Artificial Intelligence & Machine Learning
Das Competence Center Artificial Intelligence & Machine Learning forscht an der Schnittstelle von Informatik, Kognition und Wirtschaftswissenschaften von den Grundlagen in den Neurowissenschaften hin bis zu den Anwendungen in den Bereichen Data Science und künstliche Intelligenz.
Dies umfasst Themen wie:
- Data Science
- Machine Learning
- Deep Learning
- Computational Neuroscience
- Bio-inspirierte Lernverfahren
- Hyperparametertuning
- Erklärbarkeit von Machine Learning Modellen
- Statistical Computing
- Aufbau einer umfassenden Entwicklungsinfrastruktur für Web-basierte KI-Anwendungen
- Modellierung und Simulation von intelligenten Systemen
- Neuromorphe Hardware
- Text Mining / NLP
- Credit Risk Modelling
Es besteht ein intensiver Austausch mit den akkreditierten Master-Studiengängen Wirtschaftsinformatik im Fachbereich Wirtschaft sowie Informatik im Fachbereich Elektrotechnik und Informatik.
KI-Kochbuch für KMU
Gerade für kleine Unternehmen stellt es oft eine große Herausforderung dar, den richtigen Weg im Umgang mit KI zu finden. Aus diesem Grund ist unter Mitwirkung von Prof. Gero Szepannek und einer von Deutschen Forschungszentrum für KI in Kaiserslautern (DFKI) geleiteten Arbeitsgruppe ein neues „KI-Kochbuch“ mit Rezepten für den Einsatz von KI in KMU entstanden. Das Buch soll einen einfachen und anschaulichen Einstieg in das Thema bieten und auch kleine Unternehmen in die Lage versetzen, für sich Potenziale und Risiken durch den Einsatz von KI für die eigene Situation zu bewerten. Bei Interesse kann ein kostenloses Exemplar per eMail über gero.szepannek@hochschule-stralsund.de angefragt werden.
Per Anhalter durch die Galaxis des maschinellen Lernens
Prof. Dr. Gero Szepannek zeigt Wirtschaftsinformatiker*innen besonders anschaulich Methoden und Prozesse auf, um Künstliche Intelligenz und wie sie lernt, zu verstehen.
zum Buch
Hochleistungscomputer verbrauchen sehr viel Energie (z.B. so viel wie unsere gesante Hochschule), um speziallisierte KI-Aufgaben zu lösen, und stoßen an physikalische Grenzen bei weiterer Minituarisierung. Natürliche intelligente System (z.B. das menschliche Gehirn) verbrauchen wenig Energie, sind aber flexibel. Deshalb entwickeln Hochschulen und Industrie (z.B. Intel und IBM) spezielle Hardware, die die Funktionsprinzipen des menschlich Gehirn kopieren: neuromorphe Systeme. Diese allerdings werden ganz anders programmiert und trainiert als klassische KI-System
Deshalb brauchen wir neue Lernverfahren, die auf solcher Neuromorpher Hardware laufen und in Anwendungen bessere Ergebnisse liefern als die klassische KI. Daran arbeiten wir im Teilprojekt „Learning and Memory“ des Human Brain Projektes, das von der EU gefördert wird:
https://www.humanbrainproject.eu/en/about/project-structure/subprojects/#SP4
Untersuchungsgegenstand des Projektes sind touristische Entwicklungsprojekte in Transformations- und Schwellenländern. Mit Hilfe von Instrumentarien des Text Mining sollen wahrgenommene Qualitätskriterien der Nutzer identifiziert und untersucht werden. Kooperation mit der HTW Berlin. Projektlaufzeit: 1.8.2019 - 31.7.2020.
Umsetzung des KOKON Algorithmus zur Identifikation von Herb-drug interactions im Rahmen eines Unterauftrags des Kompetenznetzes Komplementärmedizin in der Onkologie.
https://www.kompetenznetz-kokon.de/home
Projektleiter: Prof. Dr. Gero Szepannek
Projekt im Rahmen der hochschulinternen Forschungsförderung (01.01. - 31.12.2020)
Projekt im Rahmen der hochschulinternen Forschungsförderung (01.01. - 31.12.2019)
Erstellung von deutschsprachigen Lehrmaterial zur Responsible Machine Learning.
Kooperation mit der Scientific Foundation SmarterPoland.pl.
Projektlaufzeit: 01.06.2022 – 31.10.2022
Analyse des Effektes von Hyperparametern tiefer neuronaler Netzwerke zur Tonhöhen- und Instrumentenklassifikation aus der simulierten Antwort des menschlichen Hörnervs.
Projekt im Rahmen der MINT-Mentoring - Nachwuchsförderung für Studierende in Vorbereitung auf eine Karriere in der Forschung.
Projektlaufzeit: 01.08.2022 – 31.12.2022
Mitarbeitende
Prof. Dr. rer. nat.
Gero Szepannek
Statistik, Wirtschaftsmathematik und Machine Learning
Tel:
+49 3831 45 6672
Raum:
322, Haus 21
Prof. Dr. rer. nat.
André Grüning
Vorsitzender des Senats, Mathematik und Künstliche Intelligenz, Vertrauensdozent der Heinrich-Böll-Stiftung
Tel:
+49 3831 45 6596
Raum:
325, Haus 4
Prof. Dr. rer. nat.
Jan Sölter
Künstliche Intelligenz
Tel:
+49 3831 45 6630
Raum:
332c, Haus 4
Publikationen
Szepannek, G., Tetzlaff,L. Frahm, A., Lübke, K. (2023): Teaching Machine Learning with mlr3 using Shiny. Proc. 3rd Teaching Machine Learning and Artificial Intelligence Workshop, in: Proc. Machine Learning Research, 207:42-45.
Aschenbruck, R., Szepannek, G., Wilhelm, A.F.X. (2023). Stability of Mixed-Type Cluster Partitions for Determination of the Number of Clusters. In: Brito, P., Dias, J.G., Lausen, B., Montanari, A., Nugent, R. (eds) Classification and Data Science in the Digital Age. Springer, Cham. DOI: 10.1007/978-3-031-09034-9_6
Aschenbruck, R., Szepannek, G., Wilhelm, A. (2023): Random-Based Initialization Strategies for Clustering Mixed-Type Data with the k-Prototypes Algorithm, In: Coretto, P., Giordano, G., La Rocca, M., Parella, M. and Rampichini, C.: CLADAG 2023, ISSN 978-88-9193-563-2, 38-41
Szepannek, G., Laabs, B.-H. (2023): Can't See the Forest for the Trees – Analyzing Groves for Random Forest Explanation, Behaviormetrika, DOIU: https://doi.org/10.1007/s41237-023-00205-2
Szepannek, G., Lübke, K. (2023): How Much Can We See? Quantifying Explainability of Black Box Models for Credit Scoring, Argumenta Oeconomica 50, DOI: https://doi.org/10.15611/aoe.2023.1.07
Aschenbruck, R., Szepannek, G., Lübke, K. Wilhelm, A. (2023): Heterogeneity in class: clustering student's attitudes towards statistics, Statistica Applicata 34 (2), DOI: https://doi.org/10.26398/IJAS.0034-008
Tetzlaff, L., Szepannek, G. (2022): mlr3shiny—State-of-the-art machine learning made easy. SoftwareX, Volume 20,
101246, ISSN 2352-7110, https://doi.org/10.1016/j.softx.2022.101246
Aschenbruck, R., Szepannek, G. & Wilhelm, A.F.X. (2022): Imputation Strategies for Clustering Mixed-Type Data with Missing Values. J Classif, https://doi.org/10.1007/s00357-022-09422-y
Sydow, S., Aschenbruck, R., Szepannek, G. and Lübke, K. (2022): Digital oder Real: Analyse präferierter Lehrformate von Studierenden. die hochschullehre, 8(1), pp.130–141. DOI: http://doi.org/10.3278/HSL2209W
Szepannek, G., Lübke, K. (2022): Explaining Artificial Intelligence with Care. Künstl Intell. https://doi.org/10.1007/s13218-022-00764-8
Szepannek, G.(2022): An Overview on the Landscape of R Packages for Open Source Scorecard Modelling, Risks, Risks 10 (3), DOI: 10.3390/risks10030067
Stefan Heber, David Pereyra, Waltraud Cornelia Schrottmaier, Kerstin Kammerer, Jonas Andreas Santol, Benedikt Rumpf, Erich Pawelka, Markus Hana, Alexander Scholz, Markus Liu, Agnes Hell, Klara Heiplik, Benno Lickefett, Sebastian Havervall, Marianna Traugott, Matthias Neuböck, Christian Schoergenhofer, Tamara Seitz, Christa Firbas, Mario Karolyi, Guenter Weiss, Bernd Jilma, Charlotte Thålin, Rosa Maria Bellmann-Weiler, Gero Szepannek, Helmut Salzer, Michael J.M. Fischer, Alexander Zoufaly, Andreas Gleiss and Alice Assinger (2022): A model predicting mortality of hospitalized Covid-19 patients four days after admission: Development, internal and temporal-external validation, Front. Cell. Infect. Microbiol. 11:795026. DOI: 10.3389/fcimb.2021.795026.
Gardner B and Grüning A (2021) Supervised Learning With First-to-Spike Decoding in Multilayer Spiking Neural Networks. Front. Comput. Neurosci. 15:617862. doi: 10.3389/fncom.2021.617862 https://internal-journal.frontiersin.org/articles/10.3389/fncom.2021.617862/full
Szepannek Gero, Lübke Karsten. "Facing the Challenges of Developing Fair Risk Scoring Models", Frontiers in Artificial Intelligence, Volume 4, 2021, 117 Seiten. DOI = 10.3389/frai.2021.681915
Szepannek, Gero, Westphal, Laila, Gronau, Werner and Lehmann, Tine. "Using a sentiment analysis for the examination of tourism blogs – a step by step methodological reflection process" Zeitschrift für Tourismuswissenschaft, vol. 13, no. 2, 2021, pp. 167-190. https://doi.org/10.1515/tw-2021-0011
Bücker, M.; Szepannek, G., Gosiewska, A. Biecek, P. (2021): Transparency, Auditability and eXplainability of Machine Learning Models in Credit Scoring, Journal of the Operation Research Society, accepted.
Szepannek, G., Aschenbruck, R. (2020): Predicting eBay Prices: Selecting and Interpreting Machine Learning Models – Results of the AG DANK 2018 Data Science Competition, Archives of Data Science Series A 7(1), 1.-17, DOI: 10.5445/IR/1000125928/.
Aschenbruck, R., Szepannek, G.; (2020): Cluster Validation for Mixed-Type Data. Archives of Data Science (Series A) 6(1), 1-12, DOI: 10.5445/KSP/1000098011/02.
Lübke, K.; Gehrke, M.; Horst, J., Szepannek, G. (2020): Why We Should Teach Causal Inference: Examples in Linear Regression with Simulated Data, Journal of Statistics Education, 28 (2), 133-139, DOI: 10.1080/10691898.2020.1752859.
Aschenbruck, R., Szepannek, G.; (2020): Einsatz von KI zur Qualitätssicherung. Wissenschaft trifft Praxis 13: Digitale Daten, 47-51.
Szepannek, G. (2019): How much can we see? A note on quantifying interpretability of machine learning models, arXiv preprint arXiv: 1910.13376.
Bauer, N., Ickstadt, K., Lübke, K., Szepannek, G. Trautmann, H. (2019): Applications in Statistical Computing: From Music Data Analysis to Industrial Quality Improvement, Springer.
Tetzlaff, L., Rulle, K. Szepannek, G., Gronau, W. (2019): A Customer Feedback Sentiment Dictionary – Towards Automatic Assessment of Online Reviews, European Journal of Tourism Research 23.
Szepannek, G. und Ligges, U. (2019): Heteroscedastic Discriminant Analysis Using R, in: Bauer, N., Ickstadt, K., Lübke, K., Szepannek, G., Trautmann, H. (Hrsg.): Applications in Statistical Computing: From Music Data Analysis to Industrial Quality Improvement, Springer, S. 77-91.
Jang, Hyeryung; Simeone, Osvaldo; Gardner, Brian; Grüning, André (2018): Spiking Neural Networks: A Stochastic Signal Processing Perspective arXiv preprint arXiv:1812.03929
Rausch-Stroomann, J., Szepannek, G. (2018): Ein SAS Enterprise Miner Interface für systematisches Hyperparameter-Tuning mit (ml) R, Proc. KSFE 2018, 289-296, DOI: 10.2370/9783844059724.
Szepannek, G. (2018): clustMixType: User-Friendly Clustering of Mixed-Type Data in R, R Journal, 10/2.
Chrol-Cannon, Joseph; Jin, Yaochu; Grüning, André (2017): An efficient method for online detection of polychronous patterns in spiking neural networks Neurocomputing 267 644-650
Szepannek, G.: On the Practical Relevance of Modern Machine Learning Algorithms for Credit Scoring Applications, In: Mucha, H.: Big Data Clustering: Data preprocessing, Variable Selection and Dimension Reduction, WIAS Report 29, S. 88-96, DOI: 10.20347/WIAS.REPORT.29.
Gardner, Brian; Grüning, André (2016): Supervised Learning in Spiking Neural Networks for Precise Temporal Encoding PLoS One 11 8 e0161335
Bischl, B.; Kühn, T.; Szepannek, G. (2016): On Class Imbalance Correction for Classification Algorithms in Credit Scoring, In: Lübbecke, M.; Koster, A.; Letmathe, P.; Madlener, R.; Preis, B.; Walther, G.: Operations Research Proceedings 2014: Selected Papers of the Annual International Conference of the German Operations Research Society (GOR), RWTH Aachen University, Germany, September 2-5, 2014, S.37-43, DOI: 10.1007/978-3-319-28697-6_6, Springer.
Grüning, André; Bohte, Sander M (2014): Spiking neural networks: Principles and challenges. ESANN
Sporea, Ioana; Grüning, André (2013): Supervised learning in multilayer spiking neural networks Neural computation 25 2 473-509
Veranstaltungen
Int. Workshop Data Science in Finance (05.06.2023)
- Rabea Aschenbruck: „The k Prototypes Algorithm for Clustering Mixed-Type Data"
- Anna Denkowska, Stanisław Wanat: "Systemic Risk Modeling in the Insurance Sektor based on the Copula-DCC-GARCH-MST-DTW model"
- Grzegorz Korbela: "Modeling human mortality with the usage of macroeconomic factors"
- Krystian Szczęsny, Stanisław Wanat: "Risk Aggregation in Solvency Capital Requirement: Deep Neural Networks, C-vine Copulas in identifying marginal distributions and multidimensional copula"
- Gero Szepannek: „mlr3shiny – a Graphical User Interface for State of the Art Machine Learning", „Measuring Fairness of Credit Scoring Models"
- Jan Wosnitza: „Calibration of PD Models and Quantification of their General Estimation Error (MoC C)"
---------------------------------------------------
Workshop on „Synaptic Plasticity“
14.-15.01.2020
Co-organising Workshop on „Synaptic Plasticity“ at the European Insitute for Theoretical Neuroscience (EITN), Paris:
https://www.eitn.org/index.php/calendar-event/eventdetail/732/-/workshop-on-synaptic-plasticity
---------------------------------------------------
R Usertreffen Stralsund
06.11.2023
- "Model based clustering with the packages mclust - teigen - mixsmsn, Marta Nai Ruscone (University of Genova, Italy)
31.05.2023
- "Application of R in the analysis of the influence of macroeconomic policy on life expectancy", Anna Denkowska and Grzegorz Korbela (Cracow University of Economics)
- "dataquieR — Data Quality Assessments with R", Stephan Struckmann (Uniklinikum Greifswald Greifswald)
23.11.2022
- "Tools for cluster validation", Christian Hennig (Universita di Bologna) Folien Daten
- "Measuring emotions in domestic pigs – and how to prepare a reproducible workflow for publication", Anja Eggert (Forschungsinstitut für Nutztierbiologie, Dummersdorf)
13.07.2022
- "Deskriptive Datenanalysen im Tidyverse", Lars Koppers (Science Media Center, Köln)
- "mlr3shiny – State-of-the-Art Machine Learning Made Easy", Laurens Tetzlaff (Jheronimus Academy of Data Science, 's-Hertogenbosch, NL)
17.11.2021
- "As fast as it gets? Challenging R(cpp) with Julia", Philipp Wittenberg & Philipp Adämmer (Helmut Schmidt Universität Hamburg)
- "Pathway/Disease enrichment analysis using Bioconductor package", Neetika Nath (Institut für Bioinformatik, Universitätsmedizin Greifswald)
- "Schnittmengenvisualisierung mit ComplexUpSet - ein Anwendungsbeispiel in der Blutkulturdiagnostik", Marcus Vollmer (Institut für Bioinformatik, Universitätsmedizin Greifswald)
28.04.2021
- "Die perfekte Grafik mit R - base schlägt gg", Ulrike Grömping (BHT Berlin).
20.11.2019
- „Einführung in Bayesverfahren“, Christian Röver (Universität Göttingen)
- "R Coding Challenge“ – Mario Trouillier (Universität Greifswald)
Organisator: Prof. Dr. Gero Szepannek
13.03.2019
- „Circular visualization in R & having fun", Yvonne Gladbach (Universität Rostock)
- "Dimensionsreduktion... von PCA bis HDA -- Heteroskedastische Diskriminanzanalyse (und wofür sie gut ist)", Gero Szepannek (Hochschule Stralsund)
Organisator: Prof. Dr. Gero Szepannek
---------------------------------------------------
Herbsttagung der Arbeitsgruppe Datenanalyse und numerische Klassifikation (DANK)
26./27.10.2018
http://www.gfkl.org/arbeitsgruppen/datenanalyse-und-numerische-klassifikation/
- Focus Theme: Interpretable Machine Learning
- Keynote: Mateusz Staniak (Warsaw University of Technology):
DALEX: Descriptive mAchine Learning EXplanations. Tools for exploration, validation and explanation of complex machine learning models.
Organisator: Prof. Dr. Gero Szepannek