Maschinelles Lernen ohne Stromverbrauch
- Top-Meldungen
- Forschung
- Studium & Lehre
Die Vorlesungen wurden von internationalen Expert*innen gehalten und umfassten Themen wie Deep Learning, effizientes verteiltes Lernen, Maschinelles Lernen ohne Stromverbrauch oder Verallgemeinerung im Deep Learning. Im Rahmen einer Student’s Corner – einer verlängerten Kaffeepause mit Posterpräsentationen – stellten sich die Teilnehmenden gegenseitig ihre Forschung vor, tauschten sich aus und vernetzten sich miteinander.
Hackathon: Viruspartikel erkennen und Viruslast bestimmen
Der Hackathon der Summer School stellte das praktische Wissen der Teilnehmenden über Maschinelles Lernen auf die Probe. Passend zum Kontext der Corona-Pandemie sollten sie in einem Datenanalyseszenario unter Realbedingungen virusähnliche Nanopartikel mit Hilfe eines plasmongestützten Mikroskopiesensors identifizieren. Der Sensor und die Analyse seiner Daten sind Teil der Forschung des SFB 876. Ziel der Analyseaufgabe war es, Proben mit virusähnlichen Partikeln zu erkennen und die Viruslast auf einem eingebetteten System unter Ressourcenbeschränkungen zu bestimmen.