Veranstaltungen

Nächste öffentliche Ringvorlesung
Information folgt in Kürze.

Keine Anmeldung erforderlich.

Nächste ZML-School
10.-14. 09. 2018
Agenda
Anmeldeformular
Bewerbung für interne Teilnehmer

Aktuelle Lehre

Vorlesungen SS 2018
Autonomous Systems: Deep Learning fakultätsübergreifend für MSc Studierende der HHN

Abschlußarbeiten (BSc/MSc)
Wir freuen uns über Bewerbungen für Abschlußarbeiten unter Angabe des Themengebietes (s. Forschung) und mit aktuellem Notenspiegel.

Kontakt

Prof. Dr. rer. nat Alex Reichenbach
Prof. Dr. med. Wendelin Schramm
Prof. Dr.-Ing. Nicolaj Stache

Email: zml@hs-heilbronn.de

Interdisziplinäres Lehr- und Forschungszentrum für Maschinelles Lernen (ZML)

Interdisziplinäres Lehr- und Forschungszentrum für Maschinelles Lernen (ZML)


Das interdisziplinäre Zentrum für Maschinelles Lernen (ZML) ist ein von drei Professoren – einem Ingenieur, einer Psychologin und einem Arzt und Gesundheitsökonom –  gegründetes, fakultätsübergreifendes Lehr- und Forschungszentrum für Maschinelles Lernen. Maschinelles Lernen heißt, ein Computer "lernt" ohne menschliche Anweisung  aus selbstgemachter Erfahrung und kann dieses neue Wissen dann verallgemeinern und anwenden. Seit November 2017 wird das Zentrum vom Bundesministerium für Bildung und Forschung für zwei Jahre finanziell gefördert.


Impressionen von der Eröffnungsfeier am 22. Januar 2018

Volles Haus beim Eröffnungsvortrag

Vortrag.jpg

Die Initiatoren des ZML

Leitungsgremium.jpg

Das ZML ist ein von drei Professoren (Ingenieur, Psychologin, Arzt und Gesundheitsökonom) der Hochschule Heilbronn gegründetes, fakultätsübergreifendes Lehr- und Forschungszentrum für maschinelles Lernen (ML). Fünf Ziele sollen realisiert werden: 

1. Zielgerichtete Ausbildung von wissenschaftlich qualifiziertem Nachwuchs. Mehr Studierende sollen nahtlos vom Master in die wissenschaftliche Forschung oder die industrielle Entwicklung übergehen. 

2. Das ZMLdient der Koordination der an der Hochschule eingesetzten ML Technologien und dem interdisziplinären Austausch. 

3. Ein generisches ML-Toolkit wird entwickelt, das sich auf vielfältige Klassen von Problemen (Oberthemen: Werkzeuge, Daten, Maschinelles Lernen, Validierung & Visualisierung) aus Ingenieurswissenschaften, Medizin und Informatik anwenden lässt. 

4. Bestehende Datenquellen wie medizinisches Krebsregister, neurologische Patientendaten oder Daten für das automatisierte Fahren, sollen robust zur Verfügung stehen. Es sollen neue Datenerhebungen durchgeführt werden. 

5. Das ZML ist eng mit der regionalen Industrie verzahnt und unterstützt die Firmen durch angewandte Forschung und Wissenschaftstransfer. 

Das Zentrum etabliert eine Reihe neuer praktisch orientierter Seminarveranstaltungen an der HHN, die auch für kooperierende Firmen geöffnet sind. Hierfür wird ein Zertifikat ins Leben gerufen. Die Lehre wird konsequent an drei Forschungsbereichen orientiert und im Sinne einer Verzahnung von Lehre und Forschung am praktischen Bedarf ausgerichtet. Es werden vier Semester bis WS 2019/20 abgedeckt.

Das ZML vermittelt fünf Schlüsselqualifikationen:

  1. Werkzeuge: wie Datenbanksysteme, Software und Softwarebibliotheken (z.B. TensorFlow, scikit-learn), Programmiersprachen (z.B. Python) etc.
  2. Datenmanagement: Vorbehandlung und Prüfung von Daten zur Eignung auf ML
  3. Maschinelle Lernverfahren: die Algorithmen des ML
  4. Validierung und Visualisierung: Prüfen, Erklären, Darstellen und Interpretieren von automatisch generierten Ergebnissen
  5. Praktische Anwendung: praktische Beherrschung aller zuvor genannten Methoden mit Einbezug des ZML Toolkits

Das ZML führt in Abstimmung mit den teilnehmenden Professoren Standard-Werkzeuge für ML ein, die sich in anwendungsnaher Forschung und Industrie (z. B. Alphabet (vormals Google), …) etabliert haben und noch nicht angemessen in der Lehre an der Hochschule vertreten sind. Als wichtiges Werkzeug kommt die Programmiersprache Python inkl. spezieller Bibliotheken für Datenverarbeitung und ML wie scikit-learn, pandas, TensorFlow zum Einsatz. Mit diesen Werkzeugen entwickelt MaLeFiZ ein generisches Toolkit, welches auch die Anbindung von Sensorik und Datenverarbeitungsroutinen umfasst. 

Der ML-Fokus liegt auf:

  • Künstliche Neuronale Netzwerke: Deep Learning, Convolutional Neural Networks
  • andere überwachte Klassifikationsverfahren: z.B. Support Vector Machine (SVM), Random Forest, Lineare Diskriminanzanalyse (LDA)
  • unüberwachte Lernverfahren: z.B. Clustering, Hauptkomponentenanalyse (PCA), Unabhängigkeitsanalyse (ICA), Regressionsverfahren
  • Modell-Validierung: Hierzu werden aus den vorhandenen Daten, Trainingsdaten, Validierungsdaten und Testdaten abgespalten.
  • Modell-Visualisierung: Entscheidungsgrenzen und Datenmerkmale visuell darstellen, damit Lernverfahren von den Trainingsdaten ausreichend abstrahieren und auch auf unbekannten Datensätzen eine nachvollziehbare Entscheidung treffen können.

Das ZML beschränkt sich nicht auf das Verwenden fertiger oder frei verfügbarer Datenbanken, sondern erhebt auch selbst Daten und speist diese in Lehre und Forschung mit ein. Hierfür steht beispielsweise das Testfeld Autonomes Fahren BW zur Verfügung.

Fakultätsübergreifend werden wichtige Lerninhalte abgestimmt und benannte Veranstaltungen für Studierende anderer Fachrichtungen geöffnet.

Das Zentrum etabliert zusätzliche praktisch ausgerichtete Veranstaltungen, die fakultätsübergreifend für Masterstudierende geöffnet sind. Hochschulintern wird es ein neues ML-Basisseminar und eine forschungsnahe ZML-Projektarbeit geben (zusammen 16 ECTS). Für Studierende, aber auch im Rahmen des Studiums Generale und für die interessierte Öffentlichkeit, gibt es eine ML-Ringvorlesung mit dem Ziel die Bedeutung des ML vor dem gesellschaftlichen Kontext zu beleuchten. Die Technologien und Einsatzzwecke des ML berühren Fragen des Datenschutzes und der Ethik und haben das Potenzial, gravierende gesellschaftliche Veränderungen zu bewirken; beispielsweise durch den Ersatz von Arbeitsplätzen in Industrie 4.0 Umgebungen.

Um die Industrie einzubinden und Studierenden einen alternativen Zugang zu den fünf ML-Schlüsselqualifikationen zu bieten, wird es eine einwöchige ML Winter-School geben, die im Sinne eines Crashkurses Studierenden und Firmenmitarbeitern die wichtigsten Kenntnisse vermitteln wird. Eine zusätzliche Summer-School im Umfang von zusammen zwei Wochen mit zusätzlich zu lösenden Projektaufgaben gibt die Möglichkeit an einem ausgewählten Forschungsthema praktisch mitzuarbeiten (learning-by-doing).

Das erfolgreiche Absolvieren von mindestens Ringvorlesung und beider Schools, alternativ aller Masterveranstaltungen wird mit einem Zertifikat Maschinelle Lernverfahren der Hochschule Heilbronn honoriert werden. 

Generell produziert das ZML als Ergebnis der praktischen Übungen und Seminare eine Vielzahl von Datensätzen, Lehrmaterialien, Tools in Form von Programmcode, Video-Tutorials und vieles mehr. Diese werden zukünftigen Studierenden, aber auch anderen Wissenschaftlern und der Industrie zur Verfügung stehen. Damit haben die Studierenden, aber auch an ZML-interessierte Industriemitarbeiter, die Möglichkeit, außerhalb der Veranstaltungen den Lehrstoff selbständig zu lernen und zu rekapitulieren.

Automatische Erkennung herausfordernder Situationen im Straßenverkehr (N. Stache)

Die Hochschule Heilbronn ist beteiligter Partner am Testfeld Autonomes Fahren Baden-Württemberg und somit in einem Bereich sehr engagiert, indem ML-Verfahren regelmäßig eingesetzt werden. Kritische Fahrsituationen sind für die Weiterentwicklung automatisierter Fahrzeuge erforderlich. Ein manuelles Aufspüren dieser Situationen ist in den mehrere Millionen an Fahrkilometern umfassenden Datenbeständen zu aufwendig. In kritischen Situationen zeigt der Mensch Überlastungsreaktionen, die messtechnisch erfasst werden und ein erstes Indiz für eine kritische Verkehrssituation sein können. ML soll dazu verwendet werden, den Zusammenhang zwischen Verkehrssituation und Überlastsituation eines Durchschnittsfahrers herzustellen. So ist es bei Abschluss dieses Themas möglich, mit aufgezeichneten Daten der Verkehrssituation (also ohne menschlichen Fahrer) eine Aussage zu treffen, ob kritische Verkehrssituationen vorliegen oder nicht. 

Automatische Erstellung von Simulationsmodellen bei chronischen Erkrankungen (W. Schramm)

Bei lebenslangen Erkrankungen wie Diabetes, Asthma und zunehmend auch bei Krebs können medizinische Ergebnisse und die damit verbundenen Behandlungskosten im Rahmen von klinischen Studien nicht ausreichend lange beobachtet werden. Für die gesundheitsökonomische Bewertung von Nutzen und damit verbundenen Kosten ist man auf Simulationsmodelle angewiesen. Die zunehmende Datenverfügbarkeit in der Medizin öffnet neue Möglichkeiten in der Bewertung von Gesundheitstechnologien (engl. Health Technology Assessment - HTA). Seit 2012 besteht eine vertraglich abgesicherte Kooperation mit dem Tumorzentrum der SLK-Kliniken Heilbronn mit Zugang zu Behandlungsdaten von mehr als 60.000 Patientenverläufen. Nach Klärung von Plausibilitätsfragen und der Repräsentativität dieses klinischen Registers konnte 2016 der Beleg geführt werden, dass mit Methoden des Data Minings semi-automatisch Erkrankungsmodelle für Brustkrebs erstellt werden können. Hierfür ist derzeit noch die Bedienung eines kompetenten Arztes notwendig, als nächstes Ziel soll die Modellerstellung mit Hilfe von ML vollautomatisiert werden.

Biomarker für Erkrankungen des Zentralnervensystems (A. Reichenbach)

Komplexe Erkrankungen des Zentralnervensystems wie Schizophrenie und Autismus, für welche die biologische Validität der Diagnose noch nicht etabliert ist, stellen eine große Herausforderung für Früherkennung, Individualdiagnostik, Therapieentwicklung und -verfolgung dar. Verhaltensbezogene und bildgebende Biomarker bieten die Möglichkeit nicht-invasiver Erfassung und Quantifizierung spezifischer Phänotypen. Inzwischen stehen sehr große Patienten-Datenbanken mit bildgebenden, kognitiven und genetischen Datensätzen öffentlich zur Verfügung. Diese Datensätze liegen überwiegend in sehr frühen Vorverarbeitungsstadien vor, nicht zuletzt da sie besondere Herausforderungen an Vorverarbeitung und ML stellen. In diesem Projekt liegt ein starker Fokus auf der (semi-)automatischen Vorverarbeitung der verschiedenartigen Datensätze mit dem Ziel, eine generische und konfigurierbare Vorverarbeitungspipeline mit strengen Prüfverfahren bzgl. der Datenqualität zu implementieren. Im zweiten Schritt werden die in dem Gebiet gängigen Verfahren des ML implementiert. Das übergeordnete Ziel des Projektes ist es, der medizinischen Forschungscommunity einen vielfältig einsetzbaren Werkzeugkasten anzubieten sowie ein robustes Framework für die Lehre und weitere Forschungsvorhaben zu etablieren.