DENISE Summer School

Wir bieten ein umfassendes Programm mit Vorträgen, Tutorien und Workshops, die sich mit den neuesten technologischen Entwicklungen auf diesem Gebiet befassen. Die Vorträge werden von renommierten internationalen Experten gehalten und bieten einen tiefen Einblick in die neuesten Forschungsergebnisse und Anwendungen. Bei dieser Summer school geht es nicht nur darum, etwas zu lernen, sondern auch darum, Kontakte zu Forscherkollegen in ganz Europa zu knüpfen und so den Grundstein für künftige Kooperationen und Innovationen zu legen.
Unser Programm richtet sich an ehrgeizige Köpfe in verschiedenen Stadien ihrer akademischen Laufbahn, von Masterstudenten bis hin zu Doktoranden. Wir tauchen tief in Themen wie KI für Systeme und Netzwerke, kleines maschinelles Lernen und Optimierungswerkzeuge ein, um Sie mit dem Wissen und den Fähigkeiten auszustatten, die Sie benötigen, um im dynamischen Bereich der KI-basierten zuverlässigen Systeme zu brillieren.
Tauchen Sie ein in ein lebendiges Umfeld, in dem Bildung auf Inspiration trifft, und werden Sie Teil einer Gemeinschaft, die die Grenzen des maschinellen Lernens und der Optimierung verschiebt. Melden Sie sich jetzt für eine transformative Erfahrung an, die Ihre zukünftige Karriere prägen und Sie in der sich ständig weiterentwickelnden Tech-Landschaft hervorheben wird.

Ziele und Zielpublikum

Das Hauptziel unserer Sommerschule ist es, den Teilnehmern sowohl ein grundlegendes Verständnis als auch fortgeschrittene Kenntnisse über Techniken des maschinellen Lernens zu vermitteln und ihre entscheidende Rolle bei der Entwicklung zuverlässiger intelligenter Systeme aufzuzeigen. Darüber hinaus werden wir vielseitige Optimierungsmethoden und -tools vorstellen, die eine breite Anwendung finden, um die Ressourceneffizienz und Zuverlässigkeit von Systemen zu gewährleisten.
Über die akademischen Lernziele hinaus ist die Förderung einer lebendigen Gemeinschaft ein zentrales Ziel. Um dies zu erleichtern, wird eine gesellschaftliche Veranstaltung organisiert, die das Networking und den Ideenaustausch in einer entspannten Umgebung fördert. Die Teilnehmer werden auf dem Gelände eines wunderschönen Schlosses wohnen, das in ein modernes Konferenzzentrum umgewandelt wurde. Das Programm ist ideal für alle, die in ihrer Forschung und ihrer zukünftigen Karriere die Grenzen von Technologie und Innovation verschieben wollen, und bietet ihnen die Werkzeuge, das Wissen und die Verbindungen, um in diesem Bereich etwas zu bewirken.

Gastlektoren und Themen

Machine Learning for Wireless (Sensor) Networks und “Machine Learning in The Wild”

Anna Förster, University Bremen

Anna Förster schloss 2004 ihr Studium der Informatik und Luft- und Raumfahrttechnik an der Freien Universität Berlin ab und promovierte 2009 an der Universität Lugano (Schweiz) im Bereich selbstorganisierende Sensornetzwerke. Zwischen 2004 und 2005 arbeitete sie als Junior-Unternehmensberaterin bei McKinsey&Company, Berlin. Von 2010 bis 2014 war sie Forscherin und Dozentin an der SUPSI (Fachhochschule der Südschweiz). Seit 2015 leitet sie die Gruppe Nachhaltige Kommunikationsnetzwerke an der Universität Bremen. Derzeit ist sie Direktorin des Bremen Spatial Cognition Center (BSCC) und Vorstandsmitglied des Zentrums für Informatik (TZI).
Ihre Hauptforschungsinteressen liegen im Bereich des Internets of Things. Sie interessiert sich vor allem für Selbstwahrnehmung und Resilienz, Benutzerfreundlichkeit und Benutzerakzeptanz, Selbstorganisation und maschinelles Lernen für IoT-Anwendungen. Alle betrachteten Szenarien und Anwendungen dienen den nachhaltigen Entwicklungszielen und tragen zu einer nachhaltigeren und friedlicheren Zukunft bei.

Machine Learning for Embedded Systems

Michele Magno, ETH Zürich

Michele Magno ist ein erfahrener Senior Researcher, der nachweislich in der Hochschulbranche gearbeitet hat. Er verfügt über Fachkenntnisse in den Bereichen eingebettete Systeme, Energy Harvesting, energieeffiziente Kommunikation, Videoverarbeitung, erneuerbare Energien, Bildverarbeitung, Energiemanagement, IoT und tragbare Geräte sowie Computer Vision.

Tiny ML: the perfect storm for innovation in ultra-low-power Embedded System design

Boris Murmann, University of Hawai’I

In den letzten zehn Jahren wurden Algorithmen für maschinelles Lernen in vielen Cloud-zentrierten Anwendungen eingesetzt. Da der Anwendungsbereich jedoch immer größer wird, werden verschiedene Algorithmen nun „näher am Sensor“ und in tragbare Geräte eingebettet, wodurch die mit dem Cloud-Zugriff verbundenen Nachteile in Bezug auf Latenz, Datenschutz und Energie vermieden werden. In diesem Vortrag werde ich analoge und digitale Schaltungstechniken vorstellen, die die Energieeffizienz von mäßig komplexen, stromsparenden Algorithmen für maschinelles Lernen verbessern können. Konkrete Beispiele sind die analoge Merkmalsextraktion für die Bild- und Audioverarbeitung sowie effiziente Rechenschaltungen für neuronale Faltungsnetzwerke.

Boris Murmann ist Professor für Elektrotechnik und Computertechnik an der Universität von Hawaiʻi, Mānoa. Von 2004-2023 war er Professor für Elektrotechnik an der Stanford University. Von 1994 bis 1997 war er bei Neutron Microelectronics, Hanau, Deutschland, tätig, wo er ASICs mit geringem und intelligentem Stromverbrauch entwickelte. Seit 2004 ist er als Berater für zahlreiche Unternehmen im Silicon Valley tätig. Dr. Murmanns Forschungsinteressen liegen im Bereich des Designs von integrierten Mixed-Signal-Schaltungen, einschließlich Sensorschnittstellen, A/D- und D/A-Wandlung, Hochgeschwindigkeitskommunikationsverbindungen, eingebettetes maschinelles Lernen (tinyML) sowie Open-Source-Chipdesign. Er ist ein Fellow des IEEE und leitet derzeit das IEEE SSCS Technical Committee on the Open-Source Ecosystem.

Integer linear program tutorial

Andrea Pacifici, TOR Vergata Roma

Andrea Pacificis Arbeitsgebiet ist Operations Research und seine Forschung befasst sich hauptsächlich mit kombinatorischen Algorithmen mit Anwendungen in den Bereichen Terminplanung, Logistik, Fertigung und Transportsysteme. Seine Arbeit umfasst den Entwurf und die Analyse von Entscheidungsmodellen für die Ressourcenzuweisung, die Charakterisierung der rechnerischen Komplexität, den Entwurf exakter und approximativer Algorithmen für Multi-Agenten- und nichtlineare kombinatorische Optimierungsprobleme sowie den Entwurf und die Implementierung von Simulationsmodellen für die Bewertung von Kontrollstrategien in komplexen Systemen.

Machine Learning for Dependable Systems: Beyond Black Boxes

Olga Saukh, TU Graz / CSH Vienna

Olga Saukh ist assoziierte Professorin und Gruppenleiterin der Gruppe “Embedded Learning and Sensing Systems” an der TU Graz, Institut für Technische Informatik (ITI) und Complexity Science Hub Vienna (CSH). Sie habilitiert sich 2020 für das Fach Embedded Systems an der TU Graz. Sh war von 2010-2016 als Postdoc an der ETH Zürich in der Gruppe von Prof. Lothar Thiele im Computer Engineering and Networks Laboratory tätig. Ihre Forschung konzentriert sich auf effizientes maschinelles Lernen und die Entwicklung von KI-basierten Systemen, wobei sie eine Reihe von Themen an der Schnittstelle von Deep Learning und eingebetteten Systemen abdeckt. Sie interessiert sich sowohl für die theoretische Schönheit des Algorithmusentwurfs und der Modelloptimierung als auch für die Lösung von Herausforderungen in der Praxis. Sie ist Mitglied in Programmausschüssen internationaler Konferenzen. Ihre Veröffentlichungen wurden in den wichtigsten Fachzeitschriften für maschinelles Lernen und cyber-physische Systeme angenommen, darunter ICLR, IEEE/ACM IPSN und ACM ToSN.

Die Gastlektoren

Veranstaltungsort

Die Sommerschule findet im Schloss Retzhof statt, das etwa 35 km von Graz entfernt in der malerischen, hügeligen Weinlandschaft der “Steirischen Toskana” liegt. Das ursprünglich im 15. Jahrhundert erbaute Schloss Retzhof wurde zu einem modernen Konferenzzentrum umgebaut. Es verfügt über Gästezimmer, Seminarräume, ein Restaurant und ein Café sowie über Freizeiteinrichtungen vor Ort. Die Teilnehmer werden in den Gästezimmern des Schlosses untergebracht, die ein einzigartiges Wohnerlebnis bieten.
Die bezaubernde Umgebung der “Steirischen Toskana” lädt zu Erkundungswanderungen durch die Weinberge ein. Hier präsentieren die Winzer ihre Weine in traditionellen Buschenschanken, die oft in landschaftlich reizvollen Lagen liegen. Dieser Rahmen bietet nicht nur eine ruhige Kulisse zum Lernen, sondern auch einen Vorgeschmack auf die lokale Kultur und Gastfreundschaft.

Organisatorische Details

Die Sommerschule wird von der FH JOANNEUM und der TU Graz im Rahmen der DENISE-Doktorandenschule organisiert. Sie wird in der wunderschönen Südsteiermark, am Retzhof, stattfinden.
Die Teilnahme steht allen qualifizierten Bewerbern offen, die Zahl der Teilnehmer ist jedoch auf maximal 30 begrenzt. Sollten wir mehr Anmeldungen erhalten, werden wir die Teilnehmer nach ihrem Arbeitsbereich und Hintergrund, ihrer geografischen Verteilung und dem Datum der Anmeldung auswählen.
Die Anmeldegebühr von EUR 650,– (680,–) beinhaltet die Unterbringung im Retzhof von Montag bis Mittwoch und alle Mahlzeiten (ohne Getränke) und ist nach unserer Zusage zu bezahlen.
Die Teilnehmer sollten am Sonntag, 7. Juli, nachmittags oder abends anreisen. Die Schule beginnt am Montagmorgen und endet am Mittwoch, den 10. Juli, vor dem Mittagessen. Informationen zur Anreise finden Sie auf der Homepage des Retzhofs. Die Reisevorbereitungen müssen von den Teilnehmern selbst getroffen und bezahlt werden.

Wichtige Termine:

Anmeldeschluss: 15.05.2024
Benachrichtigung: 31.05.2024

Vorläufiges Programm: