Nutzung von Quantenannealern für das skalierbare Lernen mit Kernelmethoden (Forschungszentrum Jülich)

Aufgaben zur Minimierung und Optimierung von Funktionen können vom Quantumannealer des Forschungszentrum profitieren. Der Interessenschwerpunkt liegt im medizinischen Bereich. In Ausnahmefällen ist das Forschungszentrum auch offen für interdisziplinäre Projekte, wie aus dem Bereich der Fernerkundung. Insbesondere im High-Performance Computing haben wir Erfahrung mit  Hyperparameter Tuning um KI Modelle zu verbessern und in der Parallelisierung und […]

Datensparsames, Maschinelles Lernen + Hyper Parameter Tuning (Forschungszentrum Jülich)

Insbesondere im Bereich High-Performance Computing haben wir Erfahrungen im Bereich Hyperparameter Tuning um KI Modelle zu verbessern und in der Parallelisierung und dem Speed-Up beim Model Training und Testing. Beipsielhaft sei hier eine Plattform zur Daten Analyse und für maschinelles Lernen für medizinische Diagnosen zu nennen. Hier sind Erfahrungen vorhanden im Umgang mit patienten Daten, […]