Data Science

Collaborative and Visual Analytics; Data Mining and Machine Learning; Statistics; Education in Data Science

• Projekte (2)
• Publikationen (24)
• Patente (5)
• Vorträge / Veranstaltungen (3)

Meine Sprechstunde findet mittwochs von 14-15 Uhr in Raum TA C 821 nach Anmeldung per E-Mail statt.

Ich übernehme gerne die Betreuung von Master- und Bachelorarbeiten im Bereich Data Science (Maschinelles Lernen, Data Mining, Visual Analytics, Statistik). Dies gilt gleichermaßen für Arbeiten in der Industrie wie auch für eigene Themen. Bitte melden Sie sich bei Interesse per E-Mail.   

Konkrete Themen, die teilweise auf aktuellen Arbeiten aufbauen:  

1. Identifikation von Lebensmitteln in Fotos von Mahlzeiten mit Deep Learning (Kooperationsprojekt zwischen der HTW und dem Bundesinstitut für Risikobewertung) 
2. Hardwareprojekt im Zusammenhang mit Thema 1, das eine Waage mit Kameras kombiniert, um zwecks Datensammlung z.B. in einer Mensa das Gewicht und Bilder von Mahlzeiten aufzunehmen und zu speichern (Kooperationsprojekt zwischen der HTW und dem Bundesinstitut für Risikobewertung) 
3. Entwicklung eines Web-Frontends für ein Werkzeug in Python oder R, um in der Lehre Techniken des maschinellen Lernens (ML) zu demonstrieren. Daten werden gemalt und die Ergebnisse verschiedener ML-Modelle grafisch angezeigt (baut auf existierenden Arbeiten auf)
4. Entwicklung von Lerndashboards für die Lehre in Data Science. Während der Benutzung der Lerndashboards werden Daten gesammelt, die hinsichtlich der Nutzung der Dashboards, des Lernfortschritts, verschiedener Lerntypen usw. analysiert werden sollen. Für die Entwicklung benutzen wir R (learnr, Shiny) eingebettet in eine Lernarchitektur, welche im Rahmen des Forschungsprojekts MultiLA entwickelt wird (https://www.ifaf-berlin.de/projekte/multila/). 
5. Verfahren für explorative Datenanalyse, mit denen Mensch und Maschine kollaborativ interessante Muster in Daten erkennen oder Erkenntnisse gewinnen sollen. Erst die Symbiose von Mensch und Maschine, also die Kombination von menschlichem Verständnis und Kontextwissen mit automatisierten Analysen großer Datensätze und der Visualisierung von Daten/Ergebnissen ermöglicht das Finden und Beurteilen von Mustern und Erkenntnissen. Techniken: Maschinelles Lernen, Erklärbare/Interpretierbare KI, Statistische Analysen, Visualisierung, Mensch-Maschine-Schnittstellen 
6. Anwendung von großen Sprachmodellen (LLMs, RAGs) für eine sprachliche Form der Kollaboration zwischen Mensch und Maschine für explorative Datenanalyse/maschinelles Lernen.

• Wirtschaftsinformatik (M)
  Hochschullehrer*in, Auswahlkommission - Mitglied
• Wirtschaftsinformatik (B)
  Hochschullehrer*in
• Fachbereich 4: Informatik, Kommunikation und Wirtschaft
  Hochschullehrer*in