Data Science Research Group
der
Westsächsischen Hochschule Zwickau

Wer wir sind.


Wir, die Data Science Research Group, sind eine Forschergruppe an der Westsächsischen Hochschule Zwickau (WHZ), die sich mit der Weiterentwicklung von Methoden des maschinellen Lernens und der künstlichen Intelligenz beschäftigt. Wir arbeiten eng mit dem Studiengang Data-Science unserer Hochschule zusammen.
 
 

Forschungsergebnisse

Im Folgenden einige unserer Forschungsergebnisse, insbesondere einige unserer Softwareprojekte.


Tensor-Calculus (TC)

Python 3.8+
Version Unreleased

TC ist eine wissenschaftliche Softwarebibliothek für maschinelles Lernen. TC ermöglicht den einfachen Zugang zu neuronalen Tensorformaten (NTF). NTF findet Anwendungen in allen Bereichen des maschinellen Lernens, welche sich hauptsächlich mit Funktions-Approximation befassen.

Dieses Projekt befindet sich derzeit in einer intensiven Entwicklung und wird in Kürze veröffentlicht. Wenn Sie einen Beta-Zugang anfordern möchten, senden Sie uns bitte eine e-mail an

Discrete Optimization Extension (DOpE)

Python 3.8+
Version Unreleased

Eine Bibliothek zur Lösung diskreter Minimierungsprobleme. Dope bietet Methoden wie AdaptiveCrossSearch, BayesSearch, GridSearch und RandomSearch. Genutzt wird es zur Modellverbesserung und ermöglicht somit eine verbesserte Lösung von Minimierungsproblemen.

Dieses Projekt befindet sich derzeit in einer intensiven Entwicklung und wird in Kürze veröffentlicht. Wenn Sie einen Beta-Zugang anfordern möchten, senden Sie uns bitte eine e-mail an

Bias Variance Agent (BiVA)

Python 3.8+
Version Unreleased

Die Biva-Bibliothek dient als Werkzeug, um den Kompromiss zwischen Bias und Varianz beim überwachten Lernen zu lösen. Der Agent bietet einen API-unabhängigen Ansatz für die Modellierung, Bewertung und Optimierung von Hyperparametern.

Dieses Projekt befindet sich derzeit in einer intensiven Entwicklung und wird in Kürze veröffentlicht. Wenn Sie einen Beta-Zugang anfordern möchten, senden Sie uns bitte eine e-mail an

 
 

Das Team

Dies sind die Personen, die in unserer Forschungsgruppe arbeiten.


  • Data Science
  • Entwicklung von Methoden des maschinellen Lernens und der künstlichen Intelligenz
  • Analysis und Numerik
  • Numerik hochdimensionaler Probleme mittels Tensorformate
  • Mathematik für Ingenieure
  • seit 3/2017
    Professor für Mathematik, Westsächsischen Hochschule Zwickau
  • 04/2014-02/2017
    Professor für Numerische und Angewandte Analysis RWTH Aachen
  • 10/2013-03/2014
    Wissenschaftlicher Mitarbeiter TU Berlin, Prof. Dr. Harry Yserentant.
  • 01/2008-09/2013
    Wissenschaftlicher Mitarbeiter am Max-Planck-Institut für Mathematik in den Naturwissenschaften, Leipzig, Prof. Dr. Dr. h.c. Hackbusch.
  • 04/2005-12/2007
    Doktorand am Max-Planck-Institut für Mathematik in den Naturwissenschaften, Leipzig, Prof. Dr. Dr. h.c. W. Hackbusch
Antje Holtz
Antje Holtz
Transferbeautragte*r
Christian Walter
Christian Walter
Wiss. Mitarbeiter*in
Dominic Schneider
Dr. rer. nat. Dominic Schneider
Wiss. Mitarbeiter*in
Kostiantyn Pysanyi
Kostiantyn Pysanyi
Wiss. Mitarbeiter*in
Luma AlHajjar
Luma AlHajjar
Studentische Hilfskraft
Mahmoud Hafez
Mahmoud Hafez
Studentische Hilfskraft
Marcel Becker
Marcel Becker
Wiss. Mitarbeiter*in
Michaela Banert
Michaela Banert
Transferbeautragte*r
Moritz Schwab
Moritz Schwab
Studentische Hilfskraft
Saad Ahmad
Saad Ahmad
Studentische Hilfskraft
Samuel Werner
Samuel Werner
Wiss. Mitarbeiter*in
Tobias Haubold
Tobias Haubold
Wiss. Mitarbeiter*in

Ehemalige Mitarbeiter

Christian Ahlswede
Christian Ahlswede
Studentische Hilfskraft
David Gadsch
David Gadsch
Studentische Hilfskraft
Katsiaryna Radschanka
Katsiaryna Radschanka
Studentische Hilfskraft
Laura Braun
Laura Braun
Studentische Hilfskraft
Tommy Hartmann
Tommy Hartmann
Wiss. Mitarbeiter*in
 
 

Forschungsprojekte

Die folgenden Projekte sind ein Auszug aus unserer Forschungsarbeit und beteiligten Drittmittelgebern.


KI-Lab-EmCo

KI-Lab, Efficent Methods of Conditional Monitoring

Das Ziel dieses Vorhabens ist es, ein ganzheitliches KI-Labor für die modernen Methoden des Condition-Monitoring zu errichten. Dabei werden aktuelle Methoden, sowie auch neue Methoden unter Verwendung neuronaler Tensorformate berücksichtigt.

MoITra

Modulares intelligente Transportsystem in der Intralogistik

Das Ziel des Vorhabens ist es, ein funkbasiertes fahrerloses Transportsystem für die Intralogistik zu entwickeln, welches auf Grund der mittels Tensorformaten entwickelten Logik zum einen eine hohe Ausfallsicherheit bietet und zum Anderen schnell an neue Aufgabenfelder angepasst werden kann.

Saxony5 - CCL KI

Saxony5 - Smart University Grid, CCL Künstliche Intelligenz

Ziel des Projekts ist die Implementierung eines Co-Creation-Labors (CCL) "Künstliche Intelligenz" im Gemeinschaftsprojekt "Saxony5". Es soll den regionalen Austausch zu den Themen künstliche Intelligenz und maschinelles Lernen fördern.

K-M-I

Künstlich und Menschlich Intelligent - Kompetenzzentrum für transformierte Arbeit in Westsachsen

Das Projekt K-M-I wird vom Bundesministerium für Bildung und Forschung (BMBF) gefördert. Es soll erforscht werden, wie sich Maßnahmen der KI arbeitsgestalterisch in der Region des mitteldeutschen Kohlereviers und in Westsachsen einsetzen lassen. Umsetzbar ist dies unter anderem durch die Unterstützung von intelligenten Assistenzsystemen bei der Produktionsplanung und -steuerung oder bei der Wartung und Instandhaltung komplexer Anlagen.

KI-StudiUm

Etablierung einer KI-basierten adaptiv individualisierten Studierumgebung für Studierende und Hochschulverwaltung

Ziel des Projektes ist es, einige Methoden der KI als unterstützende Technologie in den Regelbetrieb von Lehre und Verwaltung an der WHZ zu überführen. Es erfolgt gleichzeitig der Ausbau von digitalen, internationalen und interdisziplinären Studienangeboten in der Breite und Tiefe sowie der Aufbau von KI-Qualifizierungsprogrammen für Hochschulmitarbeiter.

Accident reconstruction in GIDAS by AI

Verbesserung der Unfallrekonstruktion in GIDAS durch Erhebung zusätzlicher Anknüpfungstatsachen und durch Nutzung künstlicher Intelligenz

Ziel des Projektes ist es, den aktuellen Ablauf der Rekonstruktion und das Verbesserungspotential für die Rekonstruktion in GIDAS herauszuarbeiten. Mit Methoden der KI soll die Rekonstruktion effizienter und transparenter gestaltet werden im Hinblick auf Toleranzen der Ergebnisse der Pre-Crash-Phase sowie der kinematischen Parameter der Kollision.

 
 

Publikationen

Hier ein Auszug aus unseren wissenschaftlichen Veröffentlichungen.


 
 

Unserer Partner

Unsere Partner, die uns bei unserer Arbeit unterstützen.


Forschung

Industrie