Environmental Science
The Data Science Chair works with environmental data to contribute to the ongoing climate research. Based on low-cost sensors, map and geographical data, we develop novel approaches to environmental questions. These questions include "What is the air pollution at a given spot on earth?" and "What type of wine should I grow on my land given the development in climate in the next few decades?". While answering such questions is one concern of our research, the other objective is to raise awareness for the environment in the society.
The following staff member have open topics for practica, bachelor and master theses:
| EEG Classification, NIR Calibration, Neural Architecture Search | Florian Buckermann |
| Dynamical Systems, Fluid Simulation, Semi-supervised learning | Andrzej Dulny |
| Imbalanced Regression, ML for climate science, Air pollution modelling | Michael Steininger |
| Semi-unsupervised Learning, Bee-Behavior | Padraig Davidson |
In the case of excellent performance there is also the chance to submit the thesis as an article to a computer science conference and to be co-author on a scientific publication early in your studies!
Open Topics:
Wettermodelierung mittels Graph Neural Networks
In vielen Bereichen haben datengetriebene Modelierungsansätze, wie zum Beispiel Deep Learning, bewiesen, dass sie äußerst effizient und präzise sind. Im Bereich der Wettervorhersage zeigen sich hingegen die numerischen Ansätze weiterhin den Deep Learning Modellen überlegen. Insbesondere durch die unstrukturierte Positionierung der Messstationen ist die Nutzung von typischen Neuronalen Netzen (wie z.B. CNN) erschwert. Doch es gibt vielversprechende neue Ansätze, wie zum Beispiel Graph Neural Networks, die bereits erfolgreich für das Modelieren von anderen physikalischen Systemen (z. B. Fluiden) angewendet. Diese können beliebige Positionen der Messungen berücksichtigen und wurden bisher noch nicht für die Wettervorhersage genutzt.
Ziel dieser Arbeit ist es existierende Ansätze zur Modelierung physikalischer Systeme (insb. Graphbasierte ansätze) für datengetriebene Wettervorhersage anzuwenden.
Betreuer: Andrzej Dulny
Semi-(un)supervised Learning mit vortrainierten Netzen
In der Bildklassifikation und im Bereich des NLP gibt es eine Vielzahl vortrainierter Netze. Bei Bildern zählen VGG und ResNET in ihren verschiedenen Ausprägungen zu den Bekanntesten.
Ziel dieser Arbeit (BA/MAP) ist es, vortrainierte Netze im Bereich des semi-supervised und semi-unsupervised learnings zu analysieren. Das bedeutet, dass innerhalb der Klassifikation nur sehr wenige Labels für jede Klasse (semi-supervised) oder für manche Klassen gar keine (semi-unsupervised) zur Verfügung stehen. Es sollen dabei einige bekannte Netze untereinander verglichen werden, mit besonderem Augenmerk auf die erzielte Genauigkeit bei reduzierter Labelanzahl und Anzahl der Operationen, die für das Nachtraining nötig sind.
Betreuer/Ansprechpartner: Padraig Davidson
Unbiased characterization of tremor disorders using Deep Learning for time series analysis
Massive time series feature extraction is a powerful tool to examine oscillating biological signals (Fulcher and Jones, 2017) such as tremor disorders. Tremor is defined as the involuntary, rhythmical, sinusoidal movement of a limb, such as for example in Parkinson´s disease or essential tremor. The exact phenomenological study of tremor movements has been shown to predict the response to non-invasive stimulation of an individual tremor (Schreglmann et al., 2021). This study is aiming to extend an existing analytical pipeline examining higher-dimensional mathematical features extracted from accelerometer time-signals recorded over the tremulous limb. In addition, we intend to utilize deep learning approaches, such as long-short term networks (LSTMs) and Convolutional Neural Networks (CNNs). The pipeline will be used to differentiate tremor causes, response to treatment and explore tremor disorders in a more mechanistic way.
Fulcher BD, Jones NS. hctsa: A Computational Framework for Automated Time-Series Phenotyping Using Massive Feature Extraction. Cell systems 2017; 5: 527-531.e3.
Schreglmann SR, Wang D, Peach RL, Li J, Zhang X, Latorre A, et al. Non-invasive suppression of essential tremor via phase-locked disruption of its temporal coherence. Nat Commun 2021; 12: 36
Requirements
- Experience programming with Python (or Matlab)
- (Beneficial) Experience with Pytorch or Tensorflow
- (Beneficial) Interest in data-driven neuroscience.
Betreuer: Anna Krause
