Projekte

Nutzung von KI (Künstliche Intelligenz) Methoden, insbesondere Neuronale Netze / Self-Enforcing Networks zur Interpretation von hochauflösenden Ensemble Modellvorhersagen zur Bestimmung des Betriebszustandes internationaler Verkehrsflughäfen in Deutschland 


Gefördetes Projekt vom Bundesministerium für Verkehr und digitale Infrastruktur. Laufzeit 3 Jahre.

FE-PROJEKTNR.: 50.0386/2020 

Projektpartner:

Den Dreh mit der Drehung raus haben – Effiziente Wahl der Betriebsrichtung

Sven Eiermann (1), Isabel Metzinger (1), Dirk Zinkhan (1), Sabine Haase-Straub (1), Thomas Wetter (1), Björn-Rüdiger Bekmann (1), Jürgen Klüver (2), and Christina Klüver (2)

(1) Deutscher Wetterdienst, Offenbach, Germany , (2) COBASC-Research Group

Abstract: meetingorganizer.copernicus.org/DACH2019/DACH2019-189.pdf

Self-Enforcing Networks zur Prognose benötigter Dokumente

In einer Machbarkeitsstudie haben wir Modelle für die Prognose benötigter Dokumente im Rahmen der Entwicklung einer cloudbasierten Collaboration-Software 4.0 entwickelt. Die von der Forschungsgruppe entwickelten Self-Enforing Networks (SEN) werden integriert, um den Mitarbeitern automatisiert und ohne Aufforderung die benötigten Dokumente zur Verfügung zu stellen.

Ihr Ansprechpartner:  Christina Klüver

Publikationen:

Bergmann, D., Fuhs, G., Klüver, C., 2019: Predicting Document Accesses with A Self-Enforcing Network. JCP 14(7): 438-450 (2019)

Bergmann, D., Fuhs, G., Klüver, C., 2019: Proactive Document Distribution with a Self-Enforcing Network. ICCDA 2019 Proceedings of the 2019 3rd International Conference on Compute and Data Analysis. Kahului, HI, USA. pp. 122-127.doi: 10.1145/3314545.3314564     

Projektpartner

Dieses Projekt wurde mit Mitteln der Europäischen Union und des Landes Nordrhein-Westfalen gefördert (EFRE).

Online-Lernsystem für Mathematik mit Computational-Intelligence-Methoden

Fellowship für Innovationen in der digitalen Hochschullehre 

Es ist allgemein bekannt, dass die Durchfallquoten im Fach Mathematik in allen Studiengängen überdurchschnittlich hoch sind. Die Schwierigkeiten beginnen bereits sehr früh im schulischen Kontext. Um diesen Schwierigkeiten entgegenzuwirken werden strukturierte Aufgaben mit lückenlosem Aufzeigen der Lösungsschritte entwickelt, die dynamisch mit Methoden der Computational Intelligence (Boolesche Netze und Self-Enforcing Networks) aufbereitet und visualisiert werden. Das System SEN lernt die korrekten Lösungswege und überprüft, ob die Eingaben korrekt sind und falls nicht, an welcher Stelle die Fehler aufgetreten sind. Anhand der Bearbeitungszeit sowie der abgerufenen Hilfestellung soll langfristig zusätzlich untersucht werden, ob es sich um Flüchtigkeitsfehler oder Wissenslücken handelt. Diese Erkenntnisse werden benutzt, um individuelle Aufgaben und Hilfestellungen anzubieten. Durch die dynamische Visualisierung der korrekten sowie der fehlerhaften Lösung der Aufgaben wird das explorative Lernen gefördert.

Publikation:

Klüver, C., Klüver, J., 2019: Using Boolean- and Self-Enforcing-Networks for Mathematical E-Tutorial Systems. In:  Rojas, I., Joya G., Catala, A. (Eds.): Advances in Computational Intelligence. 15th International Work-Conference on Artificial Neural Networks, IWANN 2019 Gran Canaria, Spain, June 12–14, 2019 Proceedings, Part II. Lecture Notes in Computer Science, Cham, Switzerland: Springer Nature Switzerland AG, pp. 845 - 856 https://doi.org/10.1007/978-3-030-20518-8_70

Vorstellung des Projektes:

Mathematische Aufgaben und KI-Methoden (MAKIM) im Rahmen der Webinarreihe "Mathematik in MINT-Fächern: Kreative Lehr-Lern-Konzepte digital umgesetzt"  http://www.ecult.me/webinare-in-mint-faechern/ .

Zur Aufzeichnung: https://flowcasts.uni-hannover.de/nodes/wzXjE

Gefördertes Projekt vom Stifterverband und Ministerium für Kultur und Wissenschaft des Landes Nordrhein-Westfalen.