Über das ganze Jahr laden HIDA und die sechs Data Science Schools herausragende internationale Data Scientists ein, in den HIDA Lectures über ihre aktuelle Forschung zu sprechen.
Energie, Erde und Umwelt, Gesundheit, Information, Materie sowie Luftfahrt, Raumfahrt und Verkehr - Die HIDA Lectures decken ein breites Spektrum von Themen ab und bieten die Gelegenheit, 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. Diskutieren Sie mit internationalen Forscherinnen und Forschern über unterschiedliche Anwendungsfelder der Data Science und gewinnen Sie Einblicke in die vielfältigen Aktivitäten der Schools und der HIDA.
Alle Veranstaltungen der Reihe sind öffentlich.
Noch einmal ansehen - vergangene Lectures
Referent: Anatole von Lilienfeld, Universität Wien
Anatole von Lilienfeld
Von Lilienfeld ist Professor für "Computational Materials Discovery" an der Universität Wien. Sein Forschungsschwerpunkt ist hochgradig interdisziplinär und nutzt physikalische, mathematische und computergestützte Wissenschaften für die quantenmechanische Erforschung des chemischen Raums.
HIDA Lecture @ DASHH - Quantum Machine Learning in Chemical Compound Space
Termin: 15. April 2021, 14 Uhr
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.
Referent: Alan Akbik, Humboldt-Universität Berlin
Alan Akbik
Alan Akbik ist Professor für Maschinelles Lernen an der Humboldt-Universität zu Berlin. Seine Forschung konzentriert sich auf Natural Language Processing (NLP), d.h. auf Methoden, die es Maschinen ermöglichen, menschliche Sprache zu verstehen. Dies umfasst Forschungsthemen wie Transfer Learning, few-shot learning und semantisches Parsing, sowie Anwendungsbereiche in der groß angelegten Textanalyse. Akbiks Forschung wird in Form des Open-Source-NLP-Frameworks Flair operationalisiert, das es jedem ermöglicht, modernste NLP-Methoden in seiner Forschung oder seinen Anwendungen einzusetzen.
HIDA Lecture @ HEIBRiDS - TARS: Few-Shot Learning for Natural Language Processing
Termin: 16. Juni 2021, 16 Uhr
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.
