Hier anmelden

Mit den geeigneten Plattformen und Entwicklungswerkzeugen lassen sich KI-Projekte sehr schnell umsetzen. Insbesondere die vielversprechenden Deep-Learning-Technologien besitzen eine Vielzahl an Entwicklungstools, die es KI-Entwicklern erlauben, weniger Zeit für aufwendige Grundlagen-Implementationen aufzubrauchen und dafür mehr Zeit für die Problemlösung selbst zu finden.

In mehreren Teilen geht es bei uns hier deshalb rund um die Entwicklung: angefangen bei einem Einstieg in die Pythonprogrammierung über die Betrachtung gängiger Entwicklungstools und -frameworks bis hin zu Deep-Learning-Grundlagen und Implementation. Diese Reihe erlaubt es Programmierern ohne KI-Kenntnisse, startbereit für Deep Learning zu werden. An den einzelnen Teilen kann sequenziell teilgenommen werden, benötigte Kenntnisse in späteren Teilen werden in vorherigen Teilen vermittelt. Einzig für den ersten Teil sollten allgemeine Programmierkenntnisse vorhanden sein.

1: Python-Grundlagen für Deep Learning

In dieser zweiteiligen Reihe werden die Grundlagen der Python-Programmierung als Basis für Deep Learning nähergebracht. Die folgenden Themen werden behandelt:

- Jupyter-Notebook-Grundlagen

- Die Syntax gängiger Python-Strukturen, u. a. Funktionen, Klassen, Variablen

- Python-Datenstrukturen (List, Dictionary, Tuple)

- Python-Module

Anhand von Jupyter-Notebooks werden die Inhalte interaktiv erarbeitet. Übungen im Laufe der Veranstaltung geben Teilnehmern die Möglichkeit, die Inhalte zu festigen.

Voraussetzungen:

Allgemeine Programmierkenntnisse: Teilnehmer sollten bereits Kenntnisse von einer anderen, objektorientierten Sprache mitbringen. So sollten folgende Fragen beantwortet werden können: Wie ist ein Programm aufgebaut? Was für Datentypen gibt es? Was sind Funktionen/Variablen/Ablaufstrukturen/Klassen?

Zielgruppe:

Entwickler ohne Pythonkenntnisse, die in Zukunft Deep-Learning-Algorithmen implementieren möchten.

Details und Termine zu anderen Teilen dieses Schwerpunktes finden Sie hier.

Hier anmelden

Mit den geeigneten Plattformen und Entwicklungswerkzeugen lassen sich KI-Projekte sehr schnell umsetzen. Insbesondere die vielversprechenden Deep-Learning-Technologien besitzen eine Vielzahl an Entwicklungstools, die es KI-Entwicklern erlauben, weniger Zeit für aufwendige Grundlagen-Implementationen aufzubrauchen und dafür mehr Zeit für die Problemlösung selbst zu finden.

In mehreren Teilen geht es bei uns hier deshalb rund um die Entwicklung: angefangen bei einem Einstieg in die Pythonprogrammierung über die Betrachtung gängiger Entwicklungstools und -frameworks bis hin zu Deep-Learning-Grundlagen und Implementation. Diese Reihe erlaubt es Programmierern ohne KI-Kenntnisse, startbereit für Deep Learning zu werden. An den einzelnen Teilen kann sequenziell teilgenommen werden, benötigte Kenntnisse in späteren Teilen werden in vorherigen Teilen vermittelt. Einzig für den ersten Teil sollten allgemeine Programmierkenntnisse vorhanden sein.

2: Python-Entwicklungstools für Deep Learning

In diesem Teil werden wichtige Python-Entwicklungswerkzeuge, welche relevant für Deep Learning sind, näher betrachtet. Diese umfassen:

- Gängige Python-Entwicklungsumgebungen

- Numpy

- Visualisierungstools

Inhalte werden interaktiv über Jupyter-Notebooks vermittelt. Übungen geben den Teilnehmern die Möglichkeit, erlernte Kenntnisse direkt anzuwenden.

Voraussetzungen:

Python-Grundkenntnisse wie z.B. aus unserem Online-Seminar "Python-Grundlagen für Deep Learning" (siehe Link am Ende der Beschreibung für Details)

Zielgruppe:

Python-Entwickler, die in Zukunft Deep Learning verwenden möchten.

Anmerkung:

Deep-Learning-Frameworks selbst sind Bestandteil der Deep-Learning-Grundlagen-Teile.

Details und Termine zu anderen Teilen dieses Schwerpunktes finden Sie hier.

Hier anmelden

Mit den geeigneten Plattformen und Entwicklungswerkzeugen lassen sich KI-Projekte sehr schnell umsetzen. Insbesondere die vielversprechenden Deep-Learning-Technologien besitzen eine Vielzahl an Entwicklungstools, die es KI-Entwicklern erlauben, weniger Zeit für aufwendige Grundlagen-Implementationen aufzubrauchen und dafür mehr Zeit für die Problemlösung selbst zu finden.

In mehreren Teilen geht es bei uns hier deshalb rund um die Entwicklung: angefangen bei einem Einstieg in die Pythonprogrammierung über die Betrachtung gängiger Entwicklungstools und -frameworks bis hin zu Deep-Learning-Grundlagen und Implementation. Diese Reihe erlaubt es Programmierern ohne KI-Kenntnisse, startbereit für Deep Learning zu werden. An den einzelnen Teilen kann sequenziell teilgenommen werden, benötigte Kenntnisse in späteren Teilen werden in vorherigen Teilen vermittelt. Einzig für den ersten Teil sollten allgemeine Programmierkenntnisse vorhanden sein.

3: Deep-Learning-Grundlagen

In dieser mehrteiligen Reihe werden die Grundlagen von Deep Learning vermittelt. Angefangen bei einem einzelnen Neuron werden Schritt für Schritt Bestandteile moderner neuronaler Netze für die Klassifikation aufgezeigt und erklärt. Ein Einstieg in das größte Python-Framework für maschinelles Lernen "Tensorflow" wird gegeben, um anschließend gemeinsam einfache Modelle zu entwickeln. Die Inhalte umfassen unter anderem:

- Neuronaler Netzwerk-Aufbau

- Allgemeiner Lernprozess

- Gängige Optimierungsverfahren

- Gängige Leistungsmetriken

- Convolutional Neural Networks

- Tensorflow-Grundlagen

Die Inhalte über Jupyter-Notebooks vermittelt und anhand von Übungen gefestigt.

Voraussetzungen:

- Python-Grundkenntnisse wie z. B. aus unserem Online-Seminar "Python-Grundlagen für Deep Learning" (Details siehe Link am Ende der Beschreibung)

- Numpy-Kenntnisse wie z. B. aus unserem Online-Seminar "Python-Entwicklungstools für Deep Learning" (Details siehe Link am Ende der Beschreibung)

- Optional: Grundkenntnisse von KI – z. B. über einen Besuch unserer Schwerpunkt-1-Workshops, die es einem besser erlauben, die verwendeten Technologien einzuordnen.

Zielgruppe:

Python-Entwickler, die in Zukunft Deep Learning verwenden möchten.

Details und Termine zu anderen Teilen dieses Schwerpunktes finden Sie hier.

Hier anmelden

Mit den geeigneten Plattformen und Entwicklungswerkzeugen lassen sich KI-Projekte sehr schnell umsetzen. Insbesondere die vielversprechenden Deep-Learning-Technologien besitzen eine Vielzahl an Entwicklungstools, die es KI-Entwicklern erlauben, weniger Zeit für aufwendige Grundlagen-Implementationen aufzubrauchen und dafür mehr Zeit für die Problemlösung selbst zu finden.

In mehreren Teilen geht es bei uns hier deshalb rund um die Entwicklung: angefangen bei einem Einstieg in die Pythonprogrammierung über die Betrachtung gängiger Entwicklungstools und -frameworks bis hin zu Deep-Learning-Grundlagen und Implementation. Diese Reihe erlaubt es Programmierern ohne KI-Kenntnisse, startbereit für Deep Learning zu werden. An den einzelnen Teilen kann sequenziell teilgenommen werden, benötigte Kenntnisse in späteren Teilen werden in vorherigen Teilen vermittelt. Einzig für den ersten Teil sollten allgemeine Programmierkenntnisse vorhanden sein.

3: Deep-Learning-Grundlagen

In dieser mehrteiligen Reihe werden die Grundlagen von Deep Learning vermittelt. Angefangen bei einem einzelnen Neuron werden Schritt für Schritt Bestandteile moderner neuronaler Netze für die Klassifikation aufgezeigt und erklärt. Ein Einstieg in das größte Python-Framework für maschinelles Lernen "Tensorflow" wird gegeben, um anschließend gemeinsam einfache Modelle zu entwickeln. Die Inhalte umfassen unter anderem:

- Neuronaler Netzwerk-Aufbau

- Allgemeiner Lernprozess

- Gängige Optimierungsverfahren

- Gängige Leistungsmetriken

- Convolutional Neural Networks

- Tensorflow-Grundlagen

Die Inhalte über Jupyter-Notebooks vermittelt und anhand von Übungen gefestigt.

Voraussetzungen:

- Python-Grundkenntnisse wie z. B. aus unserem Online-Seminar "Python-Grundlagen für Deep Learning" (Details siehe Link am Ende der Beschreibung)

- Numpy-Kenntnisse wie z. B. aus unserem Online-Seminar "Python-Entwicklungstools für Deep Learning" (Details siehe Link am Ende der Beschreibung)

- Optional: Grundkenntnisse von KI – z. B. über einen Besuch unserer Schwerpunkt-1-Workshops, die es einem besser erlauben, die verwendeten Technologien einzuordnen.

Zielgruppe:

Python-Entwickler, die in Zukunft Deep Learning verwenden möchten.

Details und Termine zu anderen Teilen dieses Schwerpunktes finden Sie hier.

In der Workshop-Reihe „UUX-Methoden Praxisnah“ des Mittelstand 4.0-Kompetenzzentrums Usability dreht sich alles um Usability- und User Experience (kurz: UUX)-Methoden. Bei jedem Termin steht eine andere Methode im Fokus: Nachdem zunächst deren Hintergründe und Ziele vorgestellt werden, geht es in eine interaktive Phase. In dieser wird die Methode unter Anleitung am Beispiel einer Fragestellung aus der Praxis angewandt. Ziel ist die Vermittlung der theoretischen und praktischen Grundlagen der Methode, sodass die Workshopteilnehmenden diese anschließend selbständig in ihren Unternehmen erproben können.

Am 14. Oktober 2020 geht die Workshop-Reihe mit dem Thema „KI-Service-Blueprint-Workshop“ in die fünfte Runde.

Bitte beachten Sie, dass der Workshop voraussichtlich online stattfinden wird.

Programm

• Begrüßung
• Vorstellung der UUX-Methode
• Anwendung der Methode an einem praxisnahen Beispiel in Breakout-Sessions
• Zusammenfassung & Abschlussrunde

Die Teilnahme an der Veranstaltung ist kostenfrei. Sie richtet sich insbesondere an den Mittelstand und Kleinunternehmen / Start-ups.

Die Anmeldung ist hier möglich. Wir freuen uns über Ihre Teilnahme.

Hier anmelden

Mit den geeigneten Plattformen und Entwicklungswerkzeugen lassen sich KI-Projekte sehr schnell umsetzen. Insbesondere die vielversprechenden Deep-Learning-Technologien besitzen eine Vielzahl an Entwicklungstools, die es KI-Entwicklern erlauben, weniger Zeit für aufwendige Grundlagen-Implementationen aufzubrauchen und dafür mehr Zeit für die Problemlösung selbst zu finden.

In mehreren Teilen geht es bei uns hier deshalb rund um die Entwicklung: angefangen bei einem Einstieg in die Pythonprogrammierung über die Betrachtung gängiger Entwicklungstools und -frameworks bis hin zu Deep-Learning-Grundlagen und Implementation. Diese Reihe erlaubt es Programmierern ohne KI-Kenntnisse, startbereit für Deep Learning zu werden. An den einzelnen Teilen kann sequenziell teilgenommen werden, benötigte Kenntnisse in späteren Teilen werden in vorherigen Teilen vermittelt. Einzig für den ersten Teil sollten allgemeine Programmierkenntnisse vorhanden sein.

1: Python-Grundlagen für Deep Learning

In dieser zweiteiligen Reihe werden die Grundlagen der Python-Programmierung als Basis für Deep Learning nähergebracht. Die folgenden Themen werden behandelt:

- Jupyter-Notebook-Grundlagen

- Die Syntax gängiger Python-Strukturen, u. a. Funktionen, Klassen, Variablen

- Python-Datenstrukturen (List, Dictionary, Tuple)

- Python-Module

Anhand von Jupyter-Notebooks werden die Inhalte interaktiv erarbeitet. Übungen im Laufe der Veranstaltung geben Teilnehmern die Möglichkeit, die Inhalte zu festigen.

Voraussetzungen:

Allgemeine Programmierkenntnisse: Teilnehmer sollten bereits Kenntnisse von einer anderen, objektorientierten Sprache mitbringen. So sollten folgende Fragen beantwortet werden können: Wie ist ein Programm aufgebaut? Was für Datentypen gibt es? Was sind Funktionen/Variablen/Ablaufstrukturen/Klassen?

Zielgruppe:

Entwickler ohne Pythonkenntnisse, die in Zukunft Deep-Learning-Algorithmen implementieren möchten.

Details und Termine zu anderen Teilen dieses Schwerpunktes finden Sie hier.

Hier anmelden

Mit den geeigneten Plattformen und Entwicklungswerkzeugen lassen sich KI-Projekte sehr schnell umsetzen. Insbesondere die vielversprechenden Deep-Learning-Technologien besitzen eine Vielzahl an Entwicklungstools, die es KI-Entwicklern erlauben, weniger Zeit für aufwendige Grundlagen-Implementationen aufzubrauchen und dafür mehr Zeit für die Problemlösung selbst zu finden.

In mehreren Teilen geht es bei uns hier deshalb rund um die Entwicklung: angefangen bei einem Einstieg in die Pythonprogrammierung über die Betrachtung gängiger Entwicklungstools und -frameworks bis hin zu Deep-Learning-Grundlagen und Implementation. Diese Reihe erlaubt es Programmierern ohne KI-Kenntnisse, startbereit für Deep Learning zu werden. An den einzelnen Teilen kann sequenziell teilgenommen werden, benötigte Kenntnisse in späteren Teilen werden in vorherigen Teilen vermittelt. Einzig für den ersten Teil sollten allgemeine Programmierkenntnisse vorhanden sein.

1: Python-Grundlagen für Deep Learning

In dieser zweiteiligen Reihe werden die Grundlagen der Python-Programmierung als Basis für Deep Learning nähergebracht. Die folgenden Themen werden behandelt:

- Jupyter-Notebook-Grundlagen

- Die Syntax gängiger Python-Strukturen, u. a. Funktionen, Klassen, Variablen

- Python-Datenstrukturen (List, Dictionary, Tuple)

- Python-Module

Anhand von Jupyter-Notebooks werden die Inhalte interaktiv erarbeitet. Übungen im Laufe der Veranstaltung geben Teilnehmern die Möglichkeit, die Inhalte zu festigen.

Voraussetzungen:

Allgemeine Programmierkenntnisse: Teilnehmer sollten bereits Kenntnisse von einer anderen, objektorientierten Sprache mitbringen. So sollten folgende Fragen beantwortet werden können: Wie ist ein Programm aufgebaut? Was für Datentypen gibt es? Was sind Funktionen/Variablen/Ablaufstrukturen/Klassen?

Zielgruppe:

Entwickler ohne Pythonkenntnisse, die in Zukunft Deep-Learning-Algorithmen implementieren möchten.

Details und Termine zu anderen Teilen dieses Schwerpunktes finden Sie hier.

Hier anmelden

Mit den geeigneten Plattformen und Entwicklungswerkzeugen lassen sich KI-Projekte sehr schnell umsetzen. Insbesondere die vielversprechenden Deep-Learning-Technologien besitzen eine Vielzahl an Entwicklungstools, die es KI-Entwicklern erlauben, weniger Zeit für aufwendige Grundlagen-Implementationen aufzubrauchen und dafür mehr Zeit für die Problemlösung selbst zu finden.

In mehreren Teilen geht es bei uns hier deshalb rund um die Entwicklung: angefangen bei einem Einstieg in die Pythonprogrammierung über die Betrachtung gängiger Entwicklungstools und -frameworks bis hin zu Deep-Learning-Grundlagen und Implementation. Diese Reihe erlaubt es Programmierern ohne KI-Kenntnisse, startbereit für Deep Learning zu werden. An den einzelnen Teilen kann sequenziell teilgenommen werden, benötigte Kenntnisse in späteren Teilen werden in vorherigen Teilen vermittelt. Einzig für den ersten Teil sollten allgemeine Programmierkenntnisse vorhanden sein.

2: Python-Entwicklungstools für Deep Learning

In diesem Teil werden wichtige Python-Entwicklungswerkzeuge, welche relevant für Deep Learning sind, näher betrachtet. Diese umfassen:

- Gängige Python-Entwicklungsumgebungen

- Numpy

- Visualisierungstools

Inhalte werden interaktiv über Jupyter-Notebooks vermittelt. Übungen geben den Teilnehmern die Möglichkeit, erlernte Kenntnisse direkt anzuwenden.

Voraussetzungen:

Python-Grundkenntnisse wie z.B. aus unserem Online-Seminar "Python-Grundlagen für Deep Learning" (siehe Link am Ende der Beschreibung für Details)

Zielgruppe:

Python-Entwickler, die in Zukunft Deep Learning verwenden möchten.

Anmerkung:

Deep-Learning-Frameworks selbst sind Bestandteil der Deep-Learning-Grundlagen-Teile.

Details und Termine zu anderen Teilen dieses Schwerpunktes finden Sie hier.

Hier anmelden

Mit den geeigneten Plattformen und Entwicklungswerkzeugen lassen sich KI-Projekte sehr schnell umsetzen. Insbesondere die vielversprechenden Deep-Learning-Technologien besitzen eine Vielzahl an Entwicklungstools, die es KI-Entwicklern erlauben, weniger Zeit für aufwendige Grundlagen-Implementationen aufzubrauchen und dafür mehr Zeit für die Problemlösung selbst zu finden.

In mehreren Teilen geht es bei uns hier deshalb rund um die Entwicklung: angefangen bei einem Einstieg in die Pythonprogrammierung über die Betrachtung gängiger Entwicklungstools und -frameworks bis hin zu Deep-Learning-Grundlagen und Implementation. Diese Reihe erlaubt es Programmierern ohne KI-Kenntnisse, startbereit für Deep Learning zu werden. An den einzelnen Teilen kann sequenziell teilgenommen werden, benötigte Kenntnisse in späteren Teilen werden in vorherigen Teilen vermittelt. Einzig für den ersten Teil sollten allgemeine Programmierkenntnisse vorhanden sein.

3: Deep-Learning-Grundlagen

In dieser mehrteiligen Reihe werden die Grundlagen von Deep Learning vermittelt. Angefangen bei einem einzelnen Neuron werden Schritt für Schritt Bestandteile moderner neuronaler Netze für die Klassifikation aufgezeigt und erklärt. Ein Einstieg in das größte Python-Framework für maschinelles Lernen "Tensorflow" wird gegeben, um anschließend gemeinsam einfache Modelle zu entwickeln. Die Inhalte umfassen unter anderem:

- Neuronaler Netzwerk-Aufbau

- Allgemeiner Lernprozess

- Gängige Optimierungsverfahren

- Gängige Leistungsmetriken

- Convolutional Neural Networks

- Tensorflow-Grundlagen

Die Inhalte über Jupyter-Notebooks vermittelt und anhand von Übungen gefestigt.

Voraussetzungen:

- Python-Grundkenntnisse wie z. B. aus unserem Online-Seminar "Python-Grundlagen für Deep Learning" (Details siehe Link am Ende der Beschreibung)

- Numpy-Kenntnisse wie z. B. aus unserem Online-Seminar "Python-Entwicklungstools für Deep Learning" (Details siehe Link am Ende der Beschreibung)

- Optional: Grundkenntnisse von KI – z. B. über einen Besuch unserer Schwerpunkt-1-Workshops, die es einem besser erlauben, die verwendeten Technologien einzuordnen.

Zielgruppe:

Python-Entwickler, die in Zukunft Deep Learning verwenden möchten.

Details und Termine zu anderen Teilen dieses Schwerpunktes finden Sie hier.

Hier anmelden

Mit den geeigneten Plattformen und Entwicklungswerkzeugen lassen sich KI-Projekte sehr schnell umsetzen. Insbesondere die vielversprechenden Deep-Learning-Technologien besitzen eine Vielzahl an Entwicklungstools, die es KI-Entwicklern erlauben, weniger Zeit für aufwendige Grundlagen-Implementationen aufzubrauchen und dafür mehr Zeit für die Problemlösung selbst zu finden.

In mehreren Teilen geht es bei uns hier deshalb rund um die Entwicklung: angefangen bei einem Einstieg in die Pythonprogrammierung über die Betrachtung gängiger Entwicklungstools und -frameworks bis hin zu Deep-Learning-Grundlagen und Implementation. Diese Reihe erlaubt es Programmierern ohne KI-Kenntnisse, startbereit für Deep Learning zu werden. An den einzelnen Teilen kann sequenziell teilgenommen werden, benötigte Kenntnisse in späteren Teilen werden in vorherigen Teilen vermittelt. Einzig für den ersten Teil sollten allgemeine Programmierkenntnisse vorhanden sein.

3: Deep-Learning-Grundlagen

In dieser mehrteiligen Reihe werden die Grundlagen von Deep Learning vermittelt. Angefangen bei einem einzelnen Neuron werden Schritt für Schritt Bestandteile moderner neuronaler Netze für die Klassifikation aufgezeigt und erklärt. Ein Einstieg in das größte Python-Framework für maschinelles Lernen "Tensorflow" wird gegeben, um anschließend gemeinsam einfache Modelle zu entwickeln. Die Inhalte umfassen unter anderem:

- Neuronaler Netzwerk-Aufbau

- Allgemeiner Lernprozess

- Gängige Optimierungsverfahren

- Gängige Leistungsmetriken

- Convolutional Neural Networks

- Tensorflow-Grundlagen

Die Inhalte über Jupyter-Notebooks vermittelt und anhand von Übungen gefestigt.

Voraussetzungen:

- Python-Grundkenntnisse wie z. B. aus unserem Online-Seminar "Python-Grundlagen für Deep Learning" (Details siehe Link am Ende der Beschreibung)

- Numpy-Kenntnisse wie z. B. aus unserem Online-Seminar "Python-Entwicklungstools für Deep Learning" (Details siehe Link am Ende der Beschreibung)

- Optional: Grundkenntnisse von KI – z. B. über einen Besuch unserer Schwerpunkt-1-Workshops, die es einem besser erlauben, die verwendeten Technologien einzuordnen.

Zielgruppe:

Python-Entwickler, die in Zukunft Deep Learning verwenden möchten.

Details und Termine zu anderen Teilen dieses Schwerpunktes finden Sie hier.

Hohe Usability und positive User eXperience (UUX) sind entscheidende Erfolgsfaktoren auf dem Weg der Digitalen Transformation. Nur die Unternehmen, die sich mit den echten Bedürfnissen und Problemen von Nutzern beschäftigen, werden Produkte auf den Markt bringen können, die wirklich erfolgreich und beliebt sind. Die frühe Einbindung von Nutzern und deren Feed-back in den Entwicklungsprozess sowie schlanke Prozesse sind hierfür essenziell. Im Bewusstsein vieler Unternehmen ist dies auch bereits angekommen. Oft fehlt jedoch der Schritt zur konsequenten Umsetzung – warum? Knappe Ressourcen – intern und beim Kunden – sowie oft eine geringe Akzeptanz in vorherrschenden eher technisch orientierten Entwicklungsteams oder aber auch viele offene Fragen. Lernen Sie im Rahmen der UUX-Roadshow die Erfolgsfaktoren mit Hilfe von theoretischen Einblicken und methodischen Ansätzen sowie praxisnahe Best-Practice-Beispiele kennen, wie UUX-Themen gezielt angegangen werden können. Die Veranstaltung ist kostenfrei und findet als Online-Seminar statt. Bitte melden Sie sich unter diesem Link an. Der Teilnahmelink wird Ihnen nach erfolgreicher Registrierung am Veranstaltungstag zugesandt.

Am 12. November ist es endlich wieder soweit: Der World Usability Day (WUD) schreibt seine Erfolgsgeschichte fort! Auch in diesem Jahr wollen wir den Tag rund um Usability und User Experience (UX) wieder gebührend mit Ihnen feiern! Doch etwas ist anders dieses Jahr. Denn Corona macht auch vor dem WUD nicht halt. Keiner weiß, ob Ende des Jahres größere Veranstaltungen wieder möglich sind.

Daher findet der WUD Stuttgart 2020 erstmals remote statt.

Wir werden es sehr vermissen, dass wir uns nicht vor Ort mit Ihnen austauschen können. Aber wir erarbeiten aktuell ein Konzept, mit dem es uns hoffentlich gelingt, die wunderbare Atmosphäre des WUD in die digitale Welt zu übertragen.

Ein Remote WUD hat aber auch etwas Gutes: Egal wo Sie wohnen, studieren oder arbeiten – Sie können beim WUD Stuttgart dabei sein. Daher freuen wir uns, über viele Teilnehmende und Referent*innen aus ganz Deutschland und der Welt.

Nähere Infos zum Call for paper finden Sie hier, Informationen zur Teilnahme folgen in Kürze hier und auf der WUD Stuttgart Webseite.