Studienführer r e v i t a n r e t l A vierter - fokus: DU

76
Ein Teilgebiet der Intelligenten Datenanalyse
ist die Wissensentdeckung in Datenbanken
(auch „Data Mining“ genannt). Data Mining
ist ein mittlerweile angewandtes Forschungsgebiet,
dass sich als Antwort auf die Flut an
Daten versteht, der wir heute gegenüberstehen.
Es widmet sich der Herausforderung,
Verfahren zu entwickeln, die Menschen helfen
können, nützliche Muster in ihren Daten zu
finden.
Unsere Arbeitsgruppe „Computational Intelligence“
befasst sich mit diesen Verfahren,
wobei derzeit insbesondere neue Methoden
zur „Intelligenten Datenanalyse“ erforscht
werden. Wir nutzen häufig Techniken aus den
Bereichen der Neuronalen Netze, der Fuzzy-
Systeme, der Evolutionären Algorithmen, der
Bayesschen Netze und des approximativen
Schließens. Diese Methoden sind besonders
geeignet, in Anwendungen einfach zu handhabende,
robuste und günstige Problemlösungen
zu finden.
So profitieren beispielsweise Mediziner, Bank-
oder Versicherungsangestellte von solchen
gelernten Modellen, wenn Sie anhand gegebener
Fakten Entscheidungen über Krankheiten,
Kreditwürdigkeiten bzw. Versicherungsbetrüge
treffen müssen. Unsere
Arbeitsgruppe analysiert
solche realen Prozesse und
die daraus resultierende Daten,
um Lösungen zu entwickeln,
welche die Entscheidungen
in wissensbasierten
Systemen erleichtern können.
Konkrete Anwendung
finden unsere Arbeiten unter
anderem momentan im
Präzisionsackerbau. Hierbei
Prof. R. Kruse - Computational Intelligence
wird versucht ortsdifferenziert und zielgerichtet
die Bewirtschaftung landwirtschaftlicher
Nutzflächen zu optimieren. Die von uns entwickelten
Modelle berücksichtigten Unterschiede
des Bodens und der Ertragsfähigkeit
innerhalb eines Feldes. Sie sind in der Lage,
die Menge an Saat und Düngemittel für kleine
Teile eines Feldes zeitlich so vorherzusagen,
dass Kosten gesenkt, die Umwelt geschont
und der Ertrag gesteigert werden kann.
Desweiteren befassen wir uns mit neuen
Techniken der explorativen Datenalyse, wo
es darum geht, komplexe Ergebnisse von
statistischen Verfahren anhand intuitiver Visualisierungen
verständlich zu machen. Diese
sind zum Beispiel von Nöten, wenn man
ein gelerntes Regelsystem mit extrem vielen
Regeln verstehen will. Oftmals verändert sich
ein wissensbasiertes System über die Zeit,
sodass es dem Nutzer zusätzlich erschwert
wird, relevanten Muster in seinen Daten zu
identifizieren. Wir entwickeln Methoden, um
mithilfe einiger vager Konzepte des Nutzers,
die Regelmenge auf informative Regeln zu
beschränken und deren Verläufe über die Zeit
intelligent darzustellen. In der Lehre bieten wir
regelmäßig aufeinander abgestimmte Vorlesungen,
Übungen, Seminare
und Praktika zu unserem
Arbeitsgebiet an. Für diese
Veranstaltungen nutzen wir
zumeist eigene Lehrbücher
und selbst entwickelte Softwaretools.
Wir sind zudem
sehr aktiv im Technologietransfer,
was sich in Messebeteilungen
und vielen
erfolgreichen Industrieprojekten
ausdrückt.