Wissenschaftliche Methodenentwicklung mit zugänglichen Veröffentlichungen und Software.
Explainable AI
Thrun et al. · PLOS Medicine · 2026
Strukturentdeckung, explizite Klassifikationslogik und eine Einschätzung der Verlässlichkeit einzelner Ergebnisse werden für die Lymphomklassifikation kombiniert.
Die retrospektive Evaluation nutzt 19.493 Blutproben sowie externe Daten. Veröffentlichung, archivierter Code und PLAIT-Demonstrator sind getrennt zugänglich.
Temporal Data Mining
Stier, Gehlert & Thrun · Multiresolution Forecasting for Industrial Applications · Processes · 2021
Die Arbeit untersucht Multiresolutionsprognosen mit Wavelets für Zeitreihen aus industriellen Anwendungen. Sie verbindet Merkmalsgewinnung auf unterschiedlichen Zeitskalen mit systematischem Vergleich von Prognoseverfahren.
Die Studie vergleicht Prognoseverfahren auf vier Datensätzen und mehreren Horizonten mit rollierendem Prognoseursprung. Die Fehler werden mit MASE und SMAPE bewertet. Die Methode ist in R und Python zugänglich, unter anderem über das R-Paket mrf.
Datenstruktur und Qualität prüfen
Nachvollziehbar klassifizieren
Verlässlichkeit des Einzelfalls bewerten
Ergebnis fachlich prüfen
Stier, Q., Hoffmann, J. & Thrun, M. C. (2026). Classifying with the Fine Structure of Distributions: Leveraging Distributional Information for Robust and Plausible Naïve Bayes. Machine Learning and Knowledge Extraction (MAKE), 8(1), 13. MDPI.
Ein methodisch fundierter Ausgangspunkt für Klassifikationsaufgaben: PDEnaiveBayes nutzt die Feinstruktur der Datenverteilungen, um Klassenzuordnungen abzuleiten. Als Vergleichsverfahren hilft es zu beurteilen, welchen zusätzlichen Nutzen komplexere Modelle für eine konkrete Aufgabe bieten. Pareto-Dichteschätzung und eine Plausibilitätskorrektur bilden die methodische Grundlage. Veröffentlichung und R-Paket auf CRAN ermöglichen nachvollziehbare Vergleiche auf eigenen Daten.
Thrun, M. C. (2022). Exploiting Distance-Based Structures in Data Using an Explainable AI for Stock Picking. Information, 13(2), 51. MDPI.
Die Arbeit verbindet distanzbasierte Strukturen in Unternehmenskennzahlen mit erklärbaren Entscheidungsregeln für die Aktienauswahl. Sie zeigt an einer konkreten Anwendung, wie Knowledge Discovery eine fachlich prüfbare Entscheidungsgrundlage schaffen kann.
Thrun & Ultsch · Artificial Intelligence · 2021
Schwarmintelligenz und Selbstorganisation zur Clusteranalyse hochdimensionaler Daten. Verbindet methodische Forschung mit einer öffentlich verfügbaren Implementierung.
Thrun, Ultsch & Breuer · Machine Learning and Knowledge Extraction · 2021
Die hydrochemische Anwendung verbindet Clusteranalyse mit fachlich interpretierbaren Zuständen und Erklärungen. Ein Beispiel für zeitliches Knowledge Discovery, das über die Vorhersage eines einzelnen Zahlenwerts hinausgeht.
Thrun, M. C. & Märte, J. (2026). Memshare: Memory Sharing for Multicore Computation in R with an Application to Feature Selection by Mutual Information using PDE. The R Journal, 17(4), 306–322.
Gemeinsam genutzter Speicher für parallele Berechnungen in R. Parallele R-Prozesse greifen auf denselben Datenbestand zu, ohne ihn jeweils vollständig zu kopieren.
Von Datenexploration und Clusteranalyse bis zu Klassifikation, Prognose und effizienter Verarbeitung. Dokumentation, Autorenschaft und Lizenzbedingungen sind bei den jeweiligen Paketen verzeichnet.
Verteilungen und Daten explorieren
Thrun, M. C., Gehlert, T. & Ultsch, A. (2020).
Analyzing the fine structure of distributions ↗
PLOS ONE, 15(10), e0238835.
Strukturen durch Selbstorganisation entdecken
Thrun, M. C. & Ultsch, A. (2021).
Swarm intelligence for self-organized clustering ↗
Artificial Intelligence, 290, 103237.
Projektionsbasierte Clusteranalyse
Thrun, M. C. & Ultsch, A. (2021).
Journal of Classification, 38(2), 280–312.
Klassifikation mit Verteilungsinformation
Stier, Q., Hoffmann, J. & Thrun, M. C. (2026).
Machine Learning and Knowledge Extraction (MAKE), 8(1), 13.
Multiresolutionsprognosen
Stier, Q., Gehlert, T. & Thrun, M. C. (2021).
Multiresolution Forecasting for Industrial Applications ↗
Processes, 9(10), 1697.
Zeitreihenanalyse
Thrun, M. C., Märte, J., Böhme, P. & Gehlert, T. (2019).
Applying Two Theorems of Machine Learning to the Forecasting of Biweekly Arrivals at a Call Center ↗
European Conference on Data Analysis (ECDA), Konferenzbeitrag.
Gemeinsamer Speicher für parallele Analysen
Thrun, M. C. & Märte, J. (2026).
The R Journal, 17(4), 306–322.
Clusteranalyse und Schätzung der Clusteranzahl
Im kostenlosen, unverbindlichen 20-Minuten-Erstgespräch klären wir Ihr Ziel, die Ausgangslage und einen sinnvollen nächsten Schritt.
