Applied Data Science Lab

Das Methodenrepertoire umfasst klassische mathematische Modelle ebenso wie neueste Deep Learning Architekturen. Ziel ist es, das in den Daten abgebildete Wissen nutzbar machen, um Entscheidungen zu treffen, Vorhersagen zu tätigen oder neuen Strukturen zu entdecken. Es werden alle wesentlichen Bereiche der Verarbeitungskette von der Erfassung von Daten bis zur Verwendung von Modellen in Applikationen abgedeckt. Im Bereich Deep Learning nutzen wir beispielsweise Convolutional Networks, Transformers sowie Generative Adversarial Networks und bedienen uns Konzepten wie Transfer Learning, Foundation Models und Generative AI um auch basierend auf relativ kleinen (annotierten) Datenmengen performante Modelle zu trainieren. Somit streben wir nach Lösungen, die mit geringem Aufwand (für Akquise von Daten und Annotationen) praktikabel und effektiv eingesetzt werden können.

Dieser Forschungsbereich hat Querbeziehungen zu nahezu allen Studiengängen des Departments, insbesondere zum Masterstudiengang "AI for Sustainable Technologies" sowie zum Joint Masterstudiengang "Applied Image and Signal Processing" mit der Universität Salzburg. Es besteht ebenfalls eine starke inhaltliche Verbindung zur Vertiefung Medieninformatik im Bachelorstudiengang "Informationtechnik und System-Management".

Das ADSLab hat zahlreiche Forschungsprojekte in den vergangenen Jahren durchgeführt und unterhält durch diverse Projekte eine enge Kooperation mit Firmen sowie anderen Hochschulen wie der Universität Salzburg sowie der Paracelsus Medizinischen Privatuniversität (PMU).