Kontakt
Universitätsstraße 38
70569 Stuttgart
Deutschland
Raum: 2.404
Sprechstunde
Nach Vereinbarung
Fachgebiet
Arbeitsgebiet: Machine Learning, Ensemble Learning, Klassifikation
In meinem Promotionsthema "Bereitstellung und datengetriebene Fusion heterogener Vorhersagemodelle" beschäftige ich mich mit der Erstellung von optimierten Ensembles, d. h. der Kombination mehrerer Klassifikationsmodelle. Hierzu soll untersucht werden, welchen Einfluss die Daten, die Modelldiversität, etc. auf Ensembles haben. Weiterhin soll ein automatisiertes Vorgehen entwickelt werden, um optimierte Ensemble basierend auf den gefundenen Zusammenhängen zu erstellen.
Zitationsmetriken
- Google Scholar: Profil
- ORCID: 0000-0003-4808-1922
- Research Gate: Profil
Publikationen
2023
Julius Voggesberger. "Optimierung von Klassifikator-Ensembles mit AutoML". In: GvDB. 2023.
Julius Voggesberger, Peter Reimann und Bernhard Mitschang. “Towards the Automatic Creation of Optimized Classifier Ensembles”. In: Proc. of the 25th Int. Conference on Enterprise Information Systems (ICEIS) – Volume 1. 2023, S. 614–621.
Michael Behringer, Dennis Treder-Tschechlov, Julius Voggesberger, Pascal Hirmer und Bernhard Mitschang u. a. “SDRank: A Deep Learning Approach for Similarity Ranking of Data Sources to Support User-Centric Data Analysis”. In: Proc. of the 25th Int. Conference on Enterprise Information Systems (ICEIS) – Volume 1. 2023, S. 419–428.
Thesis
J. Voggesberger, "AutoML für Ensembles: Erhöhung der Klassifikationsperformanz durch Optimierung der Modelldiversität und der Entscheidungsfusion"
Masterthesis. 2022.
J. Voggesberger, " Evaluation von Zwischenergebnissen in Entscheidungsbäumen"
Bachelorthesis. 2019.
Sommersemester 2023
- Hauptseminar "Data Management for End-to-End Machine Learning"
Betreuung
Wintersemester 2022/2023
- Seminar "Entwicklung von Data-Science-Anwendungen"
Betreuung
Laufende studentische Arbeiten
- Masterarbeit:
Meta-Learning für die Optimierung von Klassifikations-Ensembles - Masterarbeit:
Entwicklung einer Methode zur datengetriebenen Vorhersage der Ausgaben einer Kaltmassivumformsimulation