About the authors
apl. Prof. Dr.-Ing. Ralf Mikut leitet das Fachgebiet für Automatisierte Bild- und Datenanalyse am Institut für Automation und angewandte Informatik im Karlsruher Institut für Technologie und ist Sprecher der Helmholtz Information and Data Science School for Health (HIDSS4Health). Forschungsschwerpunkte: Computational Intelligence, Data Analytics, Modellierung und Bildanalyse mit Anwendungen in der Biologie, Chemie, Medizintechnik, Energiesystemen und Robotik.
Univ.-Prof. Dr.-Ing. Andreas Kroll ist Leiter des Fachgebiets Mess- und Regelungstechnik der Universität Kassel. Forschungsschwerpunkte: nichtlineare Identifikations- und Regelungsmethoden, Computational Intelligence, komplexe Systeme.
apl. Prof. Dr. rer. nat. Frank Hoffmann ist akademischer Oberrat am Lehrstuhl für Regelungssystemtechnik der TU Dortmund. Forschungsschwerpunkte: Robotik, Computational Intelligence, modellprädiktive Regelung. Er ist seit 2008 Vorsitzender des GMA FA 5.14.
Literatur
1. GMA-Fachausschuss 5.14 Computational Intelligence. http://www.rst.e-technik.tu-dortmund.de/cms/de/Veranstaltungen/GMA-Fachausschuss/index.html.Search in Google Scholar
2. KIT Scientific Publishing. https://www.ksp.kit.edu.Search in Google Scholar
3. Bartschat, A.; Stegmaier, J.; Allgeier, S.; Reichert, K.-M.; Bohn, S.; Stachs, O.; Koehler, B.; Mikut, R.: Augmentations of the Bag of Visual Words Approach for Real-Time Fuzzy and Partial Image Classification. In: Proc., 27. Workshop Computational Intelligence, Dortmund, p. 227–242, 2017.Search in Google Scholar
4. Bischl, B.: OpenML and using OpenML for AutoML. In: 28. Workshop Computational Intelligence, Dortmund, 2018.Search in Google Scholar
5. Gringard, M.; Kroll, A.: Zum optimalen Offline-Testsignalentwurf für die Identifikation dynamischer TS-Modelle: Steuerfunktionen zur optimalen Schätzung der Partitionsparameter. In: Proc., 28. Workshop Computational Intelligence, Dortmund, p. 147–174, 2018.Search in Google Scholar
6. Hoffmann, F.; Bertram, T.; Mikut, R.; Reischl, M.; Nelles, O.: Benchmarking in Classification and Regression. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery 9 (2019) 5, p. e1318.10.1002/widm.1318Search in Google Scholar
7. Kruse, R.: Decomposable Graphical Models in Industrial Applications: On Fusion, Learning and Revision. In: 27. Workshop Computational Intelligence, Dortmund, 2017.Search in Google Scholar
8. Runkler, T.: Von Big Data zu Smart Data. In: 27. Workshop Computational Intelligence, Dortmund, 2017.Search in Google Scholar
9. Schmidt, M.; Oeljeklaus, M.; Lienke, C.; Hoffmann, F.; Krüger, M.; Nattermann, T.; Mohamed, M.; Bertram, T.: Fahrspurerkennung mit Deep Learning für automatisierte Fahrfunktionen. In: Proc., 28. Workshop Computational Intelligence, Dortmund, p. 39–60, 2018.Search in Google Scholar
10. Stober, S.: Deep Learning for Next-Generation Human-Computer Interaction. In: 28. Workshop Computational Intelligence, Dortmund, 2018.Search in Google Scholar
11. Wever, M.; Mohr, F.; Hüllermeier, E.: Automatic Machine Learning: Hierarchical Planning Versus Evolutionary Optimization. In: Proc., 27. Workshop Computational Intelligence, Dortmund, p. 149–166, 2017.Search in Google Scholar
© 2019 Walter de Gruyter GmbH, Berlin/Boston