Vortrag: Data Science und Machine Learning für Softwareentwickler

Kurzbeschreibung

KI gestützte Tools haben in den letzten Jahren die Informatik grundlegend verändert.
ChatGPT ist hier wohl das prominenteste Beispiel, doch auch Midjourney und YOLO revolutionieren unsere Arbeitswelt.

Der Vortrag vermittelt ein klares Bild von den technischen Hintergründen dieser Technologien.
So kann jeder Zuhörer ein technisches Verständnis aufbauen, ohne besonderes mathematisches Vorwissen zu benötigen.
Wir werden sehen, wie die präsentierten Data Science Werkzeuge eingesetzt werden, um es Maschinen zu ermöglichen, komplexe Steuerungsaufgaben zu erlernen (Machine Learning).

Konkret werden wir folgende Inhalte besprechen:

  • Das Konzept von Regressoren (= Machine Learning Modelle)
  • Anwendung verschiedener Machine Learning Modelle auf ein einfaches Problem im Bereich Data Science
  • Alternative Vorgehensweisen zur Lösung von Data Science Problemen
  • Funktionsweise neuronaler Netze
  • Praxisbeispiel: Neuronale Netze zur Verarbeitung von Messdaten
  • Brückenschlag: Vom Regressor zu State of the Art Technologien
  • Getting started with Machine Learning: Literatur und Bibliotheken

Zum Referenten

Dr. Markus Dutschke studierte Physik an der Universität Augsburg.
Er spezialisierte sich auf numerische Simulationen in der theoretischen Physik.
2018 schloss er seine Promotion zur optimierten numerischen Implementierung des LCW-Theorems ab.
Dieses Theorem dient der Datenanalyse von speziellen Elektron-Positron Vernichtungsexperimenten (ACAR).

Im Anschluss an seine Promotion machte sich Markus als IT-Freelancer selbstständig.
Für Kunden ohne eigene Entwicklungsabteilung führt er seither Auftragsforschung am Schmelzpunkt von Mathematik, Physik und Informatik durch.
Seine Lösungen implementiert er in Python und C++.

Sein Unternehmen, die Algorithmus Schmiede, beschäftigt inzwischen 2 weitere Mitarbeiter.
Seit der Gründung 2018 hat er sich ein kleines, aber feines Projektportfolio aufgebaut:

  • Qualitätsanalysen auf Basis von Computervision
  • Optimierung von Graph-Modellen
  • Numerisches Tuning von optischer Sensorik
  • Fehleranalyse in Produktionsprozessen
  • Vorhersage optimaler Produktionsparameter

Markus freut sich immer über wissenschaftlichen und technischen Austausch.
Anderen Entwicklern hilft er gerne mit seiner Fachmeinung weiter.

In seiner Freizeit engagiert sich Markus ehrenamtlich bei den Wirtschaftsjunioren Erlangen, einem Verein für Unternehmer und Führungskräfte.

Downloads

Code Beispiel

Python Codes für das Beispiel zu Personengröße als Funktion des Alters. Es handelt sich um schnell entwickelte Plotting-Skripte.

Präsentation