Parallele Optimierungsalgorithmen
Online-Training von Support Vektor Maschinen (SVM)
Kernel-Funktionen für Signalverarbeitung und Bioinformatik
Theorie und Anwendung von effizienten Graph-Algorithmen
Künstliche Neuronale Netze - insbesondere Erweiterungen von selbstorganisierenden Karten (SOM)
Funktionale Programmiersprachen

Projekte und Kooperationen:

πSvM - Paralleles Training von Support Vektor Maschinen
Vorhersage von Retentionszeiten bei der HPLC in Kooperation mit dem Graduiertenkolleg Chemie in Interphasen
Online Stimulus Adaption für Neuroprothesen in Kooperation mit P.D. Cornelius Schwarz

Werdegang:

2000-2005 Studium der Bioinformatik mit Anwendungsschwerpunkt Neurobiologie an der Universität Tübingen
Seit September 2005 Stipendiat des Graduiertenkollegs Chemie in Interphasen und Mitarbeiter im Neuroteam der Technischen Informatik an der Universität Tübingen
Seit August 2008 Stipendiat des Werner-Reichardt Center for Integrative Neuroscience

Studien- und Diplomarbeiten:

Optimale Trainingsstrategie für parallele Mehrklassen-SVMs

Support Vektor Maschinen (SVM) sind überwachte Lernverfahren die
bereits in verschiedenen Anwendungsgebieten erfolgreich eingesetzt
werden. Das Anwendungsspektrum ersteckt sich dabei von
automatischer Zeichenerkennung (OCR) bis hin zur Klassifikation
von Genomdaten und der Vorhersage von Zeitreihen. Besonders die
Anwendungen in der Bioinformatik erfordern das Training von SVMs
auf sehr großen Datensätzen mit mehr als 10⁶ Eingabemustern.
Um den ständig steigenden Anforderungen gerecht zu werden, ist
daher der Einsatz von paralleler Hardware unerläßlich. Das
Aufkommen von Multicore-Architekturen für Desktop-Rechner
unterstreicht die Wichtigkeit der parallelen Software-Entwicklung.
Mit der am Lehrstuhl entwickelten piSvM-Software lassen sich
bisher nur binäre Klassifikationsprobleme parallel lösen. Das Ziel
dieser Studienarbeit ist daher die Entwicklung einer parallelen
laufzeitoptimalen Trainings-Strategie für SVMs auf Problemen mit
mehreren Klassen.

: Beispiel: 1-vs-all Stratgie für ein zweidimensionales Problem mit drei Klassen.

Aufgabenstellung:
Die entwickelten parallelen Trainings-Strategien sollen in der
piSvM-Software implementiert und deren Laufzeit mit mehreren
Datensätzen auf dem Kepler-Cluster evaluiert werden.

Anforderungen:
Gute mathematische Grundkenntnisse, Spaß am Problemlösen und
Programmierkenntnisse in C/C++ sind erwünscht. Erfahrungen mit MPI
sind hilfreich können aber auch im Laufe der Studienarbeit
erworben werden.

Weitere Informationen finden sich in der PDF-Datei.

Software:

Publikationen

Alle Publikationen im BibTex-Format

Publikationen von 2008

Publikationen vom März 2008

D. Brugger, M. Bogdan, W. Rosenstiel
Automatic Cluster Detection in Kohonen's SOM
IEEE Transactions on Neural Networks, Vol.19(3)

Publikationen ohne Monatsangabe 2008

Brugger, Butovas, Bogdan, Schwarz, Rosenstiel
Direct and inverse solution for a stimulus adaptation problem using SVR
ESANN Proceedings , p.397-402
Brugger, Butovas, Bogdan, Schwarz, Rosenstiel
Direct and inverse solution for a stimulus adaptation problem using SVR
ESANN Proceedings , p.397-402

Publikationen von 2007

Publikationen vom Oktober 2007

D. Brugger
Parallel Support Vector Machines
In Proceedings of the IFIP International Conference on Very Large Scale Integration of System on Chip (VLSI-SoC), Springer

Publikationen ohne Monatsangabe 2007

M. Bensch, D. Brugger, P. Baeuerle, W. Rosenstiel, M. Bogdan, W. Spruth
Self-Learning Prediciton System for Optimisation of Workload Managememt in a Mainframe Operating System
International Conference on Enterprise Information Systems, Funchal