Kostenfreies Beratungsgespräch

Unsere Trainer

Die Trainer stellen sich vor

Die Kooperationspartner arbeiten oft in exklusiver Zusammenarbeit mit Enable AI. Sie sind freiberufliche Trainer und kommen live aus der Praxis, haben langjährige Erfahrung in ihrem Gebiet und geben ihr Wissen in praxisorientierten Schulungen weiter.

Jan Koehler

Jan Mathias Köhler

Statistiker und Wirtschaftsingenieur. Fast 10 Jahre Industrieerfahrung. Zahlreiche Forschungsbeiträge und Patente im Deep Learning.

Matthias Huber

Prof. Dr. Matthias Huber

Professor Energiesysteme und Intelligente Infrastruktur. Doppelstudium Maschinenbau und Volkswirtschaftslehre. Promotion Erneuerbare und Nachhaltige Energiesysteme. Projekterfahrung in Industrie, Unternehmensberatung und eigenem Unternehmen. Experte Energiewirtschaft.

Waldemar Smirnov

Dr. Waldemar Smirnov

Studium der Physik und Promotion. 8 Jahre Industrieerfahrung. Webdevelopment seit 2010.

Sebastian Doern

Prof. Dr. Sebastian Dörn

Studium der Ingenieurmathematik, Promotion über Quantenalgorithmen. Seit 2011 Professor für Mathematik und Informatik. Berät mittelständische Unternehmen auf dem Weg in die Digitalisierung. Autor von 5 Fachbüchern.

Rolf Koehler

Dr. Rolf Köhler

Studium der Mathematik. Promotion in Machine Learning und Bildverarbeitung. Seit 2015 Anwendung von Deep Learning in industriellen Anwendungen.

Sina Huber

Dr. Sina Huber

Studium Mathematik mit Schwerpunkt Stochastik. Promotion Learning Sciences. Selbstständige Unternehmensberatung Data Science und Künstliche Intelligenz.

Dr. René Martin

Studium der Mathematik, Germanistik, Romanistik. Seit 1990 freiberuflicher EDV Trainer, Programmierer und Buchautor.

Dr. Christian Scheible

Studium der Computerlinguistik und Informatik. Promotion im Bereich der maschinellen Sprachverarbeitung. Seit 2017 Data Scientist in der Industrie im Bereich der maschinellen Sprachverarbeitung und des Sprachverstehens.

Dr. Kaya Kupferschmidt

Promotion in Mathematik (Stochastik). Seit 2005 Trainer und Berater mit Schwerpunkt Big Data / Spark. Umfassende Erfahrung in Data Science, Effiziente Algorithmen und Machine Learning.

Erfahren Sie mehr

Unsere Trainer werden von renommierten Schulungsanbietern gebucht

logo021
logo2
logo13
logo3
logo5
logo6
logo8
logo9
logo11

Wissenschaftliche Veröffentlichungen

Unsere Trainer forschen an den neusten Technologien

Unsere Trainer haben jahrelange Erfahrung in wissenschaftlicher und industrieller Forschung und haben auf renommierten Konferenzen und in Journals veröffentlicht.

CVPR 2019

Interpretable and fine-grained visual explanations for convolutional neural networks

Wagner, Köhler, Gindele, Hetzel, Wiedemer, Behnke

MEHR ERFAHREN

CVPR 2018

The power of ensembles for active learning in image classification

Beluch, Genewein, Nürnberger, Köhler

MEHR ERFAHREN

CVPR 2019

Uncertainty Based Detection and Relabeling of Noisy Image Labels

Köhler, Autenrieth, Beluch

MEHR ERFAHREN

ICLR 2018

Variational network quantization

Achterhold, Köhler, Schmeink, Genewein

MEHR ERFAHREN

NIPS 2018

The streaming rollout of deep networks-towards fully model-parallel execution

Fischer, Köhler, Pfeil

MEHR ERFAHREN

JCSM 2017

Omega-3 Index and obstructive sleep apnea: a cross-sectional study

Gondal, Köhler, Grzeszick, Fink, Hirsch

MEHR ERFAHREN

ICIP 2017

Weakly-supervised localization of diabetic retinopathy lesions in retinal fundus images

Gondal, Köhler, Grzeszick, Fink, Hirsch

MEHR ERFAHREN

GCPR 2016

Depth Estimation Through a Generative Model of Light Field Synthesis

Sajjadi, Köhler, Schölkopf, Hirsch

MEHR ERFAHREN

ICCV 2015

Disparity estimation from a generative light field model

Köhler, Schölkopf, Hirsch

MEHR ERFAHREN

ICIP 2013

Improving alpha matting and motion blurred foreground estimation

Köhler, Hirsch, Schölkopf, Harmeling

MEHR ERFAHREN

GCPR 2014

Mask-specific inpainting with deep neural network

Köhler, Schuler, Schölkopf, Harmeling

MEHR ERFAHREN

NLR 2013

Bounded flexibility in days‐on and days‐off scheduling

Brunner, Bard, Köhler

MEHR ERFAHREN

ECCV 2012

Recording and Playback of Camera Shake: Benchmarking Blind Deconvolution with a Real-World Database

Köhler, Hirsch, Mohler, Schölkopf, Harmeling

MEHR ERFAHREN

OR 2011

Flexible days off scheduling: A general approach

Brunner, Köhler

MEHR ERFAHREN

CVPR 2019

CVPR 2019

Interpretable and fine-grained visual explanations for convolutional neural networks

Wagner, Köhler, Gindele, Hetzel, Wiedemer, Behnke

MEHR ERFAHREN
CVPR 2019-2

CVPR 2019

Uncertainty Based Detection and Relabeling of Noisy Image Labels

Köhler, Autenrieth, Beluch

MEHR ERFAHREN
CVPR 2018

CVPR 2018

The power of ensembles for active learning in image classification

Beluch, Genewein, Nürnberger, Köhler

MEHR ERFAHREN
ICLR 2018

ICLR 2018

Variational network quantization

Achterhold, Köhler, Schmeink, Genewein

MEHR ERFAHREN
NIPS 2018

NIPS 2018

The streaming rollout of deep networks-towards fully model-parallel execution

Fischer, Köhler, Pfeil

MEHR ERFAHREN
ICIP 2017

ICIP 2017

Weakly-supervised localization of diabetic retinopathy lesions in retinal fundus images

Gondal, Köhler, Grzeszick, Fink, Hirsch

MEHR ERFAHREN
JCSM 2017

JCSM 2017

Omega-3 Index and obstructive sleep apnea: a cross-sectional study

Gondal, Köhler, Grzeszick, Fink, Hirsch

MEHR ERFAHREN
GCPR 2016

GCPR 2016

Depth Estimation Through a Generative Model of Light Field Synthesis

Sajjadi, Köhler, Schölkopf, Hirsch

MEHR ERFAHREN
ICCV 2015

ICCV 2015

Disparity estimation from a generative light field model

Köhler, Schölkopf, Hirsch

MEHR ERFAHREN
GCPR 2014

GCPR 2014

Mask-specific inpainting with deep neural network

Köhler, Schuler, Schölkopf, Harmeling

MEHR ERFAHREN
ICIP 2013

ICIP 2013

Improving alpha matting and
motion blurred foreground estimation

Köhler, Hirsch, Schölkopf, Harmeling

MEHR ERFAHREN
NLR2013

NLR 2013

Bounded flexibility in days‐on and days‐off scheduling

Brunner, Bard, Köhler

MEHR ERFAHREN
ECCV 2012

ECCV 2012

Recording and Playback of Camera Shake:
Benchmarking Blind Deconvolution with a Real-World Database

Köhler, Hirsch, Mohler, Schölkopf, Harmeling

MEHR ERFAHREN
OR 2011

OR 2011

Flexible days off scheduling: A general approach

Brunner, Köhler

MEHR ERFAHREN
Previous slide
Next slide

Patentanmeldungen unserer Trainer

Unsere Trainer kommen aus der Praxis

Unsere Trainer haben jahrelange Erfahrung in wissenschaftlicher und industrieller Forschung und haben auf renommierten Konferenzen und in Journals veröffentlicht.

DE102018200534A1
Verfahren zum Betreiben eines künstlichen neuronalen Netzes

DE102017218851A1
Verfahren, Vorrichtung und Computerprogramm zur Erstellung eines tiefen neuronalen Netzes

DE102017218889A1
Unscharf parametriertes KI-Modul sowie Verfahren zum Betreiben

DE102016223612A1
Verfahren zur Analyse und/oder Diagnose mindestens eines Wärmeerzeugers eines Heizsystems, Steuereinheit und Heizsystem hierzu

DE102017219269A1
Klassifizierung mit automatischer Auswahl aussichtsreicher Lerndaten

DE102017209817A1
Verfahren zur Manipulationssicherung eines Kilometerstandes eines Fahrzeugs

DE102017204171A1
Verfahren und Steuergerät zum Bereitstellen einer Angabe über eine Verteilung von Parametern von Systemereignissen in einem Kraftfahrzeug

DE102015224368A1
Verfahren und Vorrichtung zum Auswerten einer Zeitreihe

DE102016218719A1
Verfahren und Steuereinheit zur Fahreridentifikation, sowie Fahreridentifikationssystem

DE102013224694A1
Verfahren und Vorrichtung zum Ermitteln eines Gradienten eines datenbasierten Funktionsmodells

DE102017208042A1
Verfahren und Vorrichtung zur Ansteuerung eines HVAC Systems

DE102018205871A1
Betriebsüberwachungsverfahren

DE102017204440A1
Verfahren zur Dimensionierung eines Aktors

DE102015204218A1
Verfahren und Vorrichtung zum Berechnen eines Funktionswerts eines invertierten datenbasierten Funktionsmodells

DE102018205561A1
Vorrichtung zur Klassifizierung von Signalen

DE102015226778A1
Verfahren zur Analyse und/oder Diagnose mindestens eines Wärmeerzeugers eines Heizsystems, Steuereinheit und Heizsystem hierzu

WO/2020/038551
Convolution-Based Processing

weitere Patente
(ein- / ausblenden)
Verschlagwortet mit

Jan Mathias Köhler

Verantwortlich für die Marke Enable AI – Vom Hintergrund Statistiker und Wirtschaftsingenieur arbeitet er seit fast 10 Jahren mit den neuesten Technologien im Machine Learning, Deep Learning und Data Science. In der Industrie hat er bei verschiedenen Projekten Machine Learning und Deep Learning in der Praxis umgesetzt und eigene Ideen in über 25 Patentanmeldungen eingebracht. Er forscht im Bereich Deep Learning und hat wissenschaftliche Veröffentlichungen, u.a. in den Bereichen Medizinstatistik, Operations Research und Deep Learning. Seine fundierte Praxiserfahrung und die Mitarbeit in zahlreichen Data Mining Projekten ermöglicht seinen Schulungsteilnehmer auch für ihre Anwendungen aus seinen Kursen viel mitzunehmen.

Prof. Dr. Matthias Huber

Nach seinem Doppelstudium Maschinenbau (TUM) und Volkswirtschaftslehre (LMU) mit Auslandsaufenthalten in Japan und Chile promovierte er im Bereich Erneuerbare und Nachhaltige Energiesysteme in der Forschungskooperation der TU München und NTU Singapore. Nach Stationen in der Unternehmensberatung (BCG) und als Post-Doc an der Stanford University (USA) und dem ifo Institut (München), wechselte er in die Konzernforschung von Siemens und gründete schließlich sein eigenes Unternehmen im Bereich Data und AI im Energiesektor. Seit 2020 ist er Professor für Energiesysteme und Intelligente Infrastruktur an der TH Deggendorf.

Dr. Waldemar Smirnov

Nach dem Physik Studium an der RWTH Universität Aachen, Universität Manchester und Universität Freiburg, promovierte er am Fraunhoferinstitut für Festkörper Physik in Freiburg. Ein wichtiges Thema war Datenextraktion aus Bildern. Seit 2012 arbeitet er in der Industrie und entwickelt Deep Learning Algorithmen für aktuelle industrielle Anwendungsgebiete, insbesondere zur Fehlerdetektion und Automatisierung der optischen Inspektion. Dafür nutzt er das Zusammenspiel von Python, HTML und JavaSkript, um komplexe Algorithmen einem fachfremden Publikum zur Verfügung zu stellen. Er gibt sein Fachwissen aus der Praxis gerne in Seminaren und online Tutorials weiter.

Prof. Dr. Sebastian Dörn

Nach seinem Studium der Ingenieurmathematik promovierte er im Bereich Quantenalgorithmen an der Universität Ulm. Er war nach seiner Promotion über Quantenalgorithmen als Entwickler bei einem weltweit führenden Systemlieferanten der Halbleiterindustrie tätig. Seit 2011 ist er Professor für Mathematik und Informatik an der Hochschule Furtwangen. Er berät mittelständische Unternehmen auf dem Weg in die Digitalisierung und gibt Seminare und Workshops zur Digitalisierung, Künstlichen Intelligenz und Programmierung. Er ist Autor von 5 Fachbüchern und dem Sachbuch „Digitale Intelligenz“ beim Springer-Verlag.

Dr. Rolf Köhler

Nach dem Studium der Mathematik und der BWL promovierte er im Cyber Valley am Max-Planck Institut in Tübingen. Sein Forschungsschwerpunkt war im Bereich Machine Learning und Bildverarbeitung. Seit 2015 arbeitet er in der Industrie im Bereich Deep Learning und implementiert bzw. adaptiert verschiedene state-of-the-art Algorithmen für aktuelle industrielle Anwendungsfälle, darunter Autonomes Fahren und visuelle Fehlerinspektion. Aus Erweiterungen und eigenen Ideen sind mehrere Patentanmeldungen entstanden. Seit 7 Jahren verwendet er die Programmiersprache Python für die Bildanalyse, objektorientiertem Programmieren und Deep Learning (dort vor allem die Bibliotheken Keras und TensorFlow). Er schult sein Fachwissen aus der Praxis seit über 3 Jahren.

Dr. Sina Huber

Dr. Sina Huber absolvierte ihr Mathematikstudium mit Schwerpunkt in der Stochastik / mathematischen Statistik an der TU München (TUM) mit Auslandsaufenthalten in China und Singapur, wo sie ihre Abschlussarbeit im Bereich Machine Learning verfasste. In ihrer Promotions- und Post-Doc-Zeit im Bereich Learning Sciences an der TUM mit Forschungsaufenthalt in Stanford (USA) brachte sie neben der Forschung viel Elan für die Lehre – von statistischen Grundlagen bis hin zu modernen Verfahren aus der aktuellen Forschung – auf und beriet Natur-, Geistes- und Sozialwissenschaftler in der Anwendung dieser statistischen Verfahren. Seit 2020 berät und schult sie nun als Selbstständige im Bereich Statistik, Machine Learning und Künstliche Intelligenz.

Dr. René Martin

Dr. René Martin studierte Mathematik, Germanistik und Romanistik. Er startete seine beruflich Karriere in einem DTP-Studio nach seinem Studium. Seit 1990 arbeitet er als freier EDV-Trainer, Programmierer und Buchautor. Außerdem erstellt er Lernvideos. Seine Schwerpunkte sind die Anwendungsprogramme (Word, Excel, PowerPoint, Outlook, libreOffice, …), Datenbanken (Access), Technologien (XML, SQL, …), Programmiersprachen (VBA, VB.NET, php, JavaScript, …) und Grafikprogramme (Visio, CorelDraw, Photoshop, Illustrator, …). Neben seiner Schulungstätigkeit hat er zahlreiche Bücher und Zeitschriftenartikeln zu verschiedenen Themen verfasst sowie für verschiedene Firmen Tools programmiert. Einige interessante und amüsante Bemerkungen finden Sie in seinem Excel Blog. Zudem ist René Martin Gründer der Munich Office Group und Organisator der Excellent Days.

Dr. Scheible Christian

Dr. Christian Scheible studierte Computerlinguistik und Informatik und promovierte im Bereich der maschinellen Sprachverarbeitung an der Universität Stuttgart. Danach war er als wissenschaftlicher Mitarbeiter tätig. Forschungsschwerpunkte waren Methoden des Natural Language Processing (NLP) zur Analyse von Meinungen und von Konversationsstruktur. Seit 2017 ist er Data Scientist in der Industrie und verantwortlich für die Entwicklung und Anwendung von Analyseverfahren im Bereich der maschinellen Sprachverarbeitung und des Sprachverstehens und darüber hinaus. Zudem ist er als freiberuflicher wissenschaftlicher Berater im Einsatz. Zur Umsetzung nutzt er seine langjährige Programmiererfahrung in Python und Java in Kombination mit Standardbibliotheken aus maschinellem Lernen und NLP wie Keras/TensorFlow, spacy oder scikit-learn. Zudem verfügt er über mehrjährige Kentnisse in der praktischen Umsetzung seiner Verfahren in der Cloud.

Dr. Kaya Kupferschmidt

Nach seinem Mathematikstudium promovierte sich Dr. Kaya Kupferschmidt an der Universität Frankfurt im Jahr 2004 im Bereich Stochastik. Während seines Studiums arbeitete er am Fraunhofer Institut für grafische Datenverarbeitung in Darmstadt und als Spieleentwickler bei Neon Studios in Frankfurt. 2005 gründete er dimajix, wo er als Trainer und Berater mit Schwerpunkt Big Data / Apache Spark im Hadoop-Ökosystem fungiert. Daneben verfügt er über profunde Erfahrung u.a. in den Bereichen Data Science, Effiziente Algorithmen und Machine Learning. Als Berater hat er u.a. Daten-Projekte in der Energiewirtschaft und in der Online-Werbung bearbeitet. Zudem hat er Erfahrung in der effizienten Bearbeitung von unternehmensweiten Data Lakes in großen Finanzinstituten.