Das Dortmund Data Science Center (DoDSc) ist ein interdisziplinäres Zentrum der TU Dortmund, an dem die datenwissenschaftliche Forschung innerhalb der TU Dortmund und in ihrem Umfeld gebündelt wird. Es wird getragen durch die Gründungsfakultäten Statistik, Informatik, Mathematik und Physik sowie durch die Fakultät für Chemie und Chemische Biologie (CCB) und das Institut für Journalistik. Dieser Kreis ist offen für weitere Beteiligungen und Kooperationen.
Das Zentrum beinhaltet Aspekte der Forschung, der Lehre, der Infrastruktur und des Transfers.
Das DoDSc nimmt keine neuen Mitglieder oder Interessenten auf, da es in Kürze aufgelöst wird. Bitte melden Sie sich statt dessen für den Verteiler des neu gegründeten TU Dortmund - Center for Data Science & Simulation (DoDaS) an, welches alle Aktivitäten von DoDSc fortführen wird. Dazu verwenden Sie bite das Webformular unter https://dodas.tu-dortmund.de/.
Das Data Literacy Projekt Data Competence Network widmet sich der
Ausbildung in Datenkompetenzen für alle Studierenden der TU Dortmund.
Zur Data Literacy-Lehre geht es hier.
ACHTUNG: Sämtliche Aktivitäten von DoDSc werden künftig über das neue Zentrum
"TU Dortmund - Center for Data Science and Simulation (DoDaS)"
fortgeführt. Hier geht es zu DoDaS: https://dodas.tu-dortmund.de/
Wir feiern die Gründung des neuen
"TU Dortmund - Center for Data Science and Simulation (DoDaS)"
am Dienstag, 18. April 2023, ab 18 Uhr, im Hörsaal M/E 29.
Weitere Informationen unter https://dodas.tu-dortmund.de/.
Choosing observation operators to mitigate model error in Bayesian inverse problems
Date: Tuesday, March 28, 2023, 4:15-5:00pm,
Presence: Lecture room M/E 21, mathematics building, TU Dortmund
Online: via zoom (link will be shared through our mailing list)
Abstract: We consider Bayesian inverse problems, where the parameter-to-observable map or 'forward model' is the composition of a possibly nonlinear parameter-to-solution map and a linear solution-to-observable map, which we call the `solution map' and `observation map' respectively. Bayesian experimental design often involves choosing the observation map to minimise uncertainty in the parameter estimate. However, inaccurate mathematical models may lead to ‘model error’ or ‘model discrepancy’, i.e. to errors in the solution map. Since model error may negatively impact inference, this raises the question of whether one can choose observation operators to mitigate model error. We present a theoretical framework that aims to address this question, based on local Lipschitz stability of the posterior to likelihood perturbations. We illustrate this framework on an example involving an advection-diffusion initial boundary value problem.
Joint work with Harshit Bansal, Nada Cvetkovic, and Karen Veroy-Grepl (Eindhoven University of Technology, the Netherlands).
Short bio: Han Lie is an assistant professor of uncertainty quantification at the University of Potsdam and a project leader in the collaborative research centre SFB 1294 'Data assimilation' at the University of Potsdam. He obtained his doctoral degree in mathematics in 2016 at the Freie Universität Berlin. His research focuses on the mathematical theory of Bayesian inverse problems, including approximate Bayesian inference, probabilistic methods, and maximum a posteriori estimators.
Das DoDSc veranstaltet in Kooperation mit dem CET ein Kolloquium zum Thema Smart City Science. Dieses findet statt
am Donnerstag, 19. Januar 2023, 16:15 bis 18:00 Uhr
Weitere Informationen und Termine folgen in Kürze: DoDSc Kolloquium
Reliable AI: Successes, Challenges, and Limitations
Date: Thursday, December 15, 2022, 4:15-5:45pm,
Online: via zoom (link will be shared through our mailing list)
Presence:
Lecture Room E23, Otto-Hahn-Str. 14, Campus Nord, TU Dortmund
Abstract: Artificial intelligence is currently leading to one breakthrough after the other, both in public life with, for instance, autonomous driving and speech recognition, and in the sciences in areas such as medical diagnostics or molecular dynamics. However, one current major drawback is the lack of reliability of such methodologies.
In this lecture we will take a mathematical viewpoint towards this problem, showing the power of such approaches to reliability. We will first provide an introduction into this vibrant research area, focussing specifically on deep neural networks. We will then survey recent advances, in particular, concerning generalization guarantees and explainability. Finally, we will discuss fundamental limitations of deep neural networks and related approaches in terms of computability, which seriously affects their reliability.
Short bio: Gitta Kutyniok currently holds a Bavarian AI Chair for Mathematical Foundations of Artificial Intelligence at the Ludwig-Maximilians Universität München. She received her Diploma in Mathematics and Computer Science as well as her Ph.D. degree from the Universität Paderborn in Germany, and her Habilitation in Mathematics in 2006 at the Justus-Liebig Universität Gießen. From 2001 to 2008 she held visiting positions at several US institutions, including Princeton University, Stanford University, Yale University, Georgia Institute of Technology, and Washington University in St. Louis, and was a Nachdiplomslecturer at ETH Zurich in 2014. In 2008, she became a full professor of mathematics at the Universität Osnabrück, and moved to Berlin three years later, where she held an Einstein Chair in the Institute of Mathematics at the Technische Universität Berlin and a courtesy appointment in the Department of Computer Science and Engineering until 2020. In addition, Gitta Kutyniok holds an Adjunct Professorship in Machine Learning at the University of Tromso since 2019.
Gitta Kutyniok has received various awards for her research such as an award from the Universität Paderborn in 2003, the Research Prize of the Justus-Liebig Universität Gießen and a Heisenberg-Fellowship in 2006, and the von Kaven Prize by the DFG in 2007. She was invited as the Noether Lecturer at the ÖMG-DMV Congress in 2013, a plenary lecturer at the 8th European Congress of Mathematics (8ECM) in 2021, the lecturer of the London Mathematical Society (LMS) Invited Lecture Series in 2022, and an invited lecturer at both the International Congress of Mathematicians 2022 and the International Congress on Industrial and Applied Mathematics 2023. Moreover, she became a member of the Berlin-Brandenburg Academy of Sciences and Humanities in 2017, a SIAM Fellow in 2019, and a member of the European Academy of Sciences in 2022. In addition, she was honored by a Francqui Chair of the Belgian Francqui Foundation in 2020. She was Chair of the SIAM Activity Group on Imaging Sciences from 2018-2019 and Vice Chair of the new SIAM Activity Group on Data Science in 2021, and currently serves as Vice President-at-Large of SIAM. She is also the spokesperson of the Research Focus "Next Generation AI" at the Center for Advanced Studies at LMU, and serves as LMU-Director of the Konrad Zuse School of Excellence in Reliable AI.
Gitta Kutyniok's research work covers, in particular, the areas of applied and computational harmonic analysis, artificial intelligence, compressed sensing, deep learning, imaging sciences, inverse problems, and applications to life sciences, robotics, and telecommunication.
Link: https://www.ai.math.uni-muenchen.de/members/professor/kutyniok/index.html
Die Profilbildung FAIR veranstaltet am 22.-23.11.2022 einen zweiteiligen Workshop zu den Themen Sequenzdaten und Datenstromanalyse. Ziel dieses Workshops ist es, ein grundlegendes Verständnis für Ähnlichkeitsmaße sowie Klassifikations- und Clusteringalgorithmen für Sequenzdaten und Datenströme zu vermitteln.
Im Rahmen von FAIR verfolgen wir die Vernetzung mit internationalen Wissenschaftler*innen, um innovative Data Science Methoden für deren Einsatz in den Sozialwissenschaften zu entwickeln und einzusetzen.
Unsere vortragenden Gäste sind:
Nähere Informationen auf den Webseiten von FAIR sowie unseres DoDSc Kolloquiums.
Im Dezernat Hochschulentwicklung ist in der Abteilung Forschungsdatenmanagement zum nächstmöglichen Zeitpunkt eine Stelle als Datenkurator*in zu besetzen.
Die Tätigkeit wird nach Entgeltgruppe 13 TV-L vergütet und die Stelle ist unbefristet. Bewerbungen sind bis zum 11.08.2022 möglich.
https://jobs.tu-dortmund.de/job/view/1165/datenkurator-in-forschungsdatenmanagement
Die Universitätsbibliothek der TU Dortmund sucht eine Person mit einem dezidiert datenwissenschaftlichen Hintergrund zur Besetzung einer neue Stelle.
Bewerbungen von Personen aus allen einschlägigen Fakultäten ab dem Bachelor-Abschluss sind erwünscht.
Bitte beachten Sie die Hinweise und Kontaktmöglichkeiten im hier verlinkten PDF.
Das Data Science Kolloquium des Dortmund Data Science Centers findet statt
am Mittwoch, 22. Juni 2022, 16:30 bis 18:00 Uhr
Weitere Informationen und Termine folgen in Kürze: DoDSc Kolloquium
Dr. Henrike Weinert im lockeren Gespräch mit Dr. med. Kai Gruhn über Statistik und Data Literacy im medizinischen Bereich.
Viel Spaß beim Reinhören: https://klinisch-relevant.de/statistik/.
Das interdisziplinäre Projekt FAIR intensiviert die Zusammenarbeit der Sozialwissenschaften mit der Statistik und den Datenwissenschaften an der TU Dortmund. Diese Brücke zu schlagen, ist wichtig, da zunehmend größere und komplexere Daten, etwa aus Längsschnittstudien der Empirischen Bildungsforschung und Lebenslaufdaten aus der soziologischen Alternsforschung, zu ausgereiften Prognosen und zu einem tiefen Verständnis von Zusammenhängen beitragen können. Welche Förderbausteine auf individueller Ebene etwa bei Schüler*innen erfolgversprechend sind, muss jedoch auf Basis kleiner Fallzahlen entschieden werden. Erfolgreiche Maßnahmen müssen also große Datenmengen und kleine Fallzahlen berücksichtigen. Hier setzt FAIR an. Der Name steht für From Prediction to Agile InteRventions in the Social Sciences.
Offizielle Pressemeldung der TU Dortmund.
Weitere Informationen zu FAIR finden Sie auf der offiziellen Webseite.
Das weiterbildende Studium "Data Science & Big Data" wird von der Fakultät Statistik der TU Dortmund in Kooperation mit dem Bereich Weiterbildung angeboten.
Moderne Kenntnisse zum Management und zur Analyse großer Daten erwerben und praktisch anwenden - das bietet Ihnen das weiterbildende Studium "Data Science & Big Data". Nach bestandener Abschlussprüfung erhalten Sie ein aussagekräftiges Universitätszertifikat.
Bewerbungsschluss ist der 19. November 2021, Start ist der 11. Februar 2022. Bewerbungsformular als PDF.
Ausführliche Informationen und Kontakte für Rückfragen finden Sie unter: wb.zhb.tu-dortmund.de/zertifikatskurse/data-science-and-big-data/
sowie im Info-Flyer als PDF.
Die Industrie ist nach dem Verkehrssektor in Deutschland der größte Energieverbraucher. Wo verstecken sich Energiefresser und abnormale Verbräuche? In nur 6 Tagen erarbeiten die Teilnehmenden des digitalen Green Factory Hackathons Lösungen, mit denen Industrieunternehmen energieeffizienter und nachhaltiger produzieren können.
Beginn: 08.03.2021, 10:00 Uhr
Ende: 13.03.2021, 17:00
Weitere Informationen und Anmeldung finden Sie hier
DaCoNet-Projektleiterin Katja Ickstadt spricht im "Spotlight-Forschung"-Interview über Data Literacy.
„Datenkompetenz heißt: Sprache lernen einmal anders“
Das Interview finden Sie hier.
Das weiterbildende Studium "Data Science & Big Data" wird von der Fakultät Statistik der TU Dortmund in Kooperation mit dem Bereich Weiterbildung angeboten.
Moderne Kenntnisse zum Management und zur Analyse großer Daten erwerben und praktisch anwenden - das bietet Ihnen das weiterbildende Studium "Data Science & Big Data". Nach bestandener Abschlussprüfung erhalten Sie ein aussagekräftiges Universitätszertifikat. Infos: Flyer als PDF.
Anmeldeschluss ist der 4. Dezember, Start ist der 5. Februar 2021.
Ausführliche Informationen und Kontakte für Rückfragen finden Sie unter: wb.zhb.tu-dortmund.de/zertifikatskurse/data-science-and-big-data/
Im Interview spricht Henrike Weinert über das Data Literacy Projekt der TU-Dortmund, "DaCoNet". Enthalten sind Informationen was in den zugehörigen Lehrveranstaltungen vermittelt wird und Details zur Anmeldung.
Das ganze Interview gibt es hier.
Semi-Structured Deep Distributional Regression
Date:Thursday, October 29, 2020, 4:15-5:45pm,
Online: via web-conference
Presence (limited to 15P, pre-registration required):
Lecture Room E23, Otto-Hahn-Str. 14, Campus Nord, TU Dortmund
Abstract: Semi-Structured Deep Distributional Regression (SDDR) is a unified network architecture for deep distributional regression in which entire distributions can be learned in a general framework of interpretable regression models and deep neural networks. The approach combines advanced statistical models and deep neural networks within a unifying network, contrasting previous approaches that embed the neural network part as a predictor in an additive regression model. To avoid identifiability issues between different model parts, an orthogonalization cell projects the deep neural network part into the orthogonal complement of the statistical model predictor, facilitating both estimation and interpretability in high-dimensional settings. The framework is implemented in an R software package based on TensorFlow and provides a formula user interface to specify the models based on the linear predictors.
Short bio: Dr. David Rügamer is a lecturer and postdoctoral research fellow at the chair of Statistical Learning and Data Science (Prof. Bischl), Department of Statistics, LMU Munich, where he also leads two research subgroups on machine learning and deep learning. Before joining the chair, he has worked as Senior Data Science in the industry with focus on data engineering and deep learning research. From 2014 to 2018 he did his PhD under the supervision of Prof. Dr. Sonja Greven and was partly funded by the Emmy Noether project ‘Statistical Methods for Longitudinal Functional Data’.
Link: https://www.slds.stat.uni-muenchen.de/people/ruegamer/
Studierende der Fakultät Statistik und der Fakultät für Informatik der TU Dortmund haben beim jährlich stattfindenden DATA MINING CUP, einem internationalen Wettbewerb für intelligente Datenanalyse und Prognose, gemeinsam den ersten Platz belegt. Damit konnten sie sich gegen 161 Teams von 126 Universitäten aus 35 Ländern durchsetzen. Das Team aus Dortmund, das sich aus 16 Bachelor- und Masterstudierenden zusammensetzte, erhielt ein Preisgeld in Höhe von 2.000 Euro.
Weitere Informationen: Offizielle Pressemitteilung
Bedingt durch die Corona-Krise und die damit verbundenen Einschränkungen findet an den Universitäten der UA Ruhr gerade ein außergewöhnliches Sommersemester statt und auch MERCUR wurde beim Start seiner neuen Förderprogramme vor Herausforderungen gestellt. Denn geplant waren eigentlich zahlreiche Veranstaltungen an den Universitäten, auf denen über die neuen Fördermöglichkeiten informiert und Fragen zur Antragstellung beantworten werden sollten.
Aufgrund der Kontaktbeschränkungen stellen wir einen Informationsflyer (s.u.) zur Verfügung, um Sie auf die neuen Förderprogramme von MERCUR aufmerksam zu machen. Dieser enthält eine kurze Übersicht über die aktuellen Förderlinien. Weiterführende Informationen finden Sie auf der neuen Internetseite www.mercur-research.de. Bei Fragen kontaktieren Sie gerne die Geschäftsstelle von MERCUR. Diese ist besetzt und per E-Mail oder Telefon erreichbar. Beratungsgespräche zur Beantragung neuer Projekte und dazu, wie Sie die Fördermittel von MERCUR bestmöglich für Ihre Forschung nutzen können, werden auch via Videokonferenz durchgeführt oder – unter Einhaltung der Abstandsregeln – bei einem Spaziergang über den Campus.
Die Dortmunder Wissenschaftler Erich Schubert, Professor für Data Mining, und Claus Weihs, pensionierter Professor für Computergestützte Statistik, veröffentlichen ihre unterschiedlichen Modellierungen der täglichen und kumulativen COVID-19 Fallzahlen. Ihre datengetriebenen Modelle berücksichtigen dabei zeitlich wiederkehrende Trends, wie den Wochenverlauf, oder die erwartete Saturierung und Stagnation der Infektionszahlen. Die verwendeten Daten stammen u.a. aus den frei verfügbaren Quellen des Robert-Koch-Instituts.
Prof. Dr. Erich Schubert, Prognose der COVID-19 Neuinfektionen
Prof. Dr. Claus Weihs, Vorhersage des Infektionsverlaufs von COVID-19
Towards a Principled Bayesian Workflow
Der Termin wurde aufgrund der Coronaviren-Pandemie abgesagt.
Date: Thursday, May 14, 2019, 4:15-5:45pm,
Lecture Room E23, Otto-Hahn-Str. 14, Campus Nord, TU Dortmund
Abstract:
Probabilistic programming languages such as Stan, which can be used to specify and fit Bayesian models, have revolutionized the practical application of Bayesian statistics. They are an integral part of Bayesian data analysis and provide the basis for obtaining reliable and valid inference. However, they are not sufficient by themselves. Instead, they have to be combined with substantive statistical and subject matter knowledge, expertise in programming and data analysis, as well as critical thinking about the decisions made in the process. A principled Bayesian workflow for data analysis consists of several steps from the design of the study, gathering of the data, model building, estimation, and validation, to the final conclusions about the effects under study. I want to present a concept for an interactive Bayesian workflow which helps users by diagnosing problems and giving recommendations for sensible next steps. This concept gives rise to a lot of interesting research questions we want to investigate in the upcoming years.
Short bio:
Dr. Paul Bürkner is a statistician currently working as a postdoc at Aalto University (Finland), Department of Computer Science. Previously, he has studied Psychology and Mathematics at the Universities of Münster and Hagen and did his PhD about optimal design and Bayesian data analysis at the University of Münster. As a member of the Stan development team and author of the R package brms, a lot of Paul’s work is dedicated to the development and application of Bayesian methods. Specifically, he works on a Bayesian workflow for data analysis that guides researchers and practitioners from the design of their studies to the final decision-making process using state-of-the-art Bayesian statistical methods.
Machine Learning (ML) ist eine treibende Kraft für viele erfolgreiche Anwendungen in der Künstlichen Intelligenz. ML-Pipelines gewährleisten Garantien für die Gesamtheit des Systems (d.h. horizontale Zertifizierung) sowie für jede einzelne Komponente (d.h. vertikale Zertifizierung). Der ETMLP-Workshop wird diese Möglichkeiten und die damit verbundenen Herausforderungen untersuchen. Das Hauptziel dieses Workshops ist es, ein Forum zu schaffen, in dem sich Forscher aus den Bereichen Machine Learning, Datenmanagement und Praxis mit Ideen zur Erklärbarkeit und zertifizierten Vertrauenswürdigkeit von ML-Pipelines auf Pipeline- und Komponentenebene befassen. An der Organisation sind mehrere Mitglieder des DoDSc sowie des SFB 876 und des ML2R beteiligt. Wir freuen uns über inhaltliche Beiträge seitens der TU Dortmund. Deadline für die Einreichung ist der 20 Dezember 2019.
Weitere Informationen: https://europe.naverlabs.com/etmlp/
Title: Causality in Data Science
Speaker: Jonas Peters (Department of Mathematical Sciences, University of Copenhagen, Denmark)
Monday, March 16, 2020, 4.15 pm
Otto-Hahn-Str. 14, E023 (Department of Computer Science), TU Dortmund
Wann: Montag 02.03.2020, 9:00 - 16:00 Uhr
Wo: Raum G2 ZE15, Emil-Figge-Str. 70, TU Dortmund
Was: Zwei externe Vorträge, early-work/in-progress work von Doktoranden, Diskussionen und Feedback.
Weitere Informationen: Impressionen vom Workshop, Einladung und Programm
Mit rund drei Millionen Euro fördert das Ministerium für Kultur und Wissenschaft des Landes Nordrhein-Westfalen in Kooperation mit dem Stifterverband das Programm "Data Literacy Education.nrw". Der Begriff Data Literacy umfasst digitale Fähigkeiten, statistische Kompetenzen und den Umgang mit der digitalen Analyse großer Datenmengen sowie die kritische Beurteilung der Ergebnisse. Zehn Hochschulen in Nordrhein-Westfalen erhalten für die Umsetzung ihrer besonderen Ideen für die Vermittlung von Datenkompetenzen an Studierende jeweils ein Fördergeld in Höhe von bis zu 300.000 Euro. Darunter wurde auch die TU Dortmund von der Jury zur Förderung ausgewählt. Das DoDSc ist hierbei als zentrale Schnittstelle beteiligt.
Pressemitteilung der TU Dortmund: https://www.tu-dortmund.de/studium/meldungen/meldung/tu-dortmund-gewinnt-im-wettbewerb-data-literacy-educationnrw/
Pressemitteilung des Stifterverbandes: https://www.stifterverband.org/pressemitteilungen/2019_11_18_data_literacy_education_nrw
Das erste Kolloquium des Dortmund Data Science Centers findet statt
am Donnerstag, 11. Juli 2019, 16:15 bis 17:45 Uhr,
im Hörsaal E23, Otto-Hahn-Str. 14, Campus Nord, TU Dortmund.
Es sind elf Kurzvorträge von je 5min Länge geplant. Diese werden aktuelle Forschungsarbeiten, Projekte und Problemstellungen verschiedener Bereiche vorstellen.
Weitere Informationen: DoDSc Kolloquium
Anja Karliczek, Bundesministerin für Bildung und Forschung, besuchte am 9. Juli 2019 gemeinsam mit Journalistinnen und Journalisten das Kompetenzzentrum Maschinelles Lernen Rhein-Ruhr (ML2R). Die Ministerin nutzte die Gelegenheit, praktische Anwendungen der Künstlichen Intelligenz (KI) und des Maschinellen Lernens (ML) live zu erleben und selbst auszuprobieren: Sie begegnete Robotern, die KI und ML spielerisch begreifbar machen, entdeckte KI-Systeme, die gesprochene Sprache analysieren, Satellitenbilder verbessern und autonomes Fahren sicherer machen, über ihr summte ein Drohnenschwarm. Damit verschaffte sich die Ministerin Eindrücke von herausragenden Projekten, die im Rahmen des ML2R durch das Bundesministerium für Bildung und Forschung (BMBF) gefördert werden. Auch das DoDSc war bei dieser Gelegenheit vertreten. Bildnachweis: TU Dortmund/Oliver Schaper.
Hier geht es zum vollständigen Pressebericht.
Die TU Dortmund bündelt Kompetenzen in den Bereichen Datenwissenschaften und Big Data. Für viele Wissenschaftlerinnen und Wissenschaftler der TU Dortmund gehört der Umgang mit großen Datenmengen zum Alltag: Sie müssen beispielsweise die Ergebnisse großer Versuchsreihen erfassen und analysieren oder mehrere tausend Szenarien simulieren – je nach Fachdisziplin. Die Fakultäten Statistik, Informatik, Mathematik und Physik der TU Dortmund haben sich nun zusammengeschlossen, um ihre Expertise im Bereich Datenwissenschaften zu bündeln und gemeinsam weiter auszubauen. Als neue Querschnittsstruktur haben die Forscherinnen und Forscher das Dortmund Data Science Center (DoDSc) gegründet, das am Mittwoch, 24. Oktober 2018, feierlich eröffnet wurde. Bildnachweis: TU Dortmund/Martina Hengesbach.