Lucas Mauch

Deep Learning / Pattern recognition

Deep Learning ist ein neues Gebiet im Bereich des maschinellen Lernens und beschäftigt sich mit der strukturellen Konzeption und dem Training von tiefen Architekturen (Deep Architectures). Eine Fragestellung ist zum Beispiel wie tiefe Architekturen verwendet werden können um abstrakte Repräsentationen von Daten zu lernen (Representation Learning) oder um gesuchte Muster  zu erkennen (Pattern recognition).

Obwohl die Idee tiefer Architekturen alt ist waren sie lange Zeit aufgrund des Fehlens geeigneter Trainingsalgorithmen nicht anwendbar. Erst im Jahr 2006 gelang mit der Einführung des Greedy Layer-wise Training der Durchbruch. Seither  wurden tiefe Architekuren erfolgreich in der Spracherkennung, der Musiktranskription und in OCR (Optical Character Recognition) Anwendungen eingesetzt und setzen aufgrund ihrer Leistungsfähigkeit Daten zu abstrahieren neue Standards in Sachen der Erkennungsgenauigkeit.

Schwerpunkte sind:

• Theoretische Beschreibung und Analyse von tiefen Architekturen
• Entwicklung und Analyse von Trainingsalgorithmen
• Effiziente Implementierung
• Anwendung der Algorithmen zur Lösung von Mustererkennungsproblemen

L. Mauch , G. Steidle, J. Machann, B. Yang, F. Schick A fully automatic reference deconvolution strategy to increase the accuracy of in vivo lipid Magnetic Resonance in Medicine, 2015 (ahead of print)