Unabhängige Forschungsgruppen eingerichtet vom Cluster
Franz Baumdicker
Mathematical and Computational Population Genetics
Franz Baumdicker's Forschung konzentriert sich auf mathematische Modelle für die Evolution von Mikroben. Seine Gruppe untersucht, wie maschinelles Lernen phylogenetische Informationen in der Populationsgenetik nutzen kann.
Christian Baumgartner
Maschinelles Lernen in der medizinischen Bildanalyse
Christian Baumgartners Forschung befindet sich an der Schnittstelle zwischen maschinellem Lernen und automatisierter medizinischer Bildverarbeitung mit dem Ziel sicher und robust klinische Informationen zu gewinnen.
Konstantin Genin
Epistemologie und Ethik des Maschinellen Lernens
Konstantin Genin interessiert sich für lerntheoretische Ansätze zu Fragen der Ethik und Methodik der Statistik und des maschinellen Lernens.
Bedartha Goswami
Maschinelles Lernen in den Klimawissenschaften
Bedartha Goswami's Forschung verfolgt das Ziel, Klimaprozesse zu untersuchen und die Komplexität von Klimasystemen mit Tools und Techniken aus dem Bereich des maschinellen Lernens zu erschließen.
Nicole Ludwig
Maschinelles Lernen in Nachhaltigen Energiesystemen
Nicole Ludwigs Forschung konzentriert sich auf probabilistisches maschinelles Lernen, um die Rolle von Unsicherheit in zukünftigen nachhaltigen Energiesystemen zu verstehen.
Claire Vernade
Lebenslanges Reinforcement Learning
Das Lifelong Reinforcement Learning Lab untersucht Probleme des interaktiven maschinellen Lernens, bei denen Feedbackschleifen und langfristige Auswirkungen von Entscheidungen berücksichtigt werden müssen, um Agenten zu trainieren. Insbesondere wollen wir Agenten entwickeln, die Veränderungen in der Umgebung vorhersehen und adaptive und stichprobeneffiziente Verhaltensweisen zeigen, die sich durch Erfahrung verbessern.
Charley Wu
Menschliche und maschinelle Kognition
Charley Wu untersucht die spezifischen Verknüpfungen und kognitiven Algorithmen, die Menschen nutzen, um Zusammenhänge verständlich zu machen. In seiner Arbeit versucht er, die Lücke zwischen menschlichem und maschinellem Lernen zu verringern.
Early Career Forschungsgruppen eingerichtet vom Cluster
Katharina Eggensperger
Automatisiertes maschinelles Lernen für die Wissenschaft
Katharina Eggensperger verfolgt das Ziel, durch automatisiertes maschinelles Lernen (AutoML) die Anwendung von maschinellem Lernen einfacher und effizienter zu machen.