Data Science Week 2019 – „Deep Learning”

Die diesjährige Data Science Week widmet sich dem Thema „Deep Learning“ und findet vom 9.-11. Oktober zum zweiten Mal in der hessischen Rhön statt. Im Zentrum steht dabei die Frage: Lassen sich Mikroorganismen mit Hilfe von Neuronalen Netzen erkennen und wie kann das zur Messung der Wasserqualität von Gewässern beitragen?

Neuronale Netze werden immer häufiger zur Analyse großer Datenmengen und Lösung komplexer Praxisprobleme eingesetzt. Dafür werden auch immer komplexere und rechenintensive Architekturen von Neuronalen Netzen herangezogen – Deep Learning ist das Schlüsselwort. Die höheren Anforderungen kommen insbesondere aus den Bereichen der automatisierten Bildverarbeitung, die zur Identifikation von Objekten, Mustern oder auch von Personen und 3D-Umgebungen dienen. Die Perspektiven sind dabei immens: Objekte können identifiziert, markiert (Tagging) und nachverfolgt (Tracking) werden – bis hin zur Vorhersage ihres weiteren Verhaltens.

In der 3-tägigen Veranstaltung stellen wir diesmal die Analyse von Mikroorganismen in Gewässern in den Fokus. Mit speziell entwickelten Deep-Learning-Netzen geht es darum, Pantoffeltierchen und Co. auf die Spuren zu kommen. Dazu werden lichtmikroskopische Aufnahmen von Wasserproben erstellt und mit Neuronalen Netzen analysiert. Die in den Proben befindlichen Organismen sollen erkannt und typisiert werden.

Technologisch widmet sich das diesjährige Analytics-Event damit dem Thema Bildverarbeitung mit neuronalen Netzen und stellt sich dabei sowohl Fragen zur Theorie Neuronaler Netze:

• Warum Deep Learning, wenn Neuronale Netze universelle Approximatoren sind?
• Durch welche Netzstrukturen wird am besten eine hohe Modellgüte erreicht?
• Wie abhängig sind die Modelle vom Anwendungsgebiet – wie stark ist der Einfluss von Overfitting?

als auch der praktischen Anwendung in der Domäne Mikroorganismen:

• Wie aussagekräftig sind die Ergebnisse?
• Wie lange und mit wie vielen Proben muss ein Netz trainiert werden, um verlässliche Aussagen machen zu können und wie lassen sich diese effizient erheben?
• Kann die Wasserqualität besser oder schneller erkannt werden als mit konservativen Methoden?
• Welche wirtschaftlichen Nutzungsmöglichkeiten gibt es?

Als Ergebnis soll ein Prototyp als Micro Service entstehen, mit dem Bilder von Mikroorganismen durch das von uns entwickelte Deep-Learning-Netz analysiert werden und die Modellgüte des Netzes kontinuierlich optimiert werden kann.