Deep Learning for Improving Computer Vision Tasks and Enabling Automated Processes in Industry

Am 10. Oktober gibt es das nächste Data Science Bielefeld Meetup. Wir erwarten einen Vortrag von André Kochanke und Yannick Franke von Go Reply über zwei Use-Cases aus dem Computer Vision-Bereich. Zum einen wird eine Kombination aus Deep Learning Modellen und verschiedenen Post-Processing Schritten zum Auffinden und Bewerten von Produktionsfehlern vorgestellt. Zum anderen wird ein Ansatz zur automatisierten Erkennung von Versicherungsbetrug durch Manipulationen an Schadensbildern mit Hilfe von ML gezeigt.

Weitere Infos und Anmeldungen:

Data Science Meetup Bielefeld

Bielefeld, DE
462 Dataworkers

“In God we trust, all others must bring data” ist Jahrzehnte alt und zeigt wie grundlegend Daten für Entscheidungen sein können. Wir sehen immer mehr davon: Entscheidungen auf…

Next Meetup

Data Science Meetup #9 Deep Learning for Improving Computer …

Thursday, Oct 10, 2019, 7:00 PM
43 Attending

Check out this Meetup Group →

Chatbot bauen und Nachfrage prognostizieren: das nächste Data Science Meetup steht in den Startlöchern

Am 11.7.2019 begrüßen wir um 19 Uhr in der Bürgerwache in Bielefeld gleich zwei Referenten. Zum einen kommt Matthias Ulrich, REWE Digital GmbH, zu uns mit einem Vortrag zum Thema „Distributional regression and model selection for demand forecasting in e-grocery“. Neben seiner Tätigkeit als Product Owner im Bereich Supply Chain Analytics beschäftigt er sich auch in seiner PhD Thesis, die er an der Uni Bielefeld in der Arbeitsgruppe Statistik und Datenanalyse schreibt, mit Prognosemodellen zu Nachfragevorhersagen.

Zum anderen freuen wir uns auf den Vortrag „Von Daten zu Konversationen“ von Dr. Christina Unger (Mercury.AI): „Wir geben einen Einblick in die Chatbot-Plattform von Mercury.ai und zeigen wie man auf der Grundlage von vorhandenen Daten dynamisch Dialog führen kann. Dabei soll es v.a. um Herausforderungen gehen, sowohl bei der Organisation der Daten als auch beim Überbrücken von Unterschieden zwischen Daten und Sprache.“

Anmeldung wie immer auf Meetup.com.

Rückblick Building Interpretable Neural Networks with Keras and LIME

Es gab am 11.4.2019 einen Vortrag von Shirin Glander zu Keras und LIME. Damit wir alle Shirin besser kennenlernen konnten, haben wir (Florian, Philipp und Meike) uns drei Fragen überlegt, die unsere Referenten*innen in Zukunft vor ihrem jeweiligen Vortrag in der Vorstellungsrunde beantworten müssen.

 (1) In welchem Kontext hast du das erste Mal mit Daten gearbeitet?

Während des Biologiestudiums beim Laborexperiment. Es hatte etwas mit Mäusen in Gläsern und deren Sauerstoffgehalt zu tun…

 (2) Der Data Scient ist ist eine Mischung aus Hacker, Mathe Nerd und Business Mensch: wie sind die Anteile bei dir verteilt?

Durch das Biologiestudium sehe ich bei mir den Hauptanteil im Bereich klassischer Statistik

 (3) Dein persönliches Data Fuck Up: welche Frage konntest du nicht mit Daten beantworten?

Ein richtiges Data Fuck Up gab es bis jetzt nicht, eher die Probleme, dass von Kunden Daten kommen, die gemerged werden sollen und nach 3 Tagen wird bemerkt: Ups, falscher Auszug aus der Datenbank…

(Die Antworten stammen aus dem Gedächtnisprotokoll).

Beim Vortrag hat Shirin ein Convolutional Neuronales Netz zur Bilderkennung von Früchten, welches sie mit Keras gebaut hatte, gezeigt. Keras hat sie dabei als Baukastensystem beschrieben, mit dem alle Varianten an Neuronalen Netzen gebaut und geschätzt werden können. Um das Neuronale Netz besser zu verstehen, kam dann im zweiten Schritt LIME zum Einsatz, um herauszufinden, aufgrund welcher Pixel in den Testbildern ein Bild beispielsweise als Banane klassifiziert worden ist. Den Code gibt es zum Nachlesen auf Shirins Blog: (1)  Image Classification with Keras und (2) Explaning Keras image classification models with lime.  Außerdem auch noch den Link zum empfohlenen Video zur weiteren Erläuterung von LIME.

Diese Informationen plus die Slides findet ihr auch in unserem Git Repository.

We need to make sure that our models are not going to cause harm to people or society.

Building Interpretable Neural Networks with Keras and LIME

Wie bereits angekündigt, wird am 11. April 2019 Shirin Glander bei uns einen Vortrag halten. Die Details:

„Building Interpretable Neural Networks with Keras and LIME“ von Dr. Shirin Glander, Data Scientist codecentric AG.

Keras is a high-level open-source deep learning framework that by default works on top of TensorFlow. Keras is minimalistic, efficient and highly flexible because it works with a modular layer system to define, compile and fit neural networks. It has been written in Python but can also be used from within R. Because the underlying backend can be changed from TensorFlow to Theano and CNTK (with more options being developed right now) it is designed to be framework-independent. Models can be trained on CPU or GPU, locally or in the cloud.
Shirin will show an example of how to build an image classifier with Keras. We’ll be using a convolutional neural net to classify fruits in images. But that’s not all! We not only want to judge our black-box model based on accuracy and loss measures – we want to get a better understanding of how the model works. We will use an algorithm called LIME (local interpretable model-agnostic explanations) to find out what part of the different test images contributed most strongly to the classification that was made by our model.
Shirin will introduce LIME and explain how it works. And finally, she will show how to apply LIME to the image classifier we built before, as well as to a pre-trained Imagenet model.

Über die Vortragende: Shirin Glander hat in Bioinformatik promoviert und nutzt von Statistik bis Machine Learning verschiedene Methoden, um aus Daten spannende und neue Erkenntnisse zu gewinnen. Regelmäßig bloggt sie über Data-Science-Themen (https://www.shirin-glander.de/), führt Projekte in und rundum Data Science durch und gibt Schulungen, unter anderem zu Deep Learning mit Keras.

Alle weiteren Infos und Anmeldung zum Event über meetup.com.

Upcoming Events 2019

Wir freuen uns auf das nächste Meetup am 11. April 2019 mit Dr. Shirin Glander, Data Scientist codecentric AG. Sie hat in Bioinformatik promoviert und nutzt von Statistik bis Machine Learning verschiedene Methoden, um aus Daten spannende und neue Erkenntnisse zu gewinnen. Regelmäßig bloggt sie über Data-Science-Themen (https://www.shirin-glander.de/) und gibt Schulungen, unter anderem zu Deep Learning mit Keras.

Und auch die nächsten Termine bis November2019  sind bereits geplant:

  • 9.5.2019 – Code Night #3
  • 11.7.2019 – Meetup #8 Demand forecasting in e-grocery
  • 12.9.2019 – Code Night #4
  • 10.10.2019 – Meetup #9 Machine Learning in the industry
  • 14.11.2019 – Code Night #5

Details sind wie gewohnt auf meetup.com zu finden.

Next Meetup: Entwicklung von Personas mit quantitativen und qualitativen Methoden

Am 9. Oktober 2018 findet unser nächstes Data Science Meetup Bielefeld statt. Wir treffen uns um 19 Uhr in der Lobby der Volksbank Bielefeld-Gütersloh eG, Kesselbrink 1 in Bielefeld.

Im ersten Teil des Abends wird Lars Marek einen Vortrag zur Entwicklung von Personas mit quantitativen und qualitativen Methoden im Bereich des gesetzlichen Krankenversicherungsmarktes halten. Personas sind Kunden- oder Nutzermodelle, die Personen einer Zielgruppe charakterisieren. Durch Segmentierungs- und Clusteranalyseverfahren lassen sich aus geeigneten Nutzerdaten (neben Stamm- und Transaktionsdaten zählen dazu beispielsweise auch Online-Befragungen oder Interviews) sogenannte Kern- und Randpersonas ermitteln, die Hauptnutzergrupen und Untergruppen repräsentieren.

Ursprünglich wurden Personas im Marketing/Vertrieb eines Unternehmens eingesetzt, um z.B. zielgruppengerecht Neukunden anzuwerben. Das Konzept der Personas kann aber im gesamten Unternehmen eingesetzt werden, um daraus gewonnene Erkenntnisse in neue Produkte, Services und die strategische Ausrichtung eines Unternehmens einfließen zu lassen.

Im zweiten Teil des Abends widmen wir uns wieder einem Code Sprint. Als Inspiration verwenden wir die Wohlagenkarte von Open Data Bielefeld: https://stadtplan.bielefeld.de/app/wohnlagenkarte/
Unser Ziel ist es über mehrere Code Sprints diese Anwendung von Geo- und weiteren Daten auszubauen, hin zu einer Karte mit einer dynamischen „Lebenswert“-Färbung basierend auf Eingaben des Anwenders. Get involved early!

Um vorherige Anmeldung im Data Science Meetup Bielefeld wird gebeten!