TransferLab Kurse

Hierbei handelt es sich um einen eintägigen Workshop zur Einführung in das Konzept des probabilistischen Model Checking und dessen Anwendungen.

Ziel des Trainings, u.a.:

• Verstehen der Theorie hinter der probabilistischen Modellprüfung.

• Kennenlernen der wichtigsten Algorithmen.

• Lernen, wie man Systeme als Markov-Ketten und Markov-Entscheidungsprozesse modelliert.

• Lernen, wie man Abfragen über das Verhalten eines Systems formuliert.

Dies ist ein zweitägiger Workshop für ML-Praktiker, die ihre Modelle für sich selbst und Entscheidungsträger besser verständlich machen wollen.

Ziel des Trainings, u.a.:

• Entwicklung eines fundierten Verständnisses der probabilistischen Modellprüfung als Methode zur Systemverifikation.

• Praktische Erfahrungen mit dem probabilistischen Modellprüfungswerkzeug Storm sammeln.

• Verinnerlichung einer modellzentrierten Perspektive in Entscheidungsprozessen unter Unsicherheit.

• Verstehen der Funktionen und Möglichkeiten des Storm-Tools, einschließlich seiner Unterstützung für verschiedene Eingabesprachen.

Dies ist ein zweitägiger Workshop zur Einführung in die Bayes'sche Modellierung anhand praktischer Beispiele und probabilistischer Programmierung.

Ziel des Trainings, u.a.:

• Lernen die Bayes'sche Methodik kennen und verstehe, wie die Bayes'sche Inferenz als allgemeines Werkzeug für das maschinelle Lernen eingesetzt werden kann.

• Verstehen der rechnerischen Herausforderungen bei der Bayes'schen Inferenz und wie man sie überwinden kann.

• Kennenlernen der Grundlagen der approximativen Bayes'schen Inferenz.

• Verständnis der erste Schritte in der probabilistischen Programmierung mit Pyro.

Ein Überblick über modellbasierte Planung und Steuerung für AI-Engineers, die daran interessiert sind, reale Entscheidungs- und Steuerungsprobleme mit effizienten Methoden zu lösen.

Ziel des Trainings, u.a.:

• Grundlagen der Entscheidungsfindung: Umgebungen, Trajektorien, Akteure und Belohnungen.

• Typische und weniger typische Steuerungsprobleme.

• Planung und klassische Steuerung.

• Von der Simulation zur Realität.

Dieser 2-tägige Deep Dive in Deep RL ist für Ingenieure geeignet, die reale Steuerungsprobleme mit effizienten Methoden lösen wollen.

Ziel des Trainings, u.a.:

Die Teilnehmer:innen lernen die wichtigsten aktuellen Fortschritte im Bereich Deep RL kennen und erhalten ein Gespür dafür, wann und wie RL-Techniken eingesetzt werden sollten (und, was vielleicht noch wichtiger ist, wann nicht). Zu den Lerninhalten gehören:

• Grundlagen des tiefen, modellfreien und modellbasierten RL.

• Welche Probleme sind für einen RL-Ansatz geeignet?

• Exploration vs. Ausbeutung

• On-Policy, Off-Policy und Offline-Lernen

Eine zweitägige Einführung in unüberwachte ML-Techniken für die Erkennung von Anomalien und ihre Stärken und Schwächen in verschiedenen Anwendungsbereichen.

Ziel des Trainings, u.a.:

• Verstehen qualitativer und quantitativer Definitionen von Anomalien.

• Überblick über die theoretischen Grundlagen und praktischen Implementierungen mehrerer Algorithmen zur Erkennung von Anomalien.

• Verstehen, welche Algorithmen für welche Anwendungsbereiche geeignet sind.

• Lerne, wie man die Leistung verschiedener Algorithmen bewerten und vergleichen kann.

Eine Einführung in die Fallstricke unkalibrierter Klassifikatoren und moderne Techniken zur (Re-)Kalibrierung.

Ziel des Trainings:

• Quantitatives Verständnis dafür, wie optimale Entscheidungen von allen Wahrscheinlichkeiten und nicht nur von der vorhergesagten Klasse abhängen.

• Lernen, die (Fehl-)Kalibrierung von Modellen zu messen.

• Rekalibrierung von Klassifikatoren während des Trainings: Verlustfunktionen, Regularisierung.

• Rekalibrierung von Klassifikatoren a posteriori: nicht-parametrisch, parametrisch, Bayesianisch.