Îçҹ̽»¨
Direkt zur Hauptnavigation
Direkt zum Inhalt
Direkt zum Funktionsmenü (Sprache, Drucken, Social Media)
Direkt zur Fußleiste
Direkt zur Suche
Kooperatives Promotionskolleg Data Science und Analytics
Suchen
²Ñ±ð²Ôü
Kooperatives Promotionskolleg Data Science und Analytics
Das Promotionskolleg
Das Promotionskolleg
Aktuelles
Aktuelles
Aktuelles aus dem KPK
Personen
Personen
Beteiligte Professoren
Stipendiaten
Projekte
Projekte
P1: Datenbasierte Modellierung und Modellreduktion
P2: Data Science für medizinische Therapieinnovationen: von bayesianischer Entscheidungsfindung zu kausaler Ereigniszeitanalyse
P3: Nutzer*innenzentrierte Entwicklung und Evaluation von XAI-Methoden
P4: Wie entscheiden Neuronale Netze?
P5: Intelligente Steuerung von Speichern zur Netzstabilisierung
P6: Erklärung von Klassifikatiosentscheidungen hybrider Systeme
P7: Datengetriebene Erfassung, Analyse, Erklärung und Behandlung von Diskrepanzen zwischen digitalen Workflows und Realweltprozessen
P8: Erklärbarkeit bei komplexitätsreduzierten maschinellen Lernverfahren
P9: Serviceroboter mit vertrauenswürdigen situativen Entscheidungen
P10: Zuverlässige Bewertung von medizintechnischen Zeitreihen
P11: Verbesserung von automatisiertem Maschinellem Lernen durch Erklärbarkeitsmethoden
P12: Integration, Evolution und Wartbarkeit von Modellen des Maschinellen Lernens im produktiven Einsatz
Kooperatives Promotionskolleg Data Science und Analytics
Das Promotionskolleg
Projekte
EN
P1: Datenbasierte Modellierung und Modellreduktion
P2: Data Science für medizinische Therapieinnovationen: von bayesianischer Entscheidungsfindung zu kausaler Ereignisanalyse
P3: Nutzer*innenzentrierte Entwicklung und Evaluation von XAI-Methoden
P4: Wie entscheiden Neuronale Netze?
P5: Intelligente Steuerung von Speichern zur Netzstabilisierung
P6: Erklärungen von Klassifikationsentscheidungen hybrider Systeme
P7: Datengetriebene Erfassung, Analyse, Erklärung und Behandlung von Diskrepanzen zwischen digitalen Workflows und Realweltprozessen
P8: Erklärbarkeit bei komplexitätsreduzierten maschinellen Lernverfahren
P9: Serviceroboter mit vertrauenswürdigen situativen Entscheidungen Projektbeschreibung
P10: Zuverlässige Bewertung von medizintechnischen Zeitreihen
P11: Verbesserung von automatisiertem Maschinellem Lernen durch Erklärbarkeitsmethoden
P12: Integration, Evolution und Wartbarkeit von Modellen des Maschinellen Lernens im produktiven Einsatz