Data Conference Databasea Query.Farm index
Conferences / Minds Mastering Machines (M3)

Minds Mastering Machines 2019

May 14–16, 2019 · Congress Center Rosengarten, Mannheim, Baden-Württemberg, Germany

Conference
Minds Mastering Machines (M3) Data science & ML
Dates
May 14, 2019 – May 16, 2019
Venue
Congress Center Rosengarten
Place
Mannheim, Baden-Württemberg, Germany
Format
In person
Status
Past
Attendance
—
Website
mastering-ai.eu
Recorded
9 sponsors · 54 speaker appearances
Notes
Workshop day 14 May, conference 15-16 May. Second M3 (first was April 2018 in Cologne). Speakers: full programme as published. Prices from the registration page (Wayback, July 2019). Archive pages are now served under mastering-ai.eu/2019/ (formerly m3-konferenz.de/2019/).

Ticket prices

TicketPriceValid untilNotesSource
Conference ticket (early bird)€795Mar 22, 2019Net price, excl. 19% VAT.web.archive.org
Combo: conference + workshop (early bird)€1,245Mar 22, 2019Net price, excl. 19% VAT.web.archive.org
Workshop only (14 May)€495—Net price, excl. 19% VAT.web.archive.org
Conference ticket (regular)€950—Net price, excl. 19% VAT.web.archive.org
Combo: conference + workshop (regular)€1,400—Net price, excl. 19% VAT.web.archive.org

Sponsors 9

Gold 1

Silver 6

Bronze 2

Speakers and talks 54

SpeakerCompanyRoleTalkLinks
Mark Whitehorn—KeynoteKeynote: Dark Data is your friend—
Martin FörtschTNGKeynoteKeynote: Style Transfer – Wie neuronale Netze Kunst erzeugen—
Thomas EndresTNGKeynoteKeynote: Style Transfer – Wie neuronale Netze Kunst erzeugen—
André BackesTECOSIMTalkMaschinelles Lernen von Crash-Ereignissen mit Virtuellen Fahrzeug-Modellen—
Anna LorenzETECTURESponsored talkBoosting in Machine Learning – Viele Laien sind besser als ein Experte—
Antje FitznerEucon DigitalTalkProzessintegration und Produktivsetzung von ML-Modellen—
Chi Nhan NguyenitemisWorkshopNeuronale Netzwerke mit PyTorch—
Christian HidberbSquareTalkReinforcement Learning: eine sanfte Einführung & industrielle Anwendung—
Christian WinklerdatanizingWorkshopModerne Methoden des Text-Mining—
Christian WinklerdatanizingTalkModerne Methoden der automatisierten Textanalyse—
Christina BlankeEucon DigitalTalkModellerwartungen vs. Realität – Monitoring von Modellperformance—
Christoph ReindersUniversität HannoverTalkEinführung in Deep Learning—
Christoph WindheuserThoughtworksTalkContinuous Intelligence – KI vom Notebook in die Produktion—
Cyrille Waguetincontext.technologyTalkKünstliche Intelligenz im Kontext von IoT für Predictive Maintenance—
Daniel Etzold1&1TalkSecurity-Schwachstellen im Machine Learning—
David FuhrHiSolutionsTalkKI-Ethik, KI-Security, KI-Safety: Mensch und Maschine – Wer beschützt hier wen?—
Felix M. RieseKITTalkSatellite Computer Vision mit Keras und TensorFlow – Best Practices und Beispiele aus der Forschung—
Florian MüllerRisk42TalkTransparentes Creditscoring: Entscheidungen mit Tragweite besser erklären—
Fritz Ulli PieperTaylor WessingTalkRechtliche Fallstricke beim Einsatz von KI und ML—
Harald BoschNovatecSponsored talkRecommender-Systeme für die Rechnungsstellung—
Harald BoschNovatecWorkshopMachine Learning for Beginners – Klassisches ML—
Hauke BrammerNovatecWorkshopMachine Learning for Beginners – Klassisches ML—
Hauke BrammerNovatecTalkDeep Learning mit Small Data—
Janera KronsbeinEucon DigitalTalkModellerwartungen vs. Realität – Monitoring von Modellperformance—
Jens AlbrechtTH NürnbergTalkModerne Methoden der automatisierten Textanalyse—
Jens LeitloffKITTalkSatellite Computer Vision mit Keras und TensorFlow – Best Practices und Beispiele aus der Forschung—
Jeremy SchieblonEucon DigitalTalkProzessintegration und Produktivsetzung von ML-Modellen—
Karl-Philipp KortmannUniversität HannoverTalkWie bewerte ich die Qualität meines ML-Modells?—
Lars GregoriSAPTalkBring Your Own (Machine Learning) Model mit TensorFlow Serving—
Malte PietschdeepsetTalkQuestion Answering mit NLP: Aktuelle Modelle und Trends—
Marcel KurovskiinovexTalkVom Prototyping zur Produktion – Portabilität für Deep-Learning-Modelle—
Marcel SpitzerinovexTalkInterpretierbarkeit von ML-Modellen—
Mark KeinhörstercodecentricWorkshopEnd-2-End vom Keras TensorFlow-Modell zur Produktion—
Mark KeinhörstercodecentricTalkWas ist neu in TensorFlow 2?—
Martin RostUnabhängiges Landeszentrum für Datenschutz Schleswig-HolsteinTalkDatenschutz-Folgenabschätzung für KI-Systeme—
Mathias BurgerTNGTalkKI-gestützte Qualitätssicherung im Flugzeugbau—
Max-Heinrich LavesUniversität HannoverTalkWie bewerte ich die Qualität meines ML-Modells?—
Michael SteyerIntelTalkPerformanz und Skalierbarkeit mit optimierten KI-Bibliotheken—
Nico AxtmanncodecentricTalkInbetriebnahme von Modellen durch ONNX auf dem iPhone—
Nico KreilinginovexTalkWorkflow mit Jupyter Lab—
Nico KreilinginovexTalkMachine Learning Model Management – Ein Framework-Vergleich—
Olaf BeesdoPremium AerotecTalkKI-gestützte Qualitätssicherung im Flugzeugbau—
Olga Mordvinovaincontext.technologyTalkKünstliche Intelligenz im Kontext von IoT für Predictive Maintenance—
Oliver Zeigermann—TalkSuche auf Graphen: Die dunkle Seite der KI und das Geheimnis von Alpha Zero—
Oliver Zeigermann—TalkEinführung in Unsupervised Learning—
Oliver Zeigermann—WorkshopEinführung in Deep Learning mit TensorFlow 2 und Keras—
Oliver Zeigermann—TalkNeural Embeddings in Produktion – Was kann schief gehen?—
Oliver Zeigermann—TalkEinblick in ML-Verfahren mit Decision Boundaries—
Ramon WartalaSinnerSchraderTalkMit verlängertem Kurzzeitgedächtnis – Anwendungsfälle für Long-Short-Term-Memory-Netze—
Sebastian SchoenenControl€xpertTalkÜberblick über Machine Learning—
Shirin GlandercodecentricWorkshopEnd-2-End vom Keras TensorFlow-Modell zur Produktion—
Thomas ManhardtPremium AerotecTalkWerkzeugbruch-Vorhersage in Echtzeit—
Thomas ThieleDeutsche BahnTalkIntelligent Mobility – Flexibilisierung durch KI in Mobilität und Logistik—
Timo MöllerdeepsetTalkQuestion Answering mit NLP: Aktuelle Modelle und Trends—

Sources