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.

 

 

Projekte
Realisierung von bio-inspirierten Lernverfahren aus Neuromorphe Hardware

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

Quantitative Analyse von Wahrgenommenen Qualitätskriterien im Tourismus mit Hilfe von Text Mining

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

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

Identifikation eines zweckmäßigen Umfangs der Anwendung von Maschinenintelligenz

Projekt im Rahmen der hochschulinternen Forschungsförderung (01.01. - 31.12.2020)

Untersuchung des Einflusses von Hyperparametern tiefer neuronaler Netze

Projekt im Rahmen der hochschulinternen Forschungsförderung (01.01. - 31.12.2019)

Mitarbeiter

Mitarbeiter

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

Mathematik und Künstliche Intelligenz

Tel:

+49 3831 45 6596

Raum:

325, Haus 4

Publikationen

Publikationen

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

Veranstaltungen

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

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