- Anrechenbar als Seminar-Modul (“Forschungsseminar Datenbanken”) im Masterstudium oder Bachelorstudium Informatik sowie im Rahmen des Vertiefungsmoduls Moderne Datenbanktechnologien (10-202-2216) (siehe auch Modulangebot).
- Das Seminar ist auf max. 20 Teilnehmer/innen begrenzt.
Um an dem Seminar teilzunehmen, müssen Sie sich bis 9.10.2019 in AlmaWeb für das Modul Moderne Datenbanktechnologien (10-202-2216) und das Seminar anmelden sowie an der Einführungsveranstaltung teilnehmen, bei der die endgültige Platz- und Themenvergabe erfolgt.
Bei Fragen und Problemen zur An- und Abmeldung wenden Sie sich bitte an das Studienbüro via einschreibung [at] math.uni-leipzig.de (einschreibung(at)math.uni-leipzig.de)
- Einführungsveranstaltung mit Themenvergabe am 25.10.2019 um 13:30 Uhr im Big Data Kompetenzzentrum ScaDS, Ritterstraße 9-13 2.OG (Standort/Lagebschreibung).
- Die studentischen Vorträge finden an den Freitagsterminen im Jan. 2020 (jeweils ab 13:30 Uhr) statt.
Leistungsbewertung
Ein erfolgreiches Seminar setzt die Teilnahme an allen Seminarterminen voraus, die selbständige Erarbeitung eines Themas sowie einen Vortrag sowie eine schriftliche Ausarbeitung (15-20 Seiten) über das Thema. Die Benotung setzt sich aus der Note zu Vortrag und Diskussion sowie der Note für die Ausarbeitung zusammen. Einige Hinweise zum Verfassen der schriftlichen Ausarbeitung finden Sie hier.
Themen und Betreuer
| Nr | Thema | Betreuer | Votragender | Quellen | Termin Vortrag | Folien | Ausarbeitung |
|---|---|---|---|---|---|---|---|
| 00 | Welcome and Introduction | – | Prof. Dr. Erhard Rahm | – | 25.10.2019 | – | – |
| Introduction | |||||||
| 01 | Machine Learning: Techniques and Trends | Täschner | [redacted] | [1],[2],[3], [4] | 10.01 | – | |
| 02 | Architectures of neural networks | Schuchart | – | [1],[2] | – | – | |
| Deep learning | |||||||
| 03 | Image classification using CNNs | Wilke | [redacted] | [1],[2],[3], [4] | 10.01 | – | |
| 04 | Deep Convolutional Generative Adversarial Networks | Peukert | [redacted] | [1] | 17.01 | – | – |
| 05 | Deep learning for entity matching | Saeedi | – | [1] | – | – | |
| Machine Learning on Graphs | |||||||
| 06 | Overview of Graph Representations | Obraczka | – | [1] | – | – | – |
| 07 | Random-Walk-based Embeddings | Rost | [redacted] | [1],[2],[3],[4] | 17.01 | – | – |
| 08 | Google Deep Mind and GMNs | Gomez | – | [1],[2] | – | – | |
| 09 | Semi-supervised Learning on Graphs | Christen | – | [1],[2], [3] | – | – | |
| Machine Learning Threats and Solutions | |||||||
| 10 | Overview on Privacy-preserving Machine Learning | Franke | – | [1] | – | – | |
| 11 | Privacy-preserving Deep Learning | Sehili | – | [1] | – | – | |
| 12 | Fair Machine Learning | Rohde | [redacted] | [1] | 17.01 | – | |
| 13 | Explainable artificial intelligence | Rohde | [redacted] | [1],[2] | 24.01 | – | |
| 14 | Attention is all you need | Syed | [redacted] | [1] | 24.01. | – | – |
| Machine Learning in Medicine | |||||||
| 15 | Machine Learning for Data Integration in Biology and Medicine | Franke | [redacted] | [1] | 31.01 | – | |
| 16 | Deep Learning for Mortality Prognosis | Lin | – | [1] | – | – | – |
| 17 | Time Series Classification in Medicine | Christen | – | [1],[2] | – | – | |
| 18 | Deep Learning in Radiomics | Martin | [redacted] | [1], [2] | 24.01 | ||
| Other Applications for Machine Learning | |||||||
| 19 | Network and Host intrusion detection | Grimmer | [redacted] | [1] [2][3] [4] | 31.01 | – | – |
| 20 | Distributed Learning | Wilke | – | [1] | – | – | |
| 21 | Tackling Climate Change with Machine Learning | Wilke | [redacted] | [1],[2] | 31.01 | – | |
| 22 | AutoML | Alkhouri | [redacted] | [1] | 31.01 | – | – |