Die ML Conference 2019 ist die Konferenz für Machine Leaning, Künstliche Intelligenz und Daten-zentrische Software-Architekturen. In mehr als 25 Sessions, Workshops und Keynotes geben renommierte Sprecher ihr Erfahrungswissen weiter. Die Vorträge gliedern sich in drei verschiedene Themen-Tracks:

Business & Strategy

Systeme für Machine Learning sind anders aufgebaut als herkömmliche Softwaresysteme. Entwickler und Softwarearchitekten müssen ihre bisherigen Ansätze überdenken und neue Wege gehen. Grundlage dafür ist ein tiefes Verständnis des Potenzials des maschinellen Lernens und der damit verbundenen Wertschöpfung für Ihr Unternehmen. Im Track „Business & Strategy“ stellen Experten anhand von Praxisbeispielen die Grundlagen von Systemen des Machine Learning vor und machen deutlich, was möglich und was (noch) nicht möglich ist.

Tools & Principles

Das maschinelle Lernen verfügt auch über eine Vielzahl von Tools und Frameworks, deren Einsatz nicht nur das maschinelle Lernen vereinfacht, sondern es oft erst für den geschäftlichen Einsatz ermöglicht. Im Track „Tools & Principles“ geben Experten Einblicke in Tools wie TensorFlow, kognitive Cloud Services und APIs für Java, C# und JavaScript.

Advanced Development

Im Track „Advanced Development“ geht es darum, die Softwarearchitektur von Machine-Learning-Systemen so praktisch wie möglich kennenzulernen. Es geht um die Besonderheiten von Systemen des Machine Learning, auf die Entwickler achten sollten, sowie um die Herausforderungen Daten-zentrischer Softwarearchitekturen per se. Experten führender Unternehmen und Universitäten präsentieren Lösungen und stellen Best Practices vor.

WORKSHOPS der ML Conference 2019

• Machine Learning 101++ using Python – Dr. Pieter Buteneers, Chatlayer.ai
• An Introduction to Deep Learning with Keras – train your own Image Classifier with Deep Neural Networks [SOLD OUT] – Frederic Stallaert, Xander Steenbrugge, ML6

SESSIONS der ML Conference 2019

• How do Chess Engines work? Looking at Stockfish and AlphaZero – Oliver Zeigermann, embarc
• Reinforcement Learning: a gentle Introduction and industrial Application – Dr. Christian Hidber, bSquare AG
• Embedded ML for continued Product Leadership in global Machine and Plant Construction – Peter Seeberg, asimovero.AI
• Machine Learning Models: solving Issues in Production and beyond – Paul Dubs, Paul Dubs IT Consulting
• Productionizing Machine Learning Models: Lessons learned in the Hadoop Ecosystem – Steffen Bunzel, Simon Weiß, Alexander Thamm GmbH
• The more data, the better the AI, isn’t it? – Michael Kieweg, LEVERTON GmbH
• Supercharging your forecasting algorithms with alternative data – Piero Ferrarese, SciScry GmbH
• Can UX demystify AI? – Ward Van Laer, Ixor
• Debugging and visualizing TensorFlow Programs with Images – Muzahid Hussain, Dassault Systems
• How to implement Chatbots in an industrial Context – Dr. Christoph Windheuser, ThoughtWorks Inc.
• Mail2Abteilung – Machine Learning in einem protected Environment – Stefan Blum, iteratec GmbH
• Predicting New York City Taxi demand: spatio-temporal Time Series Forecasting – Fabian Hertwig, MaibornWolff GmbH
• How we used Reinforcement Learning to solve the Abbey of Crime – Juantomás Garcia Molina, S|ngular
• Lebenslanges Lernen einer Maschine IoT Architekturen und Infrastruktur einer Smart Factory – Andreas Huhmann, HARTING Stiftung & Co. KG
• Some Things I wish I had known about scaling Machine Learning Solutions – Jesus Rodriguez, Invector Labs
• Up-close and personal: Hyper-Personalization using Deep Learning – Noa Barbiro, Booking.com
• Learning Rank Aggregation Methods – Dr. Hanna Kujawska, University of Bergen
• Deep Learning advances for Signal Processing – Oleksandr Honchar, Mawi Solutions / self-employed
• Unsupervised Learning with Autoencoders – Christoph Henkelmann, DIVISIO
• Deep Learning mit Small Data – Hauke Brammer, Novatec Consulting GmbH
• Mit IoT und AI Schäden verhindern – anstatt sie einfach nur zu bezahlen – Dominique Rondé, FreeYou AG
• Mining Software Development History: Approaches and Challenges – Vadim Markovtsev, source{d}
• Deep Learning for Computer Graphics – Muzahid Hussain, Dassault Systems
• “AutoAutoML” – Towards a Standardized Automated Machine Learning Pipeline API – Adam Blum, Auger.AI
• Evolution 3.0: Solve your everyday Problems with genetic Algorithms – Mey Beisaron, Appsflyer
• Honey Bee Conservation using Deep Learning – Thiago da Silva Alves, Jean Metz, JArchitects
• Hype or Reality: Face Anti-Spoofing Solution powered by Deep Learning – Sergey Maximenko, MobiDev
• Does Deep Learning make Feature Engineering obsolete? – Vladimir Rybakov, WaveAccess
• Deep probablistic Modelling with Pyro – Chi Nhan Nguyen, itemis
• Chatbots Suck – Dr. Pieter Buteneers, Chatlayer.ai
• The Data Janitor returns – Daniel Molnar, Shopify/Oberlo
• TensorFlow Training on the JVM – Christoph Henkelmann, DIVISIO
• How to track progress and collaborate in data science and machine learning projects? – Jakub Czakon, Kamil Kaczmarek, neptune.ml

Applying Machine Learning online at Scale

by Jon Bratseth (Verizon)

Interpretable Machine Learning – Application to Finance and Banks

by Debjyoti Paul (Amazon)

Zero Trust – why are we having this conversation?

mit Victoria Almazova (Microsoft)

Maschinelles Lernen zur Erkennung von Angriffen auf IT-Systeme nutzen

mit Daniel Etzold (1&1 Security)