Direkt zum Inhalt

Data Science

    Forschungskonzept

    Forschungskonzept

    Die Forschungsgruppe Data Science befasst sich mit allen Aspekten der Gewinnung, Verwaltung und Analyse von Informationen mit dem Ziel der Extraktion neuartigen Wissens. Ein besonderer Fokus liegt hierbei auf der Berücksichtigung neuartiger Informationsquellen aus dem Bereich Big Data wie beispielsweise User Generated Content (UGC) oder transaktionale Daten aus Social Media Plattformen, Location Tracking mittels mobiler Dienste oder Sensordaten beispielsweise aus IoT-Umgebungen. Im Einzelnen befasst sich die Forschungsgruppe mit folgenden Schwerpunkten.

    Extraktion strukturierter Daten & Informationsintegration

    Extraktion strukturierter Daten aus unterschiedlichen Datenquellen und Datenformaten sowie intelligente Ansätze zur Integration heterogener Datenformate

    • Datenextraktion aus operativen Systemen und Datenquellen (offline und online)
    • Web Crawling & Wrapper-Induktion: Manuelle und (semi-)automatische Extraktion strukturierter Daten aus semi-strukturierten Datenformaten (z.B. html-Dateien)
    • Datengenerierung mittels neuartiger Methoden, z.B. Sensoren, mobiler Endgeräte, etc.
    • Integration heterogener Datenformate insb. auch mittels Semantic-Web-Technologien auf Basis domänenspezifischer Ontologien und Linked Open Data Ansätzen

    Datenverwaltung und -speicherung

    Datenhaltung unter Berücksichtigung unterschiedlicher Konzepte zum Umgang mit strukturierten und unstrukturierten Daten sowie großen Datenmengen und heterogenen Datenformaten

    • Modellierung von Data Warehouse Strukturen (z.B. normalisierte vs. multi-dimensionale Modellierung)
    • Flexible und leistungsstarke Konzepte der Datenverwaltung im Kontext von Big Data (NoSQL, Data Lakes, etc.)
    • Knowledge Graphen und Graph-Datenbanken zur Bereitstellung semantisch annotierter Informationen

    Data Mining & Maschinelles Lernen

    Einsatz von Methoden des maschinellen Lernens zur Erkennung relevanter Muster und Trends und Generierung neuartigen Wissens

    • Erprobung insb. auch neuartiger Verfahren des maschinellen Lernens zur Erkennung interessanter Muster und Trends (z.B. Verfahren des Deep Learning)
    • Verwendung neuartiger Datenquellen (Big Data) zur Gewinnung neuer Erkenntnisse oder Verbesserung der Schätz- oder Prognosegenauigkeit
      • Sentiment-Analyse und Opinion Mining mittels Methoden des Text Mining
      • Bild- und Video-Analyse

    Intelligente adaptive Dienste

    Intelligente Adaptierung und Personalisierung von Diensten aufgrund vorliegender Informationen und Erkenntnisse

    • Personalisierung von Angeboten und Recommender-Systeme
    • Personalisierung und Adaptierung von Applikationen und Diensten (mobile Dienste, Online-Shops, Webseiten, etc.)
    • Konversationale Systeme (insb. Recommender-Systeme) unter Berücksichtigung multi-modaler Nutzerschnittstellen (z.B. Freitexteingabe, Spracheingabe, usw.)
    • Intelligente Dienste auf Basis von Knowledge Graphen (Ontology-Browsing, Semantic Reasoning)

    Decision Support Systeme

    Nutzung gewonnener Erkenntnisse als Input für die Entscheidungsunterstützung

    • Adaptierung von Decision Support Systemen und Erprobung geeigneter Interfacemetaphern
    • Integration von Data Mining Verfahren und Modellen in Decision Support Systeme
    • Semantisches Maschinelles Lernen, d.h. Unterstützung der Interpretation der Ergebnisse des maschinellen Lernens auf Basis semantisch annotierter Daten (z.B. innerhalb eines Knowledge Graphen)

     

    FG Data Sience

     

    Projekte

    Aktuelle Projekte

    -

    ANALYSE DER E-BIKE-NUTZUNG UND RADWEGINFRASTRUKTUR (NKI)

    Die wissenschaftliche Analyse der E-Bike-Nutzung und Radweginfrastruktur in Ravensburg-Weingarten durch das IDW lieferte Erkenntnisse zur Emissionsminderung, als auch über das konkrete Nutzerverhalten sowie die Auslastung einzelner Streckenabschnitte und Verleihstationen des TWS eBike Verleihprogramms.

    arr_right Weiter

    Abgeschlossene Projekte

    -

    ANALYSE DER E-BIKE-NUTZUNG UND RADWEGINFRASTRUKTUR (NKI)

    Die wissenschaftliche Analyse der E-Bike-Nutzung und Radweginfrastruktur in Ravensburg-Weingarten durch das IDW lieferte Erkenntnisse zur Emissionsminderung, als auch über das konkrete Nutzerverhalten sowie die Auslastung einzelner Streckenabschnitte und Verleihstationen des TWS eBike Verleihprogramms.

    arr_right Weiter

    Kontakt & Personen

    Allgemeine Kontaktinformationen

    Postadresse RWU Hochschule Ravensburg-Weingarten
    University of Applied Sciences
    Data Science
    Postfach 30 22
    D 88216 Weingarten

    Mitglieder der Forschungsgruppe

    Prof. Dr.-Ing. Wolfram Höpken

    Leiter IDW - Institut für Digitalen Wandel
    Schwerpunkte:
    Business Intelligence & Predictive Analytics, IKT-Systeme im Tourismus - Professor der Fakultät Elektrotechnik und Informatik, sowie Studiengang Wirtschaftsinformatik und E-Business
    Wolfram Höpken

    Prof. Dr. rer. nat. Thomas Bayer

    Bibliotheksbeauftragter der Fakultät E
    Schwerpunkte:
    ERP-Systeme, Cloud-Computing & Data Science
    Prof. Dr. Thomas Bayer

    Prof. Dr.-Ing. Robert Jenke

    Professor für Wirtschaftsinformatik
    Schwerpunkte:
    Digitalisierung, innovative Datennutzung, Anwendung Künstliche Intelligenz
    Robert Jenke