Workshop

Das Maschinelle Lernen basiert auf Strukturen wie Neuronalen Netzen, Zufallswäldern, Kerneln, Hauptkomponenten und anderen. Während einer Trainingsphase werden die Parameter und Hyperparameter dieser Strukturen bestmöglich angepasst, um die in den Trainingsdaten verborgenen Abhängigkeiten widerzuspiegeln. Diese Parameteranpassung erfolgt in der Regel durch die Lösung eines zugehörigen Meta-Optimierungsproblems.

Andererseits sind Grey-Box-Ansätze, die wissensbasierte Modelle und Daten gleichzeitig verwenden, oft die am besten geeignete Modellierungsklasse, auf der Optimierungsalgorithmen aufbauen können, um gute Realisierungen von Strukturen oder Prozessen in Anwendungen zu berechnen.

Der Workshop wird sich mit der Frage beschäftigen: »Wie lassen sich Optimierung und Maschinelles Lernen kombinieren?«. Dabei werden die Strukturen des in der Praxis auftretenden grundlegenden Optimierungsproblems und des damit verbundenen Meta-Optimierungsproblems des statistischen Lernens erörtert. Wir gehen zwei Schritte weiter, indem wir mit unserem gewonnenen Modell »Kunst« schaffen und auf der Grundlage unserer Modelle optimale Entscheidungen treffen. Letztere sind dynamisch und stochastisch und kommen in den Wirtschafts- und Finanzwissenschaften vor.

In diesem Workshop werden drei international anerkannte und führende Wissenschaftler den neuesten Stand der Theorie und Technik sowie die Herausforderungen der Forschung vorstellen.