Information Engineering
We Derive Value from Data and Information
- Wie macht man Information nutzbar?
- Wie findet man neue Themen und Trends?
- Wie gewinnt man aus heterogenen/unstrukturierten Daten und Informationen Erkenntnisse?
- Wie sagt man bestimmte Ereignisse voraus?
- Wie kann Software aus vergangenen Ereignissen lernen?
Mit diesen und vielen weiteren Fragen beschäftigt sich die Forschungsgruppe Information Engineering (IE). Die oft negativ thematisierte Daten- und Informationsflut begreifen wir als Chance; mit den richtigen Mitteln können zur Such- und Analysezeit Daten und Informationen integriert und nutzbar gemacht werden.
Die Forschungsgruppe gibt die aus der angewandten Forschung und Entwicklung gewonnen Erkenntnisse an die Studierenden der Informatikstudiengänge in Modulen wie "Information Engineering 1 (Information Retrieval)", "Information Engineering 2 (Data Warehousing & Big Data)", "Künstliche Intelligenz 1", "Künstliche Intelligenz 2" und "Machine Learning" (letzteres im Master) weiter. Die Forschungsgruppe engagiert sich auch international im Rahmen von Forschungsprojekten der EU-Rahmenprogramme. Mit unseren Kompetenzen tragen wir zum interdisziplinären Forschungsfeld "Data Science" bei.
Forschungsthemen
Die Forschungsgruppe beschäftigt sich mit grundlegenden Problemen aus dem Bereich Data Science und ist Gründungsmitglied des ZHAW Datalab.
Information Retrieval
Information Retrieval befasst sich mit allen Facetten der Suche auf unstrukturierten und semi-strukturierten Daten. Dazu gehören insbesondere auch Natural Language Processing inkl. sprachübergreifendes Retrieval, Multimedia Retrieval, Kategorisierung, Recommender Services, Question Answering und Topic/Trend/Ereignis Detection.
Datenbanken und Information Systemes
Datenbanken, Informationssysteme und Data Warehousing befasst sich mit der Verarbeitung von strukturierter Information und Big Data, insbesondere deren effiziente Speicherung, Verwaltung und Abfrage mit dem Ziel von datengetriebener Entscheidungsunterstützung. Eine Fragestellung beschäftigt sich mit der Entwicklung von natürlichsprachigen Schnittstellen zu Datenbanken, um eine „menschenähnliche“ Kommunikation zu ermöglichen. Andere Fragestellungen behandeln die Anwendung von Machine Learning Algorithmen für Data Management Probleme wie etwa Query Optimization oder Data Fusion.
Künstliche Intelligenz
Künstliche Intelligenz und Maschinelles Lernen befasst sich mit dem Entwurf und der Analyse intelligenter Systeme mit Methoden des Maschinellen Lernens, insbesondere mittels Deep Learning und Reinforcement Learning. Ein besonderes Augenmerk liegt dabei auf der Lösung von Mustererkennungsaufgaben etwa in den Bereichen Predictive Maintenance, Document Analysis, Object Classification und Detection in Computer Vision oder Speaker Recognition. Dabei ist die übergeordnete Fragestellung die der praktischen Anwendbarkeit und Robustheit von Algorithmen auf kleinen wie grossen Datenmengen sowie die Interpretierbarkeit der Ergebnisse.
Projekte
- Seite 01
- Seite 02
- Seite 03
- Seite 04
- Seite 05
- Nächste Seite
-
Synthetic data generation of CoVID-19 CT/X-rays images for enabling fast triage of healthy vs. unhealthy patients
The automatic analysis of X-ray/CT images through artificial intelligence models can be useful to automate the clinical scanning procedure. Nonetheless, the limited access to real COVID patient data leads to the need of synthesizing image samples. The goal of this project is to use existing CT/X-ray image datasets ...
-
Prädiktive Bevorratung von Micro-Hubs für die dezentrale Lebensmittelversorgung
Die Covid-19-Pandemie hat aufgezeigt, dass die Versorgung der Bevölkerung mit Lebensmitteln im bestehenden System nicht funktioniert hat. Die Online-Plattformen der Grossverteiler waren über längere Zeit überlastet und die grosse Anzahl an nachgefragten Waren konnte nicht bedient werden. Diese Tatsache und der Fakt, ...
-
DIR3CT: Deep Image Reconstruction through X-Ray Projection-based 3D Learning of Computed Tomography Volumes
Project DIR3CT aims at improving the image quality of CBCT images by deep learning (DL) the 3D reconstruction from X-ray images end-to-end. This enables a novel CBCT product to be used during radiation therapy and will allow the use of these images for adaptive treatment.
Publikationen
-
Stadelmann, Thilo ; Würsch, Christoph;
2020.
Maps for an uncertain future : teaching AI and machine learning using the ATLAS concept .
Winterthur:
ZHAW Zürcher Hochschule für Angewandte Wissenschaften.
Verfügbar unter : https://doi.org/10.21256/zhaw-20885
-
Tuggener, Lukas ; Amirian, Mohammadreza ; Benites de Azevedo e Souza, Fernando; von Däniken, Pius ; Gupta, Prakhar; Schilling, Frank-Peter ; Stadelmann, Thilo ,
2020.
Design patterns for resource-constrained automated deep-learning methods .
AI.
1(4),
S. 510-538.
Verfügbar unter : https://doi.org/10.3390/ai1040031
-
Tuggener, Lukas ; Satyawan, Yvan Putra; Pacha, Alexander; Schmidhuber, Jürgen; Stadelmann, Thilo ,
2020.
The DeepScoresV2 dataset and benchmark for music object detection [ Paper ].
In:
Proceedings of the 25th International Conference on Pattern Recognition 2020 (ICPR’20).
25th International Conference on Pattern Recognition 2020 (ICPR’20), Online, 10-15 January 2021.
IAPR.
Verfügbar unter : https://doi.org/10.21256/zhaw-20647
-
Glüge, Stefan ; Amirian, Mohammadreza ; Flumini, Dandolo ; Stadelmann, Thilo ,
2020.
How (not) to measure bias in face recognition networks [ Paper ].
In:
Schilling, Frank-Peter; Stadelmann, Thilo, Hrsg. ,
Artificial Neural Networks in Pattern Recognition.
9th IAPR TC 3 Workshop on Artificial Neural Networks for Pattern Recognition (ANNPR'20), Winterthur, Switzerland, 2-4 September 2020.
Cham:
Springer.
Lecture Notes in Computer Science ; 12294.
Verfügbar unter : https://doi.org/10.1007/978-3-030-58309-5_10
-
Schilling, Frank-Peter ; Stadelmann, Thilo , Hrsg. ,
2020.
9th IAPR TC 3 Workshop on Artificial Neural Networks for Pattern Recognition (ANNPR'20), Winterthur, Switzerland, 2-4 September 2020.
Springer.
Lecture Notes in Computer Science ; 12294.
ISBN 978-3-030-58308-8.
Verfügbar unter : https://doi.org/10.1007/978-3-030-58309-5