Master-Praktikum - Application Challenges for Machine Learning am Beispiel von IBM Power Architecture (IN2128, IN2106, IN212810)
Advanced Practical Course - Application Challenges for Machine Learning on IBM Power Architecture (IN2128, IN2106, IN212810)

Lehrveranstaltung 0000003522 im WS 2020/1

Basisdaten

LV-Art

Praktikum

Umfang

6 SWS

betreuende Organisation

Informatik 17 - Lehrstuhl für Wirtschaftsinformatik und Geschäftsprozessmanagement (Prof. Rinderle-Ma)

Dozent(inn)en

Simon Fuchs
Holger Wittges

Termine

7 einzelne oder verschobene Termine

iCalendar

	Datum und Zeit	Raum und Anmerkung
!	Di, 03.11.2020, 09:00–16:00	Woche 1 - Block 1 Sprecher(in): Simon Fuchs M.Sc.
!	Mi, 04.11.2020, 09:00–16:00	Woche 1 - Block 2 Sprecher(in): Simon Fuchs M.Sc.
!	Di, 10.11.2020, 13:00–17:00	Woche 2 - Block 1 Sprecher(in): Simon Fuchs M.Sc.
!	Mi, 11.11.2020, 13:00–17:00	Woche 2 - Block 2 Sprecher(in): Simon Fuchs M.Sc.
!	Mi, 25.11.2020, 14:00–17:00	Project Kick-off Sprecher(in): Simon Fuchs M.Sc.
!	Mi, 16.12.2020, 13:00–18:00	Intermediate Presentations Sprecher(in): Simon Fuchs M.Sc.
!	Mi, 03.02.2021, 10:00–16:00	Final Presentations Sprecher(in): Simon Fuchs M.Sc.

Zuordnung zu Modulen

IN2106: Master-Praktikum / Advanced Practical Course
Dieses Modul ist in den folgenden Katalogen enthalten:
- weitere Module aus anderen Fachrichtungen

weitere Informationen

Lehrveranstaltungen sind neben Prüfungen Bausteine von Modulen. Beachten Sie daher, dass Sie Informationen zu den Lehrinhalten und insbesondere zu Prüfungs- und Studienleistungen in der Regel nur auf Modulebene erhalten können (siehe Abschnitt "Zuordnung zu Modulen" oben).

ergänzende Hinweise	Künstliche Intelligenz, Machine Learning und künstliche neuronale Netze sind das Wachstumsthemenfeld unserer Zeit. Selbstlernende Algorithmen, trainierte Systeme und teilautonome Datenauswertung ermöglichen es Unternehmen, wie niemals zuvor Nutzen aus ihren Unternehmensdaten zu ziehen. Das stetig zunehmende Datenwachstum verbunden mit einer immer kürzer werdenden Markeinführungszeit von vor allem Softwareprodukten erfordert immer effektivere und effizientere Datenanalysen. Um diese zu ermöglichen werden nicht nur fortgeschrittene AI-Frameworks benötigt, sondern auch moderne Hardwarearchitekturen, die derartige Analysen z. Bsp. durch hohe Memory-Bandbreiten und GPU-Beschleuniger unterstützen. IBM bietet mit seinen Visual Insights-Produkten ein umfassendes Angebot an aufeinander abgestimmter Soft- und Hardware, die Lösungen für genau solche aufkommenden Szenarien bieten und unterstützen. Wenn du dich für die Ergebnisse der letztjährigen Lehrveranstaltung interessierst, schau doch mal auf unserer Homepage vorbei: https://openpower.ucc.in.tum.de/research/teaching-and-practical-courses/
Links	LV-Unterlagen E-Learning-Kurs (z. B. Moodle) Zusatzinformationen TUMonline-Eintrag

ergänzende Hinweise

Künstliche Intelligenz, Machine Learning und künstliche neuronale Netze sind das Wachstumsthemenfeld unserer Zeit. Selbstlernende Algorithmen, trainierte Systeme und teilautonome Datenauswertung ermöglichen es Unternehmen, wie niemals zuvor Nutzen aus ihren Unternehmensdaten zu ziehen. Das stetig zunehmende Datenwachstum verbunden mit einer immer kürzer werdenden Markeinführungszeit von vor allem Softwareprodukten erfordert immer effektivere und effizientere Datenanalysen. Um diese zu ermöglichen werden nicht nur fortgeschrittene AI-Frameworks benötigt, sondern auch moderne Hardwarearchitekturen, die derartige Analysen z. Bsp. durch hohe Memory-Bandbreiten und GPU-Beschleuniger unterstützen. IBM bietet mit seinen Visual Insights-Produkten ein umfassendes Angebot an aufeinander abgestimmter Soft- und Hardware, die Lösungen für genau solche aufkommenden Szenarien bieten und unterstützen. Wenn du dich für die Ergebnisse der letztjährigen Lehrveranstaltung interessierst, schau doch mal auf unserer Homepage vorbei: https://openpower.ucc.in.tum.de/research/teaching-and-practical-courses/

Links

LV-Unterlagen
E-Learning-Kurs (z. B. Moodle)
Zusatzinformationen
TUMonline-Eintrag

Gleiche Lehrveranstaltungen (z. B. in anderen Semestern)

Semester	Titel	Dozent(en)	Termine
WS 2021/2	Master-Praktikum - Application Challenges for Machine Learning am Beispiel von IBM Power Architecture (IN2128, IN2106, IN212810)	Fuchs, S. Wittges, H.	einzelne oder verschobene Termine
WS 2019/20	Master-Praktikum - Application Challenges for Machine Learning am Beispiel von IBM Power AI (IN2128, IN2106, IN212810)	Kienegger, H. Levkovskyi, B. Pfaff, M. Rank, J. Leitung/Koordination: Krcmar, H.	Di, 09:00–16:00, MI 01.13.034 Mo, 09:00–13:00, MI 01.13.034 sowie einzelne oder verschobene Termine