Vollständiges Logo und Visualisierung von Datenauswertung im Team

Umfrageergebnisse

Im Sommersemester 2020 und im Wintersemester 2020/2021 haben wir die Studierenden der Universität Regensburg zu den Themen Künstliche Intelligenz, Machine Learning und Big Data befragt. Die Antworten sind jetzt online!

Zu den Ergebnissen

Wer wir sind

Wissen schafft² Daten ist ein fakultäts­übergreifendes Projekt an der Uni Regensburg. Es vereint die Forschungs­bestrebungen in den Bereichen Big Data, Künstliche Intelligenz und Machine Learning.

Machine Learning in Unternehmen

Im Regensburger Raum setzen immer mehr Firmen bei der Optimierung und Weiterentwicklung ihrer Produktion auf Künstliche Intelligenz – zusammen mit Regensburger Hochschulen.

Intelligent Monitoring and Control of Interconnected Cyber-Physical Systems

Das Aufkommen vernetzter cyber-physischer Systeme und Sensor-/Aktor-Netzwerken hat zur Entstehung fortschrittlicher automatisierter Anwendungen geführt, bei denen eine große Menge an Sensordaten gesammelt und verarbeitet wird, um geeignete Echtzeitentscheidungen zu treffen […]

WeiterlesenIntelligent Monitoring and Control of Interconnected Cyber-Physical Systems

Künstliche Intelligenz im Gesundheitswesen: Anwendungen, Herausforderungen, Zukunftspotenziale

Künstliche Intelligenz (KI) und maschinelles Lernen haben einen beispiellosen Einfluss auf Industrie, Wissenschaft und Gesellschaft und finden in unzähligen Bereichen Anwendung. Insbesondere KI hat das Potenzial, bei der Bewältigung wichtiger […]

WeiterlesenKünstliche Intelligenz im Gesundheitswesen: Anwendungen, Herausforderungen, Zukunftspotenziale

Causal Inference Working Group – Understanding the role of causal inference from observational datasets in developing government policy

Die Treffen der Causal Inference Working Group dienen als Plattform für Zusammenarbeit und Diskussion, mit einem Schwerpunkt auf der kausalen Datenanalyse in Wissenschaft und Industrie. Ziel der Gruppe ist es, […]

WeiterlesenCausal Inference Working Group – Understanding the role of causal inference from observational datasets in developing government policy