Angewandte Informatik

Maschinelles Lernen in der Arbeitsgruppe

Herzlich willkommen auf den Seiten der AG Angewandte Informatik unter Leitung von Prof. Dr. Jörg Frochte. Die Arbeitsgruppe gehört zum Fachbereich Elektrotechnik und Informatik und ist hauptsächlich am Campus Velbert/Heiligenhaus aktiv. Unser Schwerpunkt in Lehre und Forschung liegt auf den Gebieten der künstlichen Intelligenz, des maschinellen Lernens und des Data Minings.

In den Bereichen maschinelles Lernen und Data Mining ist die Arbeitsgruppe sowohl national als auch international gut vernetzt. Prof. Frochte ist unter anderem:

Des Weiteren bestehen zahlreiche Kooperationen bzw. Kontakte zur Durham University (UK), Cardif Univesity (UK), Victoria University Wellington (NZ), Universität Leipzig (DE), Bergische Universität Wuppertal (DE), Bauhausuniversität Weimar (DE),Westfälischen Hochschule (DE) und der FH Dortmund (DE).

Mitglieder der Arbeitsgruppe

Leitung | Prof. Dr. rer. nat. Jörg Frochte

Tel.: +49 2056 5848 16711
Raum: 2.43 (CVH)
E-mail Adresse: joerg.frochte@hs-bochum.de

Ana Belén Martínez Torres, M.Eng. 

Tel.: +49 2056 584816741
Raum: 2.40 (CVH)
E-Mail Adresse: ana.martinez@hs-bochum.de

Christof Kaufmann, M.Eng. 

Tel.: +49 2056 584816743
Raum: 2.40 (CVH)
E-Mail Adresse: christof.kaufmann@hs-bochum.de

Janis Mohr, M.Sc.

Tel.: +49 2056 584816751
Raum: 2.49 (CVH)
E-Mail Adresse: janis.mohr@hs-bochum.de

Basile Tousside, M.Sc. 

Tel.: +49 2056 584816753
Raum: 2.42 (CVH)
E-Mail Adresse: basile.tousside@hs-bochum.de

Stephan Sandfuchs, M.Eng.

Tel.: +49 2056 584816746
Raum: 2.42 (CVH)
E-Mail Adresse: stephan.sandfuchs@hs-bochum.de

Sarah Grewe, M.Sc.

Tel.: +49 2056 584816852
Raum: 2.42 (CVH)
E-Mail Adresse: sarah.grewe@hs-bochum.de

Studentische Mitarbeitende

Ana Luísa S. Kelm

E-Mail Adresse: ana.schwengber-kelm@stud.hs-bochum.de

Christopher Blümer

E-Mail Adresse: christopher.bluemer@stud.hs-bochum.de

Ben Swodenk

E-Mail Adresse: ben.swodenk@stud.hs-bochum.de

Forschung

Field of Interest

Die Arbeitsgruppe ist aktiv in den Bereichen:

  • Continual Learning: Maschinelles Lernen - Methoden und Modelle für kontinuierliches Lernen.
  • Machine Learning of Ill-Posed Problems: Untersuchung von Methoden des maschinellen Lernens um mathematisch ungelöste Probleme anzugehen, die keine eindeutigen Lösungen haben, empfindlich auf Anfangsbedingungen reagieren oder keine stabile Lösung haben.
  • Explainable AI: Techniken zur Verbesserung der Interpretierbarkeit und Transparenz von KI-Modellen.
  • Educational Data Mining and Learning Analytics: Verbesserung von Lernergebnissen und Motivationsfaktoren durch datengesteuerte Erkenntnisse und Gamification-Techniken.
  • Data Science and Interdisciplinary Applications: Nutzung von Methoden der Datenwissenschaft in Bereichen wie Mechatronik und Robotik.
  • Sustainable AI and Digital Transformation: Entwicklung energieeffizienter KI-Technologien und Unterstützung der digitalen Transformation in Branchen mit Fokus auf Umweltschutz.

Wir sind darüber hinaus immer offen für neue spannende Anwendungen im Umfeld des maschinellen Lernens.

 

F&E-Projekte

CoFill – Intelligente Kreislaufwirtschaft durch fortschrittliche KI-Technologien (2024 - 2027)

Das Projekt „CoFill“ fokussiert sich auf die Entwicklung von KI-gestützten Lösungen, um die Effizienz und Nachhaltigkeit in der Kreislaufwirtschaft zu verbessern. Durch den Einsatz von intelligenten Datenanalysen und Vorhersagemodellen wird angestrebt, die Prozesse in der Abfallwirtschaft zu optimieren und eine nachhaltigere Nutzung von Ressourcen zu ermöglichen.

  • Projektleiter: Prof. Dr. Jörg Frochte
  • Geldgeber: Bundesministerium für Bildung und Forschung
  • Volumen (in €): 375.012
  • Koop-Partner: Zolitron

     

JetsKI – Wasserstrahlfräsen mit smarter KI-Modellierung (2024 - 2027)

Das Projekt „JetsKI“ zielt darauf ab, innovative Bearbeitungsverfahren durch den Einsatz von künstlicher Intelligenz (KI) nutzbar zu machen. Das Wasserstrahlfräsen besitzt ein enormes Potenzial für die effiziente Bearbeitung von bisher schwierig zu bearbeitenden Werkstoffen wie hochfeste Keramik, ist bisher jedoch zu anspruchsvoll und komplex für den breiten industriellen Nutzerkreis. Die Anwendung von KI-Methoden soll die Prozessauslegung verbessern und den Anwender in der computergestützten Fertigungsumgebung unterstützen, um bisherigen Einschränkungen zu begegnen und moderne Industriestandards zu erreichen.

  • Projekleiter: Prof. Dr. Jörg Frochte
  • Geldgeber: Innovationsförderagentur NRW
  • Volumen (in €): 1,1 Millionen. Anteil der HS Bochum: €536,775
  • Koop-Partner: HydroMill, AixPath

TrAIber.NRW – Transformation der Automotive Industrie in der Bergischen Region (2023 - 2025)

Das Projekt TrAIber.NRW, gefördert durch das Bundesministerium für Wirtschaft und Klimaschutz unter dem Titel "Handlungsorientierter Wissenstransfer in der Multi-Muster-Transformationsregion Bergisches Land" (HaWiss Multitrans), unterstützt die Automobilzulieferer in der Bergischen Region bei der Bewältigung von Antriebsänderungen und Klimazielen.

Durch die Nutzung von Digitalisierung, einschließlich KI und datengetriebenen Innovationen, werden Anpassungen in Geschäftsmodellen und Produktionsprozessen vorangetrieben. Das Projekt entwickelt eine regionale Transformationsstrategie, basierend auf umfassenden Analysen, die die Basis für alle Projektausrichtungen bildet.

Ein besonderer Fokus liegt auf der Entwicklung von Bildungsangeboten, die von der Anpassung von Ausbildungsberufen bis zu Dualen Studiengängen reichen, um lebenslanges Lernen zu fördern und die beruflichen Fähigkeiten im Einklang mit SDG 4 zu stärken. Ein modularer Transformationsbaukasten bietet zudem Kurse, Methoden und Leitfäden, die auf die spezifischen Bedürfnisse der regionalen Akteure zugeschnitten sind.

Die "Bergische Akademie für Transformation" wird diese Bildungs- und Beratungsangebote auch nach Ende der Projektförderung bereitstellen, wodurch SDG 9 (Industrie, Innovation und Infrastruktur) und SDG 13 (Maßnahmen zum Klimaschutz) sowie SDG 4 (Hochwertige Bildung) nachhaltig unterstützt werden, um eine umfassende und nachhaltige Entwicklung in der Region zu fördern.

  • Projektleiter: Prof. Dr. Jörg Frochte, Prof. Dr. Clemens Faller & Prof. Dr. Markus Lemmen
  • Geldgeber: Bundesministerium für Wirtschaft und Klimaschutz
  • Koop-Partner: hier finden Sie eine Liste der Kooperationspartner.

Digitales Mentoring (2021 - 2024)

Mit dem Digitalen Mentoring begegnen die drei Partnerhochschulen gleich mehreren Herausforderungen, die die Lehre und das Lernen aktuell beeinflussen und prägen: da ist zum einen der Umstand, dass ihre Erstsemester zumeist mit sehr unterschiedlichen Voraussetzungen ins Studium starten, so etwa mit verschiedenen Zugängen zur Hochschulreife und einer zunehmenden sozialen und kulturellen Vielfalt der Studierenden. Zudem wollen die drei Verbundspartner auch anwachsenden Studiendauern und dem deutlich gestiegenen Einsatz von Elementen der digitalen Lehre Rechnung tragen.

Dabei eröffnet gerade die Digitalisierung der Lehre die neuen Möglichkeiten, die das Digitale Mentoring nutzt. Die Methode des „Learning Analytics“, welches hier zum Einsatz kommt, nutzt die Daten, die bei Lernaktivitäten der Studierenden anfallen, um die Bedürfnisse der einzelnen Lernenden besser zu erkennen und den individuellen Lernprozess besser unterstützen zu können. Dazu nutzen die drei Hochschulen unter Beachtung aller Datenschutzvorschriften die Informationen aus verschiedenen Quellen, wie Verwaltungs-und Lernmanagementsystemen, stellen sie zusammen und werten sie aus. Der Einsatz von Educational Data Mining soll dazu beitragen, Empfehlungen für den weiteren Studienverlauf zusammenzustellen, die die Unterstützung und Begleitung im Studium durch Professorinnen und Professoren, aber auch Serviceeinrichtungen wie der Studienberatung ergänzen.

Weitere Informationen zu dem Projekt hier.

  • Projektleiter: Prof. Jörg Frochte
  • Geldgeber: Stiftung Innovation in der Hochschullehre unter FBM2020-VA-219-2-05750
  • Volumen (in €): Anteil der Hochschule Bochum: 948.973 Euro
  • Koop-Partner: FH Dortmund (Konsortialführung), Westfälische Hochschule

SharKI – Shared Tasks als Innovativer Ansatz zur Implementierung von KI- und Big-Data-basierten Anwendungen in der Hochschullandschaft (2021 - 2024)

Shared Tasks als innovativer Ansatz zur Implementierung von KI- und Big-Data-basierten Anwendungen in der Hochschullandschaft:
Mit SharKI entwickeln wir eine Shared-Task-Plattform, um Lehrenden die KI-gestützte Umsetzung, Durchführung und Bewertung von Shared Tasks in Lehrveranstaltung zu ermöglichen. Intergiert ist der Aspekt des Educationan Data Minings. Primäre Ziele an der HS BO sind Robotik und Regelungstechnik.

  • Projektleiter: Prof. Jörg Frochte
  • Geldgeber: BMBF Call 2873
  • Volumen (in €): 166.545
  • Koop-Partner: Uni Leipzig, Uni Weimar

TIMALIE – TIered MAchine Learning ArchItEctures (2019 - 2022)

Die Forschung dieses Projekts fokussiert sich auf gestufte Lernverfahren. Mit Hilfe der erforschten Ansätzen wollen wir in den folgenden Problemfeldern Fortschritte erzielen:

  • Lernende Autonome Systeme bei limitierten Resourcen
  • Datenschutz & Datensicherheit beim Lernen in der Cloud
  • Verbesserter Umgang mit lückenhaften Datensätzen

Das Projekt ist Teil der Bergische Innovationsplattform für Künstliche Intelligenz.  Dieses Vorhaben wird aus Mitteln des Europäischen Fonds für regionale Entwicklung (EFRE) gefördert.

  • Projektleiter: Prof. Dr. Jörg Frochte
  • Geldgeber: EFRE (EU & NRW)
  • Volumen (in €): 538.310
  • Koop-Partner: Uni Wuppertal, diverse Industriepartner

DIBS – Data Mining zur Beratung von Studierenden (2015 - 2016)

DIBS (Data MIning zur Beratung von Studierenden) ist ein amerikanischer Slang-Ausdruck und könnte wohl im Deutschen am besten mit "Erster!" als Ausruf übersetzt werden. In diesem Sinne geht es darum Ansätze zuverwirklichen, die es ermöglichen Gefahren für einen Studienabbruch frühzeitig zu erkennen. Durchgeführt wurde hierzu eine erste Studie unter besondern Berücksichtigungen des Datenschutzes und der Datensicherheit in lernen Systemen und Verfahren.

  • Projektleiter: Prof. Jörg Frochte
  • Geldgeber: Ministerium für Bildung und Wissenschaft des Landes NRW
  • Volumen (in €): 38.850
  • Koop-Partner: /

SimCloud (2012 - 2015)

SimCloud ist ein durch das BMBF unterstütztes Projekt zur Integration einer Finiten Element Simulation in eine Cloud Architektur. Ziel ist in einen Prototyp einen durchgängigen Workflow für eine Cloud-basierte FEM-Anwendung zu realisieren. Wesentlich hierbei sind die Aspekte Sicherheit und Benutzerunterstützung. Bei der Verteilung auf hetrogene Strukturen machten wir intensive Verwendung von maschinellen Lerntechniken. Das Projekt wurde gefördert durch das BMBF.


Publikationen

Textbook
  • Maschinelles Lernen: Grundlagen und Algorithmen in Python (3. erweiterte und korrigierte Auflage)
    published by the Hanser Fachbuchverlag, Nov. 2020;  ISBN-13: 978-3446461444 ; 616 Pages
  • Maschinelles Lernen: Grundlagen und Algorithmen in Python (2. korrigierte Auflage)
    published by the Hanser Fachbuchverlag, Jan. 2019;  ISBN-13: 978-3446459960 ; 406 Pages
  • Maschinelles Lernen: Grundlagen und Algorithmen in Python (1. Auflage)
    published by the Hanser Fachbuchverlag, Aug. 2018;  ISBN-10: 3446446656; ISBN-13: 978-3446446656; 406 Pages
  • Finite-Elemente-Methode: Eine praxisbezogene Einführung mit GNU Octave/MATLAB  (1. Auflage)
    published by the Hanser Fachbuchverlag, Oct. 2016;  ISBN-10: 3446452915; ISBN-13: 978-3446452916; 320 Pages

Peer-Reviewed Publikationen

2024

  • Neugebauer, M. (2024). Lightweight Learning Analytics Dashboard for Analyzing the Impact of Feedback & Design on Learning in Mathematical E-Learning. In: Proceedings 18. Workshop Mathematik in ingenieurwissenschaftlichen Studiengängen, S. 44-49. PDF, BibTex
  • Asatyran, H., Tousside, B., Mohr, J., Neugebauer, M., Bijl, H., Spiegelberg, P., Frohn-Schauf, C. & Frochte, J. (2024). Exploring Student Expectations and Confidence in Learning Analytics. In: Proceedings of the 14th Learning Analytics and Knowledge Conference (LAK 2024), S. 892-892. 18-22 März, Kyoto, Japan. DOI, PDF, BibTex
  • Tousside, B., Frochte, J. & Meisen, T. (2024). CNNs Sparsification and Expansion for Continual Learning. In: Proceedings of the 16th International Conference on Agents and Artificial Intelligence (ICAART 2024), Bd. 2. S. 110-120. 24-26 Februar, Rom, Italien. DOI, PDF, BibTex
  • Neugebauer, M., Erlebach, R., Kaufmann, C., Mohr, J. & Frochte, J. (2024). Efficient Learning Processes by Design: Analysis of Usage Patterns in Differently Designed Digital Self-Learning Environments. In: Proceedings of the 16th International Conference on Computer Supported Education (CSEDU 2024), Bd. 2. 2-4 Mai, Angers, Frankreich. DOI, PDF, BibTex
  • Elstner, T., Hanle, B., Loebe, F., Fröbe, M., Kolyada, N., Mohr, J., Frochte, J., Hofmann, S., Stein, B. & Potthast, M. (2024). Classification of Shared Tasks Used in Teaching. In: 29th ACM conference on Innovation and Technology in Computer Science Education (ITiCSE 2024). 8-10 Juli, Milan, Italien. DOI, PDF, BibTex

2023

  • Mohr, J. & Frochte, J. (2023). One-Shot Identification with Different Neural Network Approaches. In: Studies in Computational Intelligence Springer book series (SCI, Bd. 1119), S. 205–222. DOI, PDF, BibTex
  • Neugebauer, M. & Frochte, J. (2023). Steigerung von Lernerfolg und Motivation durch gamifizierte Mathematik-Aufgaben in Lernmanagementsystemen. In: 21. Fachtagung Bildungstechnologien (DELFI), S. 247-248. DOI, PDF,BibTex
  • Mohr, J., Tousside, B., Schmidt, M., Frochte, J. (2023). Multiple Additive Neural Networks: A Novel Approach to Continuous Learning in Regression and Classification. In: 15th International Conference on Neural Computation Theory and Applications. DOI, BibTex
  • Elstner, T., Loebe, F., Ajjour, Y., Akiki, C., Bondarenko, A., Fröbe, M., Gienapp, L., Kolyada, N., Mohr, J., Sandfuchs, S., Wiegmann, M., Frochte, J., Ferro, N., Hofmann, S., Stein, B., Hagen, M., & Potthast, M. (2023). Shared Tasks as Tutorials: A Methodical Approach. In: Proceedings of the AAAI Conference on Artificial Intelligence, Bd. 37 (13), 15807-15815. DOI, PDF, BibTex
  • Neugebauer, M., Tousside, B. & Frochte, J. (2023). Success Factors for Mathematical e-Learning Exercises Focusing First-Year Students. In: Proceedings of the 15th International Conference on Computer Supported Education (CSEDU 2023), Bd. 2, S. 306-317. SciTePress. ISBN 978-989-758-641-5. DOIPDF, BibTex
  • Asatryan, H., Gottschalk H., Lippert, M. & Rottmann, M. (2023). A Convenient Infinite Dimensional Framework for Generative Adversarial Learning. In: Electronic Journal of Statistics, Bd. 17, S. 391-428. DOI, PDF, BibTex

2022

  • Tousside, B., Dama, Y. & Frochte, J. (2022). Towards Explainability in Modern Educational Data Mining: A Survey. In: Proceedings of the 14th International Joint Conference on Knowledge Discovery, Knowledge Engineering and Knowledge Management, S. 212-220. DOI, PDF, BibTex
  • Tousside, B., Mohr, J., & Frochte, J. (2022). Group and Exclusive Sparse Regularization-based Continual Learning of CNNs. In: Proceedings of the Canadian Conference on Artificial Intelligence. DOIPDF, BibTex
  • Quetscher, F., Kaufmann, C. & Frochte, J. (2022). Investigation of Capsule Networks Regarding their Potential of Explainability and Image Rankings. In: Ana Paula Rocha, Luc Steels und H. Jaap van den Herik (Hg.): Proceedings of the 14th International Conference on Agents and Artificial Intelligence (ICAART 2022), Bd. 3, S. 343–351. Online Streaming, 3-5 Februar, ScitePress. DOI, PDFBibTex
  • Sandfuchs, S., Schmidt, M. & Frochte, J. (2022). Novel Approaches for Periodic Depth Enhancement in Visual SLAM. In: Andreas Müller und Mathias Brandstötter (Hg.): Advances in Service and Industrial Robotics. Cham: Springer International Publishing, S. 436–443. DOI, PDF, BibTex
  • Tousside, B., Friedrichsen, L. & Frochte, J. (2022). Towards Robust Continual Learning using an Enhanced Tree-CNN. In: Ana Paula Rocha, Luc Steels und H. Jaap van den Herik (Hg.): Proceedings of the 14th International Conference on Agents and Artificial Intelligence, ICAART 2022, Bd. 3. Online Streaming, February 3-5, 2022. DOI, PDFBibTex

2021

  • Mohr, J.Tousside B., Schmidt, M. & Frochte, J. (Hg.) (2021a). Explainability and Continuous Learning with Capsule Networks. In Proceedings of the 13th International Joint Conference on Knowledge Discovery, Knowledge Engineering and Knowledge Management (IC3K 2021), Bd. 1: KDIR, pages 264-273. ISBN: 978-989-758-533-3, ISSN: 2184-3228, INSTICC: ScitePress. DOI, PDFBibTex
  • Mohr, J., Breidenbach, F. & Frochte, J. (2021). An Approach to One-shot Identification with Neural Networks. In: Thomas Bäck, Christian Wagner, Jonathan M. Garibaldi, H. K. Lam, Marie Cottrell, Juan Julián Merelo und Kevin Warwick (Hg.): Proceedings of the 13th International Joint Conference on Computational Intelligence (IJCCI 2021), S. 344–351. Online Streaming, October 25-27, 2021: ScitePress. DOI, PDFBibTex

2020

  • Frochte, J. & Marsland, S. (2020). Regression learning on patches. In: 2020 IEEE Symposium Series on Computational Intelligence (SSCI), 1786–1793. DOIPDFBibTex
  • Frochte, J.Lemmen, M. & Schmidt, M. (2020). Concerning the Integration of Machine Learning Content in Mechatronics Curricula. In: Revolutionizing Education in the Age of AI and Machine Learning: IGI Global, S. 75–96. DOI, PDF, BibTex
  • Tousside, B., Mohr, J., Schmidt, M. & Frochte, J. (2020). A Learning Approach for Optimizing Robot Behavior Selection Algorithm. In: Chan, C. S., Liu, H., Zhu, X., Lim, C. H., Liu, X., Liu, L. & Goh, K. M. (Hg.): Intelligent Robotics and Applications - 13th International Conference, ICIRA 2020, Kuala Lumpur, Malaysia, November 5-7, 2020, Proceedings, Bd. 12595: Springer (Lecture Notes in Computer Science), S. 171–183. DOI, PDF, BibTex

2019

  • Börzel, S. & Frochte, J. (2019). Case Study on Model-based Application of Machine Learning using Small CAD Databases for Cost Estimation. Proceedings of the11th International Joint Conference on Knowledge Discovery, Knowledge Engineering and Knowledge Management,1, 258–265. DOIPDFBibTex
  • Frochte, J. & Marsland, S. (2019). A Learning Approach for Ill-Posed Optimisation Problems. In T. D. Le, K.-L. Ong, Y. Zhao, W. H. Jin, S. Wong, L. Liu &G. Williams (Hrsg.), Data Mining(S. 16–27). Springer Singapore. DOI, PDFBibTex

2018

  • Frochte, J., Lemmen, M. & Schmidt, M. (2018). Seamless Integration of Machine Learning Contents in Mechatronics Curricula. In: Proceedings of the IEEE 19th International Conference on Research and Education in Mechatronics (REM 2018), June 2018 in Delft, Niederlande. DOI, PDF, BibTex

2016

  • Bernst, I., Kaufmann, C. & Frochte, J. (2016). On learning assistance systems for numerical simulation. In: International Journal on Computer Science and InformationSystems, 11 (1), S. 115–133. PDFBibTex
  • Frochte, J. & Bernst, I. (2016). Success Prediction System for Student Counseling Using Data Mining. In: Proceedings of the 8th International Conference on Knowledge Discovery and Information Retrieval, S. 181–189. DOI, PDFBibTex
  • Kaufmann, C. & Frochte, J. (2016). A Case Study on FMU as Co-Simulation Exchange Format for FEM Models. In: Proceedings of the 13th International Conference on Applied Computing 2016 (Mannheim, Co-Organized by the University of Mannheim), Oktober 2016. ISBN 978-989-8533-56-2, S. 11--18. PDFBibTex

2015

  • Bernst, I., Kaufmann, C. & Frochte, J. (2015). Learning Load Balancing for Simulati-on in Heterogeneous Systems. In: H. Weghorn (Hrsg.), Proceedings of the 12th International Conference on Applied Computing 2015, S. 121–128. DOI, PDFBibTex
  • Bouillon, P., Frochte, J. & Lemmen, M. (2015). Influence of plant model variants for the automatic optimisation of control parameters. In: 16th International Conference on Research and Education in Mechatronics (REM), S. 80–87. DOIBibTex, PDF
  • Bouilon, P. & Frochte, J. (2015). Simulation- and Web-Based E-Learning in Engineering - Open Source Architecture and Didactic Issues -. In: Proceedings of the IEEE 16th International Conference on Research and Education in Mechatronics. S. 127-134. DOI, PDF, BibTex

2014

  • Bernst, I., Bouillon, P., Frochte, J. & Kaufmann, C. (2014). An approach for load balancing for simulation in heterogeneous distributed systems using simulation datamining. In H. Weghorn (Hrsg.), Proceedings of the 11th International Conference on Applied Computing 2014 (S. 254–238). DOI, PDFBibTex
  • Frochte, J., Kaufmann, C. & Bouillon, P. (2014). An approach for secure cloud computing for FEM simulation. In H. Weghorn (Hrsg.), Proceedings of the 11th International Conference on Applied Computing 2014 (S. 234–238). DOI, PDFBibTex

2013

  • Burrows, S., Frochte, J., Völske, M., Torres, A. B. M. & Stein, B. (2013). Learning Overlap Optimization for Domain Decomposition Methods. In J. Pei, V. S. Tseng,L. Cao, H. Motoda & G. Xu (Hrsg.), Proceedings of the Seventeenth Pacific-Asia Conference on Knowledge Discovery and Data Mining(S. 438–449). Springer. DOIBibTex, PDF

2011

  • Burrows, S., Stein, B., Frochte, J., Wiesner, D. & Müller, K. (2011). Simulation Data Mining for Supporting Bridge Design. Proceedings of the Ninth Australasian Data Mining Conference - Volume 121, 163–170. PDFBibTex

Lehre

Lehrveranstaltung

Mitglieder der Arbeitsgruppe betreuen folgende Lehrveranstaltungen an der Hochschule Bochum am Campus Velbert/Heiligenhaus. Eine internationale Webseite hierzu finden Sie  hier.

Bachelor-Studiengänge 

Passwort und Login für die Unterlagen werden jeweils in der Veranstaltung bekanntgeben. 

"Maschinelles Lernen & Data Mining" kann auch in den Studiengängen der Informatik (Campus Bochum) als Wahlmodul am CVH belegt werden.

Master-Studiengang

Im Rahmen der Master-Studiengänge Mechatronik und Produktentwicklung, sowie Technische Informatik am CVH werden die folgenden Veranstaltungen angeboten:


Bachelor- und Masterarbeiten

Abgeschlossene Abschlussarbeiten in der Arbeitsgruppe

  • 2023 – A. J. Fanyim Kamga: Bachelorarbeit mit dem Thema "Measuring Customer Satisfaction and Identifying Potential Improvement Areas in a Convenience Store using Customers Reviews & NLP-Techniques."
  • 2023 – M. Wallitschek: Bachelorarbeit mit dem Thema "Erzeugung von Beschreibungen einzelner Bildelemente durch maschinelles Lernen zur Steigerung der Erklärbarkeit einer Klassifikation"
  • 2022 – T. Überlackner: Bachelorarbeit mit dem Thema "Entwicklung eines Predictive Maintenance Systems auf Basis eines Deep Learning Modells
  • 2022 – M. Born: Bachelorarbeit mit dem Thema "Analyse der Eignung von piezoelektrischen Keramikkondensatoren in frequenzvariablen Resonanzinvertern zur Ansteuerung von BLDC-Motoren im elektrifizierten Antrieb"
  • 2022 – M. Heimbach: Masterarbeit mit dem Thema "Performance-Vergleich verschiedener Reinforcement Learning Verfahren auf den beschränkten Rechenressourcen eines Kriechroboters"
  • 2021 - F. Quetscher: Masterarbeit mit dem Thema "Investigation of Capsule Networks regarding the Explainability of Search Engine Rankings"
  • 2021 - S. Meier: Masterarbeit mit dem Thema "Analyse und Vergleich von Verfahren in Predictive Maintenance"
  • 2020 - L. Friedrichsen: Masterarbeit mit dem Thema "Impact of modularization on learning behavior and detection rate of Convolutional Neural Networks"
  • 2020 - F. Breidenbach: Bachelorarbeit mit dem Thema "Objekterkennung durch maschinelles Lernen anhand von Oberflächentexturen -Ansatz auf der Basis von Convolutional Neural Network"
  • 2019 - H. Richter: Masterarbeit mit dem Thema "Einsatzmöglichkeiten von Convolutional Neural Networks zur Klassifizierung von Vogelstimmen"
  • 2019 - L. Jakob: Masterarbeit mit dem Thema "Transfer Learning für die Handgestenerkennung mit Bilddaten geringer Auflösung"
  • 2018 - H. Richter: Bachelorarbeit mit dem Thema "Informationsextraktion aus Ausweisdokumenten mittels Deep Neural Networks"
  • 2017 - P. Bouillon: Masterarbeit mit dem Thema "Simulation-Based Pretraining for a Multilevel Reinforcement Learning on Mobile Robots"
  • 2017 - Tobias S. Fischer: Bachelorarbeit mit dem Thema "Nonintrusive Load Monitoring – Erkennung von Finite State Machines mittels Sequential Pattern Mining"
  • 2016 - J. Beran: Masterarbeit mit den Thema: "Vergleich verschiedener Ansätze für lernende Agenten in strategischen Planspielen"
  • 2015 - T. E. Preuß: Bachelorarbeit mit dem Thema: "Training eines Saugroboters in einer virtuellen Umgebung"
  • 2015 - O. P. Müller: Masterarbeit mit dem Thema: "Klassifikation von Handgesten in drei Dimensionen mittels maschinellen Lernens"
  • 2015 - J. Dambacher: externe Bachelorarbeit
  • 2014 - P. Bouillon: Bachelorarbeit mit dem Thema: "Training eines humanoiden Roboters durch maschinelles Lernen"
  • 2014 - D. Cziesla: Bachelorarbeit mit dem Thema: "3D Visualisierung technischer Daten in Webapplikationen"

Interesse an einer Abschlussarbeit in der angew. Informatik?

Wenn Sie als Studierender der Hochschule Bochum darüber nachdenken bei mir eine Bachelor- oder Masterthesis zu schreiben können Sie sich auf den Seiten Projekte und Abschlussarbeiten, Forschung und Entwicklung, sowie Publikationen über die Schwerpunkte der Arbeitsgruppe informieren. Generell gilt meiner Erfahrung nach: Wenn Sie mit einer eigenen Idee kommen oder wir gemeinsam ein Thema finden, dass Sie wirklich interessiert, werden die Ergebnisse im Allgemeinen gut sein. Wenn ihr Thema also in den Themengebieten auf diesen Seiten nicht vorkommt, lassen Sie sich dadurch zunächst nicht abschrecken, sondern präsentieren Sie ihre Idee einfach einmal.

Bzgl. der Form gelten i.W. die gleichen Hinweise wie unten für die Hausarbeiten. Wenn Sie unsicher sind sprechen Sie die offenen Fragen am besten direkt zu Beginn der Arbeit an.


KIS-, Software- und Entwicklunsprojekte

Die Arbeitsgruppe bietet regelmäßig die Option an im Umfeld des eigenen Themenschwerpunktes KIS-, Software- und Entwicklunsprojekte durchzuführen. Themenvorschläge unsererseits hängen regelmäßig in den Schaukästen. Sie dürfen aber natürlich auch gerne mit eigenen Ideen kommen.

Studierende der Informatik vom Standort Bochum mit Interesse am maschinellen Lernen bzw. angewandter KI sind für ihre Software-Projekte etc. natürlich auch willkommen.


Hausarbeiten und Berichte

Sie finden hier eine grobe Orientierung zum Verfassen einer Abschluss- oder Hausarbeit. Einmal als pdf und zum anderen auch eine komplette  LaTeX-Vorlage (zip).

Bitte betrachten Sie dieses Beispiel lediglich als eine Orientierungshilfe. Es soll Ihnen einen Eindruck vermitteln wie eine Arbeit typischerweise aufgebaut ist und welche klassischen Fehler (s. z.B. Hinweis zum Umgang mit Quellen und Zitaten unten auf der Seite)man vermeiden sollte. Auch die Grundlagen müssen nicht immer Grundlagen heißen, sondern können als Überschrift auf die Arbeit hin abgewandelt werden.

Natürlich müssen Sie nicht LaTeX verwenden. Wer Word oder LibreOffice einsetzen möchte kann sich einfach dem pdf oben orientieren.Wer LaTeX unter Windows verwenden möchte, dem empfehle ich MiKTeX ( http://miktex.org/).

Bitte beachten Sie, dass Form und Zitattechnik wichtige Dinge in solchen Ausarbeitungen sind und sich auch in der Note niederschlagen. Nehmen Sie sich die Hinweise zu Herzen.


  Unser Studien­angebot