Data Analytics Lab

Fachgebietsexperten

Zu den Gründungsmitgliedern des Data Analytics Laboratory der TU Berlin gehören Volker Markl, Klaus-Robert Müller, Odej Kao,Thomas Wiegand, Thomas Sikora und Jean-Pierre Seifert.

ProfessorFachgebiete / Aktive Forschungsbereiche
Volker MarklDie bisherigen Arbeiten von Volker Markl liegen auf dem Gebiet der Datenbankmanagementsysteme, Architekturen und Algorithmen zur Abfrageverarbeitung. Dazu gehören insbesondere Arbeiten zur multidimensionalen Indizierung, zur Anwendung von Algorithmen des maschinellen Lernens auf die Optimierung von Abfragen, zum Statistikmanagement, zur deklarativen Spezifikation, Kompilierung, Optimierung und Parallelisierung von iterativen Datenflussprogrammen und zum Big-Data-Benchmarking. Volker leitet das Stratosphere-Projekt, eine kollaborative Forschungseinheit der Deutschen Forschungsgemeinschaft (DFG), die sich auf den Aufbau einer Big-Data-Analytics-Infrastruktur konzentriert, sowie mehrere europäische und nationale Forschungsprojekte im Zusammenhang mit Stratosphere. Im Rahmen von Stratosphere konzentriert sich Volker auf Programmiersprachen für die Datenanalyse, die automatische Parallelisierung und Optimierung von Datenanalysealgorithmen in den Bereichen maschinelles Lernen, algebraische Optimierung und Text Mining sowie Big Data Benchmarking. Darüber hinaus hat er Arbeiten zur Informationsintegration (Projekt DAMIA) durchgeführt und beschäftigt sich derzeit mit neuen Hardware-Architekturen für das Informationsmanagement (Projekte SindPad und RETHINK) sowie mit Informationsmarktplätzen (Projekte MIA und DOPA).
Klaus-Robert MüllerDie bisherigen Arbeiten von Klaus-Robert Müller umfassen das maschinelle Lernen und eine Reihe von Anwendungen. Er hat an Kernel-Methoden, neuronalen Netzen, groß angelegtem Lernen, Signalverarbeitung und in Anwendungsbereichen wie der Gehirn-Computer-Schnittstelle, Computer Vision und Bioinformatik gearbeitet. Er hat Methoden zur zuverlässigen Erkennung von Ausreißern in komplexen Ereignisströmen untersucht, was mit dem Aspekt der Wahrhaftigkeit in diesem Programm zusammenhängt. Computer Vision und Signalverarbeitung werden für die verschiedenen Medientypen, die in diesem Projekt vorkommen, wichtig sein. Schließlich liefern Large Scale und Kernel Learning wichtige Vorarbeiten, um Fragen des Large Scale Learning anzugehen.
Odej KaoFrühere Arbeiten von Odej Kao umfassen massiv-paralleles Ressourcenmanagement für die hocheffiziente Verarbeitung von semi-strukturierten Daten und Datenströmen auf Hochleistungs- und Cloud-Plattformen. Der Hauptfokus liegt dabei auf der cross-optimierten Buchung und Zuweisung von Ressourcen für eine effiziente Abfrage- und Stream-Verarbeitung. Bereits entwickelte Systeme wie OpenCCS (für massiv-parallele Compute-Cluster) oder Nephele (für Cloud-basierte Plattformen) werden seit vielen Jahren in Produktionsumgebungen eingesetzt und dienen als Ausgangspunkte für große Forschungsprojekte wie HPC4U, AssessGrid, Stratosphere und viele andere. Im Rahmen dieser Projekte wurden zusätzliche Funktionen wie fortgeschrittene Methoden für Fehlertoleranz, Fehlervorhersage, Jobmigration und Virtualisierung entwickelt und integriert. Weitere verwandte Arbeiten befassen sich mit Plattformen für Plug-and-Play von medizinischen Geräten und der Online-Analyse der gelieferten Datenströme. Die Ergebnisse der Analyse werden an Krankenhäuser zur Online-Unterstützung übermittelt. Analoge Projekte werden im Bereich der intelligenten Stromnetze und der Integration von erneuerbaren Energien durchgeführt. Odej Kao ist Mitglied der Stratosphere Collaborative Research Unit. In der Forschungseinheit hat Odej eine Plattform für groß angelegte Datenanalysen in Infrastructure-as-a-Service-Einstellungen unter den Aspekten der Fehlertoleranz und der Verarbeitung von Datenanalyseprogrammen in diesen massiv-parallelen Einstellungen erforscht und entwickelt.
Thomas SikoraDie Beschreibung/Analyse sowie die Kompression von Grafiken, Bildern, Audio und Video waren in den letzten zwanzig Jahren die Hauptforschungsschwerpunkte von Thomas Sikora. Dazu gehört die Arbeit an neuartigen Konzepten für die Kompression von Audio- und 2D/3D-Videodaten sowie die Analyse/Interpretation von Audio-, Bild- und Videodaten für Multimedia-Retrieval- und Überwachungsanwendungen. Als Video-Vorsitzender der ISO MPEG-Gruppe war er für die Entwicklung des MPEG-4-Videokompressionsstandards sowie für den MPEG-7-Videostandard für visuelle Inhalte DeepL verantwortlich. Insbesondere der MPEG-7-Standard kann als ausschlaggebend für die enorme Forschungsdynamik angesehen werden, die weltweit auf dem Gebiet der multimedialen DeepL Inhalte, Suche, Filterung und Klassifizierung herrscht.
Thomas WiegandFrühere Arbeiten von Thomas Wiegand befassten sich mit Videokodierung, Multimedia-Netzwerken sowie semantischen Ansätzen zur Medienanalyse und -kodierung. Im Bereich der Videocodierung leistete Wiegand wesentliche Beiträge zu den Videocodierungsstandards H.264/MPEG4-AVC und H.265/MPEG-HEVC, erweiterte die Kompression auf skalierbare Formate und auf stereoskopisches sowie autostereoskopisches 3D-Video. Darüber hinaus untersuchte er zusammen mit Klaus-Robert Müller neuartige Methoden zur Messung der subjektiven Wahrnehmung von visuellen Unterschieden mittels EEG. Seine Arbeit im Bereich Multimedia-Netzwerke umfasst neuartige Arbeiten zur fehlerresistenten Übertragung von Echtzeit-Videos, Beiträge zur Standardisierung in der IETF für RTP-Nutzdaten, Spezifikationen für die Videoübertragung an Fernsehgeräte und Handsets in DVB sowie Erweiterungen von MPEG-DASH. Er hat Pionierarbeit auf dem Gebiet der semantischen Ansätze zur Videokodierung geleistet.
Sebastian MöllerDas Quality and Usability Lab unter der Leitung von Sebastian Möller beschäftigt sich mit dem Verständnis des menschlichen Verhaltens und Urteilsvermögens bei der Interaktion mit Technologie. Das Ziel ist die Entwicklung von Methoden, Algorithmen und Werkzeugen zur Verbesserung der Mensch-Maschine-Interaktion und der durch Technologie vermittelten Mensch-Mensch-Interaktion. Zu diesem Zweck werden Daten entweder im Labor oder im Feld gesammelt und in Beziehung zu den Nutzerurteilen über Qualität und Benutzerfreundlichkeit gesetzt. Für die Datenerhebung im Feld haben sich mobile Apps als mächtiges Werkzeug erwiesen, und das Labor hat erfolgreich Apps für die Verwaltung des studentischen Lebens (Mobile Campus Charlottenburg, MoCCha), die Organisation von Konferenzen oder Veranstaltungen (Interspeech- und DAGA-Konferenz-Apps, Lange Nacht der Wissenschaften-App) oder die Unterstützung des Privatlebens (Energiespar-App Sense4En) entwickelt. Die mit diesen Apps gesammelten Daten werden derzeit analysiert, um das Nutzerverhalten zu verstehen und neue Dienste mit Mehrwert anzubieten. Darüber hinaus entwickelt Sebastian Möller Algorithmen zur Vorhersage von Sprach- und audiovisueller Qualität und unterstützt die internationale ITU-T-Standardisierungsarbeit in diesem Bereich.
Klaus ObermayerWir beschäftigen uns mit den Prinzipien, die der Informationsverarbeitung in biologischen Systemen zugrunde liegen. Einerseits wollen wir verstehen, wie das Gehirn rechnet, andererseits wollen wir die Strategien, die biologische Systeme anwenden, für maschinelle Lernanwendungen nutzbar machen. Unsere Forschungsinteressen umfassen drei thematische Bereiche. Modelle von neuronalen Systemen: In enger Zusammenarbeit mit Neurobiologen und Klinikern untersuchen wir, wie das Gehirn visuelle Informationen verarbeitet und die Wahrnehmung mit kognitiven Funktionen verknüpft ist. Zu den Forschungsthemen gehören: kortikale Dynamik, Repräsentation visueller Informationen, Anpassung und Plastizität, belohnungsbasiertes Lernen und Entscheidungsfindung in unsicheren Umgebungen sowie deren Interaktion mit Wahrnehmung und Gedächtnis. Maschinelles Lernen und neuronale Netze: Hier untersuchen wir, wie Maschinen aus Beispielen lernen können, um Vorhersagen zu treffen und zu handeln. Zu den aktuellen Forschungsthemen gehören das Lernen von Repräsentationen und halbüberwachte Lernverfahren, prototypenbasierte Methoden sowie Modelle der Entscheidungsfindung und des Verstärkungslernens. Analyse von neuronalen Daten: Hier wenden wir statistische Methoden und maschinelles Lernen auf die Analyse von multivariaten biomedizinischen Daten an. Die Forschungsthemen sind vielfältig und umfassen derzeit die Analyse multimodaler Daten, z. B. die Korrelation von Verhaltensdaten, neuroanatomischen Daten, bildgebenden Verfahren des Gehirns und genetischen Daten.

Unser Standort

Kontakt

Data Science and Engineering Track

Juan Soto
+49 30 314 23551
Office: EN-724
juan.soto(at)tu-berlin.de

Information
Ihre Bewerbung für eine individuelle "Sprechstunde" bei einem unserer "Data Science and Engineering"-Berater senden/geben Sie bitte an:

Claudia Gantzer
+49 30 314 23555
Office: EN-728
lehre.new(at)dima.tu-berlin.de