HIDA Lectures

Helmholtz Information & Data Science Academy Lectures

Die HIDA Lectures sind eine Veranstaltungsreihe, die die HIDA gemeinsam mit den sechs Helmholtz Information & Data Science Schools organisiert. Über das ganze Jahr laden die Data Science Schools herausragende internationale Data Scientists ein, über ihre aktuelle Forschung zu sprechen.

   

Da die Schools alle Helmholtz Forschungsbereiche - Energie; Erde und Umwelt; Gesundheit; Information; Materie sowie Luftfahrt, Raumfahrt und Verkehr - abdecken, wird die Reihe ein breites Spektrum von Themen wiedergeben und die tolle Gelegenheit bieten, in die Vielfalt aktueller Ansätze der Data Science einzutauchen.

Wir laden die interessierte Öffentlichkeit herzlich zu diesen Vorträgen ein und ganz besonders Promovierende der Helmholtz-Gemeinschaft, die Einblick in die vielfältigen Aktivitäten der Schools und der HIDA gewinnen können, aber vor allem mit internationalen Forscherinnen und Forschern über unterschiedliche Anwendungsfelder der Data Science diskutieren können.

  

Alle Veranstaltungen der Reihe sind öffentlich.

   

Mehr zu den Schools

HIDA Lectures

HIDA Lectures @ DASHH

Termin: 15. April 2021, 14 Uhr

Titel: "Quantum Machine Learning in Chemical Compound Space"

Abstract: Many of the most relevant observables of matter depend explicitly on atomistic and electronic details, rendering a first principles approach to computational materials design mandatory. Alas, even when using high-performance computers, brute force high-throughput screening of material candidates is beyond any capacity for all but the simplest systems and properties due to the combinatorial nature of compound space, i.e. all the possible combinations of compositional and structural degrees of freedom. Consequently, efficient exploration algorithms exploit implicit redundancies and correlations. I will discuss recently developed statistical learning based approaches for interpolating quantum mechanical observables throughout compound space. Numerical results indicate promising performance in terms of efficiency, accuracy, scalability and transferability.

Vortragender: Anatole von Lilienfeld (Professor für "Computational Materials Discovery", Universität Wien)

Von Lilienfelds Forschungsschwerpunkt ist hochgradig interdisziplinär und nutzt physikalische, mathematische und computergestützte Wissenschaften für die quantenmechanische Erforschung des chemischen Raums.

Eine Aufzeichnung des Vortrags können Sie hier sehen.

HIDA Lectures @ HEIBRiDS

Termin: 16. Juni 2021, 16 Uhr

Titel: "TARS: Few-Shot Learning for Natural Language Processing”

Abstract: Machine learning models for natural language processing (NLP) are typically trained with very large amounts of labeled training data. However, such data is often not readily available and very expensive to produce. In this talk I present TARS, a novel approach in the research area of "few-shot learning" which allows us to train text classification models with little training data - or even none at all! I show how the proposed approach can be applied to a continual learning setup in which a single model learns a number of different tasks in sequence, with the goal of learning all tasks. Finally, I give a brief overview of the Flair NLP framework (https://github.com/flairNLP/flair) we develop in my group together with the open source community, and show how you can use TARS (and other NLP components in Flair) in your own research or industry projects.

Vortragender: Alan Akbik (Humboldt-Universität zu Berlin)

Eine Aufzeichnung des Vortrags können Sie hier sehen.

HIDA Lectures @ MUDS

Termin: 29.09.2021, 11 a.m.

Titel: "(How) can we find true cause effect relationships in data? — An introduction to the instrumental variable setting"

Abstract: This is of interest to all research school, since our shared goal is to gain scientific insights (from within the core pillars of Helmholtz) using data and information technologies. While associations can provide valuable pointers to relevant phenomena, they do not directly warrant conclusions about the true underlying mechanisms. Causal inference is a promising tool to bridge that gap for a variety of machine learning techniques and application domains.

Vortragender:Niki Kilbertus (Helmholtz AI young investigator)

Der Forschungsschwerpunkt von Niki Kilbertus liegt im Bereich des "Reliable machine learning".

Für Ihre Teilnahme klicken Sie bitte hier: Link zur Anmeldung 

HIDA Lectures @ HIDSS4Health

Termin: 01.12.2021, 11 a.m.

Titel: tba

Vortragende:Julia Schnabel (HMGU - Helmholtz-Zentrum München, Technische Universität München)

Den Link zur Anmeldung finden Sie hier, sobald er feststeht.

HIDA Lectures @ HEIBRIDS

Termin: 01.12.2021, 4 p.m.

Titel: tba

Vortragender: Dirk Brockmann (Humboldt Universität zu Berlin, Robert Koch-Institut)

Den Link zur Anmeldung finden Sie hier, sobald er feststeht.

HIDA Lectures @ HIDSS4Health

Termin: 26.01.2022, 10:30 a.m.

Titel: tba

VortragenderUlf Leser (Humboldt Universität zu Berlin)

Den Link zur Anmeldung finden Sie hier, sobald er feststeht.

download