Laboratory for Web Science (LWS)

Das Laboratory for Web Science (LWS) betreibt anwendungsorientierte Forschung und Entwicklung im Bereich Data Science und bietet fachspezifische Dienstleistungen.

Das interdisziplinäre Team besteht aus begeisterten Wissenschaftlern mit verschiedenen Ausprägungen im Bereich Physik, Mathematik und Informatik. Unser Ziel ist es durch einen enge Zusammenarbeit mit der Industrie sowie nationalen und internationalen Forschungspartnern, Innovations- und Technologietransfer zu ermöglichen.

Seit 2017 ist das LWS Mitglied der Swiss Alliance for Data-Intensive Services. Ziel der Alliance ist es, Unternehmen bei der Entwicklung neuer Produkte und Dienstleistungen durch Kooperationen und Forschungspartner zu unterstützen.

Das LWS Team ist stark in der Lehre vertreten – von Grundlagen bis fortgeschrittenen Themen im Bereich Data Science. Die Resultate der LWS-Forschung fliessen in die Lehre ein.

Data Science

Der Begriff Data Science umfasst einen breiten Bereich von Datenauswahl und -verknüpfung über Analytik, technische Realisierung, Unternehmensbezug bis hin zu ethischen Fragen.

Informationen und Wissen sind die Rohstoffe in jedem Unternehmen, die, richtig genutzt, einen entscheidenden Wirtschaftsvorsprung bieten können. Wir unterscheiden strukturierte Daten, die in einer definierten und festgelegten Form gespeichert werden (wie z.B. in Datenbanken und Tabellen), unstrukturierte Daten (Daten, die in allen möglichen Formaten und Plattformen zur Verfügung stehen, wie z.B. E-Mails, Audio und Video Dateien etc.), und semi-strukturierte Daten, wie z.B. HTML und XML.

Machine Learning

Durch die Entwicklung der Informationstechnologie sind immer grössere Datenmengen verfügbar. Diese enthalten oft implizites Wissen, welches, wenn es bekannt wäre, grosse wirtschaftliche oder wissenschaftliche Bedeutung hätte. Data Mining ist ein Forschungsgebiet, das sich mit der Suche nach potentiell nützlichem Wissen in grossen Datenmengen beschäftigt, und Maschinelles Lernen gehört zu den Schlüsseltechnologien innerhalb dieses Gebiets.

Ziel des Maschinellen Lernens ist die Entwicklung von Methoden zur Realisierung lernfähiger technischer Systeme. Machinelles Lernen lässt sich in zwei grosse Klassen verteilen: Beim überwachten Lernen werden basierend auf vorhandenen Beispieldaten Systeme zur Klassifikation und zur Modellierung funktionaler Abhängigkeiten trainiert. Das Ziel des unüberwachten Lernens ist es, autonom relevante Strukturen in Daten zu finden.

Das LWS bewertet interne sowie externe Daten mit Verfahren des Maschinellen Lernens.

Deep Learning

Deep Learning als Untermenge des Machine Learning eröffnet weitere ungeahnte Möglichkeiten im Umgang mit Daten. Hierbei handelt es sich um Neuronale Netze mit sehr vielen Schichten zwischen der Dateneingabe und -ausgabe. Diese tiefen Netze ermöglichen dadurch das Abbilden von Klassifikationesfunktionen mit hoher Nicht-Linearität, d.h. man kann sehr komplexe Aufgaben lösen. Das beste Beispiel dafür sind Convolutional Neural Nets, die im Bereich der Bild- und Signalverarbeitung als disruptive Technologie zu einem enormen Fortschritt geführt haben.

Das LWS hat dazu ein grosses Know-how aufgebaut und setzt diese Technologie für Projekte ein.

Data Science @ LWS