplexen Daten erprobt. Ansprechpartner: |
|
UPLINX |
Inter-Universitäres Qualifikationsprogramm Machine Learning für die Praxis Das Vorhaben zielt sowohl auf die akademische Ausbildung an den Universitäten, als auch die bedarfsgerechte Schulung und Weiterbildung in Unternehmen. Alle Teilnehmer von UPLINX-Veranstaltungen sollen die Inhalte mit Bezug zur Anwendung durch Nutzung neuer Infrastrukturen vermittelt bekommen. Von den Projektpartnern sind verschiedene Themenschwerpunkte geplant, die eng in Vorlesungs-, Seminar- und Workshop-Inhalte eingebettet werden sollen. Um einen hohen Individualisierungsgrad der Ausbildung zu erreichen, sollen die Teilnehmer an den Qualifizierungsmaßnahmen eigene Schwerpunkte auswählen können. In Summer-Schools kommen Referenten und Teilnehmer aus Wissenschaft und Wirtschaft zusammen, in Online-Kursen werden neue Inhalte kombiniert und verstetigt. Projektpartner: Ansprechpartner: |
|
UPracticeML |
Ausbau des Machine Learning Curriculums im Cognitive Systems Master der Universität Potsdam Im Rahmen des Vorhabens soll der bereits seit 2013 existierende internationale Masterstudiengang Cognitive Systems: Language, Learning and Reasoning an der Universität Potsdam nachhaltig um praxisbezogene Angebote im Bereich Maschinelles Lernen sowie neu entwickelte Lehrformate zum Deep Learning und zusätzliche Kapazitäten erweitert werden. Durch ein Transfer-Netzwerk mit Partnern aus Forschung, Industrie und öffentlichen Einrichtungen sollen reale Problemstellungen schon frühzeitig an die Studierenden herangetragen werden. Es ist geplant, in mehreren aufeinander aufbauenden Praxisphasen die Studierenden dabei fachlich und didaktisch durch ein Mentoring-Programm zu begleiten, um einen höchstmöglichen Kompetenzgewinn zu erzielen. Ansprechpartner: |
