Kontakt
Universitätsstraße 38
70569 Stuttgart
Deutschland
Raum: 2.365
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
2025
Julius Voggesberger, Peter Reimann, Dennis Treder-Tschechlov, Bernhard Mitschang. "Auto-CEn: AutoML for Classifier Ensembles - Diversity-Based Classifier Selection and Decision Fusion Optimization". In: 2025 IEEE 12th International Conference on Data Science and Advanced Analytics (DSAA). 2025, S. 1 - 10.
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.
Wintersemester 2025/2026
- Vortragsübung "Datenbanken und Informationssysteme"
Übungsleiter
Sommersemester 2025
- Seminar "Vertiefungsthemen von Data Science"
Organisation und Betreuung
Wintersemester 2024/2025
- Vortragsübung "Datenbanken und Informationssysteme"
Übungsleiter
Sommersemester 2024
- Hauptseminar "Data Management for End-to-End Machine Learning"
Organisation und Betreuung
Wintersemester 2023/2024
- Hauptseminar "Advanced Topics in Data Management"
Organisation und Betreuung - Vortragsübung "Datenbanken und Informationssysteme"
Übungsleiter - Pracitcal Course "Automated Machine Learning for Classification Ensembles"
Betreuung
Sommersemester 2023
- Hauptseminar "Data Management for End-to-End Machine Learning"
Organisation und Betreuung
Wintersemester 2022/2023
- Seminar "Entwicklung von Data-Science-Anwendungen"
Betreuung
Laufende studentische Arbeiten
- Masterarbeit: Meta-Learning für Ensembles mithilfe von Latent Space Repräsentation
Masterarbeiten:
- Meta-Learning für die Optimierung von Klassifikations-Ensembles
- Entwicklung einer Methode zur datengetriebenen Vorhersage der Ausgaben einer Kaltmassivumformsimulation
- Analyse von Datenvorverarbeitungsmethoden zur Verbesserung der Diversität in Klassifikationsensembles
Bachelorarbeiten:
- Vergleich von Ansätzen zur automatisierten Auswahl der Modellanzahl in heterogenen Ensembles
- Erweiterung eines AutoML-Frameworks zur Optimierung der Datenvorverarbeitung in Ensembles für ungleich verteilte Klassen
Forschungsprojekte:
- Recommendation System for Suggesting Data Preparation Pipelines through the Use of a Knowledge Base
Projekte:
- Automated Machine Learning for Classification Ensembles
