Unsere Trainer

Die Trainer stellen sich vor

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

Jan Mathias Köhler

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

Rolf Koehler

Dr. Rolf Köhler

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

Dr. Waldemar Smirnov

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

Dr. Michael Koehn

Promotion in Mathematik.
5 Jahre Forschungserfahrung in Deutschland und USA. 5 Jahre Projekterfahrung als leitender angestellter und selbstständiger Berater für Künstliche Intelligenz.

Dr. Sina Huber

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

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.

Erfahren Sie mehr

Unsere Trainer werden von renommierten Schulungsanbietern gebucht

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

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
Voriger
Nächster

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