Zum Hauptinhalt springen

The Data Train Team

Kollaborationen

Die AG Forschungsdaten der U Bremen Research Alliance begleitet die Entwicklung des Schulungscurriculums.

Data Train steht im Einklang mit den Bemühungen der von der DFG geförderten NFDI-Konsortien (Nationale Forschungsdateninfrastruktur), die Bildung als eines ihrer Querschnittsthemen  betrachten. Einerseits tragen Bremer Einrichtungen, die Teil von geförderten NFDI-Konsortien sind, zum Data Train Programm bei. Andererseits wird das Data Train Konzept und Curriculum mit diesen Konsortien geteilt.

Data Train arbeitet darüber hinaus eng mit dem Data Science Center (DSC) der Universität Bremen zusammen und wird von diesem unterstützt. Auch das DSC hat "Qualifizierung" als eine seiner drei Säulen (neben Dienstleistungen und Forschung) definiert. Das DSC bringt Wissenschaftler aus allen Fachbereichen der Universität Bremen zusammen, um wissenschaftliche Kooperationen zu initiieren und die Entwicklung neuartiger Forschungsfragen mit Bezug auf Data Science zu fördern.

Mit BYRD (Bremen Early Career Researcher Development), dem fest etablierten Förderzentrum für Nachwuchswissenschaftler an der Universität Bremen, hat Data Train einen erfahrenen Kooperationspartner mit einem hervorragenden Netzwerk an der Universität Bremen. Beide Programme profitieren von den klar definierten Schwerpunkten und der gut abgestimmten Zusammenarbeit.

 

Sprecherin und Sprecher

Iris Pigeot

Prof. Dr. Iris Pigeot

Stv. Vorsitzende der U Bremen Research Alliance

Leiterin der AG Forschungsdaten

Co-Sprecherin für NFDI4Health

More...

Frank Oliver Glöckner

Prof. Dr. Frank Oliver Glöckner

Leiter der AG Forschungsdaten

Sprecher für NFDI4Biodiversity

More...

Rolf Drechsler

Prof. Dr. Rolf Drechsler

Sprecher des Data Science Centers der Universität Bremen

More...

Koordination

Tanja Hörner

Dr. Tanja Hörner

Koordinatorin

Data Train

AG Forschungsdaten und assozierte Austauschgruppen

More...

Leonie Lenz-Seraphin

Leonie Lenz-Seraphin

Studentische Mitarbeiterin Data Train

Studierende des Master Programms medical biometry/biostatistics der Universität Bremen

Lehrende

Auf dieses Team von engagierten Dozentinnen und Dozenten verschiedener Einrichtungen des Forschungsverbundes U Bremen Research Alliance baut das gemeinsame Curriculum auf!

Dr. Daniel Otero Baguer

Post-doctoral researcher, head of digital pathology group at the Faculty Mathematics and Computer Science, University of Bremen.

Research interests:

  • Inverse problems
  • Machine learning
  • Image and signal processing
  • Computational engineering
  • Parameter indentification
  • Computational pathology

"I enjoy showing young researchers the amazing field of deep learning and its amazing applications. Also, I always try to find the easiest way to for students to learn the concepts, and this is often times a great challenge."

  1. Data Scientist Track: Deep learning

Prof. Dr. Benedikt Buchner

Benedikt Buchner ist Professor für Bürgerliches Recht und Direktor des Instituts für Informations-, Gesundheits- und Medizinrecht (IGMR) an der Universität Bremen.

Datenschutz und Informationsrecht; Forschung ist darauf angewiesen, Forschungsdaten möglichst frei
nutzen zu können. Dem gegenüber stehen die (Ausschließlichkeits-)Interessen derjenigen, deren
personenbezogene Daten zu Forschungszwecken verarbeitet werden sollen oder denen
Urheberrechte an Studiendaten u.Ä. zustehen. Dieser Spannungsverhältnis aufzulösen, ist Aufgabe des
Rechts.

"FDM ist eine ebenso wichtige wie schwierige Herausforderung, die erfolgreich nur dann angegangen
werden kann, wenn alle betroffenen Disziplinen eng miteinander zusammenarbeiten."

  1. Starter Track: Data protection and licenses

Dr. Arjun Chennu

Arjun Chennu ist Gruppenleiter des Teams Data Science und Technologie am ZMT Bremen.

Unsere Forschung erforscht Möglichkeiten, die vielfältigen und schnell wachsenden Techniken der Datenwissenschaft, des maschinellen Lernens und der statistischen Modellierung in Richtung datengesteuerter Analytik zum Nutzen der tropischen Meereswissenschaften einzusetzen. Unser Team vereint Fachwissen aus den Bereichen Habitatkartierung, Computer Vision, maschinelles Lernen, neuronale Netze, Biogeochemie, benthische Ökologie, probabilistische Analysen, Stakeholder-Utility-Netzwerke, Softwareentwicklung, optische Physik, Sensorsysteme und -plattformen, Technik der Datenerfassung und analytische Arbeitsabläufe.

"Daten sind die Währung des Wissens im 21. Jahrhundert. Wir müssen diese Währung besser investieren, um unseren Wissensschatz zu verwalten und zu vergrößern."

  1. Data Steward: Reproducibility in science: How and why?

Prof. Dr. Thorsten Dickhaus

Thorsten Dickhaus ist Professor für Mathematische Statistik am Fachbereich 3 (Mathematik und Informatik) der Universität Bremen.

Thorsten Dickhaus studierte Mathematik in Aachen und Düsseldorf und wurde im Jahre 2008 an der Heinrich-Heine-Universität Düsseldorf promoviert. Danach arbeitete er bis 2015 in Berlin, zunächst als PostDoc an der Technischen Universität, dann als Juniorprofessor an der Humboldt-Universität und schließlich als wissenschaftlicher Mitarbeiter am Weierstraß-Institut für Angewandte Analysis und Stochastik. Seit 2015 ist Thorsten Dickhaus W3-Professor für Mathematische Statistik am Fachbereich 3: Mathematik und Informatik der Universität Bremen und seit 2016 ist er dort auch als stellvertretender Studiendekan tätig.Seine Forschungsschwerpunkte liegen in der Entwicklung von statistischen Methoden und deren Anwendungen, insbesondere für hochdimensionale und komplex strukturierte Daten in den Lebens- und Wirtschaftswissenschaften.

"Bei Data Train möchte ich mitwirken, um ein besseres Verständnis der mathematischen Konzepte hinter den Data Science Anwendungen zu vermitteln. Zudem leben die Datenwissenschaften vom interdisziplinären Austausch von Ideen und Kompetenzen."

  1. Data Scientist Track: Quantitative analyses for data science

Prof. Dr. Vanessa Didelez

Vanessa Didelez ist Stellvertretende Leiterin der Abteilung Biometrie und EDV am Leibniz-Institut für Präventionsforschung und Epidemiologie – BIPS und Professorin für Statistik mit dem Schwerpunkt Theorie und Methode der Kausalitätsforschung an der Universität Bremen.

Prof Didelez befasst sich in ihrer Forschung mit der statistischen Modellierung sowie Methoden zur Datenanalyse. Dabei ist ihr Ziel, möglichst zuverlässige Schlüsse darüber zu ziehen, welches die zu erwartenden Konsequenzen von konkreten (manchmal auch hypothetischen) Interventionen wären, z.B. um wieviel würde eine bestimmte Intensivierung der körperlichen Aktivität das kindliche Übergewicht reduzieren? Diese Art von Schlussfolgerung wird als „kausale Inferenz“ bezeichnet. Die statistische Herausforderung liegt darin, dass Schwachstellen der verfügbaren Daten, z.B. fehlende oder imperfekte Randomisierung, nicht-zufällige Selektion oder Drop-out etc., so gut wie möglich entgegengewirkt wird bzw. diese adäquat berücksichtigt und u.U. geeignet mitmodelliert werden. Eine Grundvoraussetzung dazu ist ein detailliertes Verständnis und Durchleuchten der jeweiligen Annahmen, so dass diese empirisch und durch Vorwissen gerechtfertigt werden können. Dabei interessiert Prof Didelez sich speziell für Daten mit zeitlichen Struktur, wie sie z.B. aus Kohortenstudien gewonnen werden; oder auch Ereignisdaten wie z.B. in der Lebensdaueranalyse. Sie hat in diesem Zusammenhang neue Herangehensweisen z.B. für kausale Pfadanalyse, dynamische graphische Modelle und kausale Modellselektion entwickelt. Anwendung finden sich in der Epidemiologie und Public Health, etwa bei der Untersuchung von Ursachen und Folgen von kindlichem Übergewicht, des Nutzens von Krebsscreening-Programmen, oder möglicher Ursachen von Demenz oder Alzheimers.

"Ich glaube, dass Data Science einen enormen Beitrag zur evidenzbasierten Entscheidungsfindung leisten kann. Dies erfordert die Fähigkeit, Daten sorgfältig und kritisch zu analysieren, was ich im Data Train vermitteln möchte."

  1. Data Science Track: Asking the right research questions in data science

Dr. Martin Dörenkämper

Martin Dörenkämper ist Wissenschaftler am Fraunhofer-Institut für Windenergiesystem IWES, Abteilung Aerodynamik, CFD und stochastische Dynamik, Oldenburg

Martin Dörenkämper beschäftigt sich seit mehr als 10 Jahren mit der Auswertung von Wetter- und Windparkdaten. Nach seinem Studium der Meteorologie (BSc/MSc) an den Universitäten Hamburg und Oklahoma fokussierten die Forschungen seiner Doktorarbeit in der Energiemeteorologie. Seine aktuelle Forschung befasst sich mit der Verbesserung und Validierung von industrietauglichen Modellen für die Standortbestimmung von Windenergieanlagen sowie die Ertragsanalyse von Windparks. Dieses beinhaltet die Arbeit mit mehrdimensionalen sowie zeitreihenbasierten Daten unterschiedlicher Komplexität und auch Vertraulichkeitsstufen. Am Fraunhofer IWES koordiniert Martin Forschungsprojekte mit Industriepartnern und Forschungsinstitutionen sowie Universitäten.

"Im Rahmen von Data Train möchten wir unsere Erfahrungen aus der angewandten Forschung und Arbeit mit vertraulichen Daten insbesondere im engen Austausch mit der Industrie teilen."

  1. Starter Track: Managing confidential data

Prof. Dr. Rolf Drechsler

Rolf Drechsler ist Professor für Rechnerarchitektur, University of Bremen, Dekan des Fachbereichs Mathematik und Informatik (FB03), Direktor der Gruppe Cyber-Physical Systems am Deutschen Forschungszentrum für Künstliche Intelligenz (DFKI) und Sprecher des Data Science Centers der Universität Bremen (DSC@UB).

Rolf Drechsler erwarb sein Diplom im Jahr 1992 und den Doktortitel (Dr. phil. nat.) im Jahr 1995 in der Informatik an der Johann Wolfgang Goethe-Universität in Frankfurt am Main. Er arbeitete am Institut für Informatik, Albert-Ludwigs-Universität Freiburg im Breisgau, von 1995 bis 2000. Von 2000 bis 2001 wurde Rolf Drechsler Mitarbeiter von Siemens (München) in der Zentralabteilung Technik, Fachzentrum Entwicklungsautomatisierung.

Seit Oktober 2001 ist Rolf Drechsler Professor und Leiter der Arbeitsgruppe Rechnerarchitektur am Fachbereich Mathematik/Informatik an der Universität Bremen. 2011 wurde er Direktor der Gruppe Cyber-Physical Systems am Deutschen Forschungszentrum für Künstliche Intelligenz (DFKI) in Bremen. Sein Forschungsinteresse gilt unter anderem der Entwicklung and Gestaltung von Datenstrukturen und Algorithmen mit einem Fokus auf Schaltkreis und Systemdesgin. Er ist IEEE Fellow.
Von 2008 bis 2013 war er Konrektor für "Forschung und wissenschaftlicher Nachwuchs" der Universität Bremen. Seit 2018 ist er Dekan des Fachbereichs Mathematik/Informatik. Er ist einer der Gründer und Sprecher des Data Science Centers der Universität Bremen (DSC@UB).

  1. Starter Track: Computer science basics for data science

PD Dr. Christian Fieberg

Christian Fieberg ist Researcher für das Arbeitsgebiet Betriebswirtschaftslehre, insbesondere Empirische Kapitalmarktforschung und Derivate am Fachbereich Wirtschaftswissenschaft der Universität Bremen.

Das Arbeiten mit großen Datensätzen, die Anwendung komplexer Methoden (insb. aus den Bereichen Statistik, Ökonometrie, Optimierung, Operations Research, Simulation und Machine Learning), die Verwendung statistischer Analysesoftware (insb. Matlab/Octave/Freemat, R, Stata, Python, Excel/VBA) und der Transfer der Forschungsergebnisse zu in der Praxis nutzbaren Softwaretools.

"Ich bin interessiert an einer starken Zusammenarbeit der U Bremen Research Alliance Mitglieder, um die Qualifikation in Forschungsdatenmanagement und Data Science voranzutreiben."

  1. Data Steward: Getting started in R
  2. Data Steward: Erste Schritte mit MATLAB

Prof. Dr. Frank Oliver Glöckner

Frank Oliver Glöckner ist Professor für Erdsystem Datenwissenschaften an der Universität Bremen.

Er ist Leiter des Bereiches Daten am Rechen- und Datenzentrum des Alfred-Wegener-Institutes Bremerhaven und außerordentlicher Professor für Bioinformatik an der Jacobs Universität Bremen. Er ist der Gesamtleiter des Informationssystems PANGAEA für Erd- und Umweltwissenschaften am MARUM und Sprecher des NFDI4BioDiversity Konsortiums. Sein am MARUM und AWI beheimatetes, interdisziplinäres Team verbindet geologische, biologische, Ingenieur- und Softwareentwicklungsexpertisen und ist national und international im Forschungsdatenmanagement, der Datenlogistik sowie der Datenanalyse ausgewiesen.

"In der U Bremen Research Alliance möchte ich durch die Kooperation aller Mitglieder das Thema und Qualifikationen in Forschungsdatenmanagement und Datenwissenschaften voranbringen. Ziel ist es, die bereits vorhandenen Kräfte zu bündeln um den Standort Bremen als eines der Exzellenzzentren im Forschungsdatenmanagement zu etablieren."

  1. Starter Track: Data and information management
  2. Data Steward Track: Tools for FAIR data handling

Dr. Julia Gottschall

Julia Gottschall ist Chief Scientist am Fraunhofer-Institut für Windenergiesystem IWES, Bereich Windparkentwicklung, Bremerhaven / Bremen.

Julia Gottschall beschäftigt sich seit gut 15 Jahren mit der Erfassung und Auswertung von Winddaten im Kontext der Windenergieforschung. Nach ihrer Promotion in Angewandter Physik an der Universität Oldenburg hat sie an verschiedenen Forschungsinstituten im In- und Ausland gearbeitet und war dabei insbesondere in der angewandten und Industrie-nahen Forschung und Entwicklung tätig. Ihre Arbeiten umfassen dabei die Anwendung von mathematischen Modellen zur Rekonstruktion von Windfeldparametern genauso wie das Management von komplexen Datensätzen, die zudem oftmals Vertraulichkeitsvorgaben unterliegen. Einen Schwerpunkt ihrer Arbeiten bildet die Anwendung von Wind-Lidar-Messtechnologie, die in den vergangenen Jahren einen komplett neuen Zugang zur Beschreibung der für die Windenergienutzung relevanten Windfelder geliefert hat und gleichzeitig bzgl. des Umgangs mit den so gewonnenen Daten eine neue Herausforderung darstellt. Julia Gottschall vertritt das IWES zu diesen Themen in diversen internationalen Gremien (darunter IEC – International Electrotechnical Commission, IEA Wind TCP – International Energy Agency Wind Technology Collaboration Programme).

"Im Rahmen von Data Train möchten wir unsere Erfahrungen aus der angewandten Forschung und Arbeit mit vertraulichen Daten insbesondere im engen Austausch mit der Industrie teilen."

1. Starter Track: Managing confidential data

Dr. Nikolitsa Grigoropoulou

Nikolitsa Grigoropoulou ist Soziologin mit einem wissenschaftlichen Hintergrund in Sozialer Psychologie. Sie erlangte ihren Ph.D. in Soziologie an der University of North Texas in 2019, mit Unterstützung der Fulbright Foundation und dem Institute of International Education. Inhaltlich fokussiert sich ihre Forschung auf interreligiöse online Kommunikation,(ir)religiöse Minderheiten, Fremdenfeindlichkeit und soziale Ungleichheiten im Allgemeinen. Methodisch liegt ihre Expertise in quantitativen empirischen Methoden, Big-Data-Analytik und computergestützter Sozialwissenschaft, insbesondere im Bereich Textanalyse, wie Textklassifizierung, Themenmodellierung und Stimmungsanalyse. Am SOCIUM (Universität Bremen) arbeitet sie derzeit an dem Forschungsprojekt "Large-scale data and field research in the study of social networks", das quantitative und qualitative sozialwissenschaftliche Methoden mit Big Data verknüpft, um methodische Probleme mit Big Data zu lösen und damit die Forschungsergebnisse zu verbessern.

"Datenwissenschaftler und Sozialwissenschaftler haben nur wenige etablierte Kommunikationskanäle. Infolgedessen gibt es nur wenige Möglichkeiten der Zusammenarbeit und zum gegenseitigen, fruchtbaren Gedankenaustausch. Die computergestützte Sozialwissenschaft fungiert hierbei als Brücke zwischen den Bereichen. Ich halte es für notwendig, sie bei jungen Wissenschaftlern zu fördern."

 

1. Data Scientist Track: Computational social sciences

Dr. Antonie Haas

Antonie Haas ist Senior GIS Scientist.

Wissenschaftliche Daten- und Forschungsergebnisse sind oft nur für die spezifische wissenschaftliche Disziplin verständlich. Die Visualisierung von Daten übersetzt Zahlen in Symbole oder Grafiken und kann komplexe Zusammenhänge aufschlüsseln und für Nicht-Experten zugänglich machen.

"Die fortschreitende Verschiebung zu datengetriebener Wissenschaft erfordert nicht nur exzellente wissenschaftliche Expertise, sondern auch entsprechende Expertise im standardisierten managen von wissenschaftlichen Daten und dem Umgang und der Anwendung von Methoden zur Analyse von hohen Datenvolumina (z.B. Big Data). Die Vermittlung erforderlicher Fähigkeiten ist der Schlüssel zu exzellenter Forschung und hierauf fokussiert das U Bremen Research Alliance Trainings-Programm."

  1. Data Scientist Track: Visualization in science: Principles & critical reflections
  2. Data Scientist Track: Visual analytics using GIS

Dr. Jan-Ocko Heuer

Jan-Ocko Heuer ist Wissenschaftlicher Mitarbeiter (Post-Doc) des Forschungsdatenzentrum (FDZ) Qualiservice und SOCIUM Forschungszentrum Ungleichheit und Sozialpolitik der Universität Bremen.

Er ist Soziologe (Dipl-Soz.) und wurde 2014 an der Bremen International Graduate School of Social Sciences (BIGSSS) der Universität Bremen zum Doktor der Wirtschafts- und Sozialwissenschaften (Dr. rer. pol.) promoviert. Er hat als Post-Doc in verschiedenen internationalen Forschungsprojekten an der Universität Bremen und der Humboldt-Universität zu Berlin gearbeitet und zahlreiche Texte zu den Themen Sozialpolitik und Privatinsolvenzrecht publiziert. Seit 2018 arbeitet als Domain-Experte für Sozialwissenschaften am Forschungsdatenzentrum (FDZ) Qualiservice der Universität Bremen. Dort ist er zuständig für sämtliche Aspekte des Datenmanagements und der Datenkuration, gibt Workshops und lehrt zu den Themen Methoden empirischer Sozialforschung und Forschungsdatenmanagement. Seit Januar 2021 koordiniert er außerdem das Projekt „Generierung qualitativer Daten – FDM-Portfolio für die qualitative Sozialforschung“ als Teil des KonsortSWD innerhalb der Nationalen Forschungsdateninfrastruktur (NFDI).

"Ein gutes Verständnis von Forschungsdatenmanagement und Data Science ist heutzutage unabdingbar für Forschende in allen wissenschaftlichen Disziplinen. Ich möchte mit meinen Kenntnissen und Erfahrungen aus der Forschung und aus dem Management (qualitativer) sozialwissenschaftlicher Forschungsdaten dazu beitragen, dass junge Forschende hierzu eine gute Grundausbildung bekommen."

  1. Starter Track: Managing qualitative data
  2. Data Steward: Data preparation

Prof. Dr. Betina Hollstein

Betina Hollstein ist Professorin für Mikrosoziologie und Qualitative Methoden an der Universität Bremen. Sie leitet das Forschungsdatenzentrum QUALISERVICE an der Universität Bremen, das einzige nationale Forschungsdatenzentrum für themenungebundene qualitative Daten der empirischen Sozialforschung. Qualiservice ist angesiedelt am SOCIUM, dem Forschungszentrum für Ungleichheit und Sozialpolitik an der Universität Bremen. Als Vertreterin der Datenproduktion ist Betina Hollstein Mitglied im Rat für Sozial- und Wirtschaftsdaten (RatSWD), der die Bundesregierung und die Regierungen der Länder in Fragen der Erweiterung und Verbesserung der Forschungsdateninfrastruktur für die empirischen Sozial-, Verhaltens- und Wirtschaftswissenschaften berät. Sie ist Co-Sprecherin im Konsortium für die Sozial-, Bildungs-, Verhaltens- und Wirtschaftswissenschaften (KonsortSWD).

"Bei Data Train engagiere ich mich für eine starke, Methoden und Disziplinen übergreifende Zusammenarbeit im Forschungsdatenmanagement und den Data Sciences, mit besonderem Schwerpunkt auf sensiblen persönlichen Daten und Forschungsethik."

  1. Starter Track: Managing qualitative data
  2. Data Steward: Data preparation

Prof. Dr. Dieter Hutter

Dieter Hutter ist Stellvertretender Leiter des Forschungsbereichs Cyber-Physical Systems am Deutschen Forschungszentrum für Künstliche Intelligenz (DFKI) in Bremen und Honorarprofessor am Fachbereich 3 (Mathematik/Informatik) der Universität Bremen.

Er promovierte an der Universität Karlsruhe mit einer Arbeit über die Automatisierung von Induktionsbeweisen. Im Jahr 1991 wechselte er an die Universität des Saarlandes und kam 1993 an das Deutschen Forschungszentrum für Künstliche Intelligenz (DFKI). Dort leitete er verschiedene Projekte in den Bereichen Formale Methoden und Sicherheit. Nach seinem Umzug nach Bremen im Jahr 2008 ist Dieter Hutter heute stellvertretender Leiter des Fachbereichs Cyber-Physical-System am DFKI und Honorarprofessor an der Universität Bremen. Er war Mit-Initiator des DFG-Schwerpunktprogramms "Zuverlässig sichere Softwaresysteme" und Sprecher der GI-Fachgruppe " Formale Methoden und Software Engineering für sichere Systeme" in der Gesellschaft für Informatik. Er arbeitet in den Bereichen Sicherheit, formale Methoden. Insbesondere arbeitet er an Strukturierungsmittel für Informationsflusskontrolle, die den Nachweis der Sicherheit skalierbar machen.

"Grundlegende Kenntnisse in IT-Sicherheit und Datenschutz sind in den letzten Jahren zu einem unverzichtbaren Bestandteil einer Informatik-Ausbildung geworden. Dieser Kurs soll einen Einstieg in diese Domäne vermitteln."

  1. Starter Track: Cryptography basics
  2. Starter Track: Security & Privacy

Dr. James Imber

James Imber

James Imber ist wissenschaftlicher Mitarbeiter am Institut für Methodik der Fernerkundung am Deutschen Zentrum für Luft- und Raumfahrt im Team Synthetic Aperture Radar (SAR) Ozeanographie.

Seine Arbeit umfasst die Anwendung von Machine-Lerning Techniken zur Extraktion von Informationen aus SAR-Bildern der Meeresoberfläche. In der U Bremen Research Alliance möchte er durch die Kooperation aller Mitglieder das Thema und Qualifikationen in Forschungsdatenmanagement und Datenwissenschaften voranbringen. Ziel ist es, die bereits vorhandenen Kräfte zu bündeln um den Standort Bremen als eines der Exzellenzzentren im Forschungsdatenmanagement zu etablieren.

"Daten sind allgegenwärtig geworden und die Fähigkeit, mit Daten in verschiedenen Formen und Kontexten umzugehen, ist eine wertvolle Kompetenz für jede und jeden."

  1. Data Steward: Data preparation

Prof. Dr. Dennis-Kenji Kipker

Dennis-Kenji Kipker ist Wissenschaftlicher Geschäftsführer des Institut für Informations-, Gesundheits- und Medizinrecht (IGMR) der Universität Bremen und Mitglied des Vorstands der Europäische Akademie für Informationsfreiheit und Datenschutz (EAID) in Berlin.

Datensicherheit ist eine der zentralen Anforderungen und gleichzeitig Herausforderungen zum sicheren Umgang mit Forschungsdaten. In diesem Zusammenhang befasst sich mein Forschungsschwerpunkt mit den rechtlichen Vorgaben zur sicheren Datenhaltung, und entsprechend umzusetzenden Managementprinzipien.

"Mein Ziel ist die Schaffung eines höheren Datensicherheitsniveaus in Forschungszusammenhängen."

  1. Starter Track: Data protection and licenses

Prof. Dr. Kristina Klein

Promotion zum Dr. rer. pol (summa cum laude) an der Universität zu Köln (2012) Post-Doc/Habilitandin, Universität zu Köln seit 10/2018 W2 - Professorin für Marketing und Konsumentenverhalten, FB 7, Universität Bremen.

Meine Forschung ist empirisch-quantitativ ausgerichtet. d.h. in all meinen Projekten arbeite ich auf die ein oder andere Weise mit (Primär- oder Sekundär-)Daten.

  • Digitale Technologien zur Verbesserung des Kundenerlebnisses (Gamification)
  • Digitale Technologien zur Kundeninteraktion (Chatbotgestaltung, Voice- Applikationen)
  • Serious Games (im Employer Branding)
  • Influencer Marketing
  • Sensorisches Marketing und Emotionen
  • Brand Activism

"Mit Daten umzugehen, Daten selbst zu erheben und genau zu wissen, was man tut, ist die Grundvoraussetzung für Wissenschaft und Praxis in der Zukunft. Daher bin ich gerne bei „Data Train“, um Doktorandinnen und Doktoranden hier zu unterstützen."

  1. Data Steward Track: Data extraction from external online platforms using R

Dr. Nikolay Koldunov

Nikolay Koldunov ist Wissenschaftler am Alfred-Wegener-Institut.

Sein wissenschaftliches Interesse gilt der sehr hochauflösenden Ozean- und Klimamodellierung, dem Pre- und Post-Processing von großen Mengen geophysikalischer Daten sowie der nteraktiven Datenanalyse und -visualisierung.

"Datenkompetenz ist heutzutage für die meisten wissenschaftlichen Arbeiten notwendig, aber das ist nichts, was die meisten von uns an der Universität gelernt haben. Ich glaube, dass die neue Generation von WissenschaftlerInnen die Möglichkeit haben sollte, sich schnell und effizient Informationen über verschiedene Aspekte datenbezogener Themen anzueignen, auszuwählen, was für ihre Forschung nützlich ist, und auf dieser soliden Basis weitere Selbstbildung aufzubauen. Dies wird einerseits mehr Zeit für die Wissenschaft lassen und andererseits helfen, neue wissenschaftliche Richtungen zu eröffnen. Ich hoffe, dass meine Erfahrungen bei der Arbeit mit großen Datenmengen für andere nützlich sein werden, und ich werde diese Gelegenheit auch nutzen, um von anderen Dozenten und Studenten zu lernen."

  1. Data Steward Track: Getting started with Python
  2. Data Steward Track: Data preparation

Karl Kortum

Karl Kortum

Kontakt

karl.kortumprotect me ?!dlrprotect me ?!.de​​​​​​​

 

Karl Kortum ist Doktorand am DLR.

Die Entwicklung von autonomen Algorithmen zur Charakterisierung und Erkennung arktischen Meereises mittels sattelitengetragener Radarsysteme, sowie die Fusion von Daten verschiedener Messinstrumente zu rein datengetriebener Analyse und Extrapolation von Erkenntnissen von Bodeninstrumenten auf Satellitenradardaten.

"Daten, sowie enthaltene Informationen sind stark anwachsende Ressourcen in Zeiten schnellen gesellschaftlichen und ökologischen Wandels. Aufgrund der zunehmend wichtigen Handhabung und Nutzung dieser Ressourcen, ist die Investition in Forschende, die diese neuartigen Herausforderungen kennen und mit ihnen vertraut sind, besonders wichtig."

  1. Data Steward Track: Data preparation

Dr. Ivaylo Kostadinov

Ivaylo Kostadinov ist Technical Manager (NFDI4Biodiveristy Research Data Commons).

In den letzten sieben Jahren habe ich eine dienstorientierte Infrastruktur mitaufgebaut, die Forschende im Bereich Biodiversität und Ökologie dabei unterstützt ihre Forschungsdaten zu verwalten. Ich habe unter anderem ein einheitliches Datensubmission-System entwickelt, ein Helpdesk etabliert und koordiniert, selbst molekulare Datensätze kuratiert und bei der Erstellung von Datenmanagementplänen unterstützend mitgewirkt.

"Ich möchte die Sichtweise gegenüber Forschungsdatenmanagement verändern - von gefürchteter Notwendigkeit zu sinnvoller Alltagsaufgabe."

  1. Starter Track: Data and information management
  2. Data Steward: How to write a data management plan?

Jimena Linares

Jimena Linares

Jimena Linares arbeitet im Datenkuratierungsdienste im Einreichservice, Unterstützung im Forschungsdatenmanagement und Helpdesk und Benutzerbetreuung.

Daten haben ein enormes Potenzial, d. h. die von uns produzierten Daten können vielfältige Vorteile bieten und sollten geteilt werden. Wir müssen jedoch die Art und Weise überdenken, wie wir mit den von uns produzierten Daten interagieren, damit sie auf optimale Weise geteilt werden. Ich bin daran interessiert, 1) die Beziehung, die wir zu Daten haben, zu optimieren und 2) zu erforschen, wie man Daten so darstellen kann, dass sie für jeden FAIR werden.

"Meine Motivation ist es, die Bedeutung des Forschungsdatenmanagements in jeder Disziplin hervorzuheben, und zwar unabhängig von der akademischen Stufe oder der beruflichen Position."

  1. Data Steward: How to write a data management plan?

Prof. Dr. Sebastian Maneth

Sebastian Maneth ist Heisenberg Professor and der Universität Bremen.

Sebastian Maneths Forschungsschwerpunkt liegen in der effizienten Speicherung und Abfrage von Semi-Strukturierten Daten. Er entwickelt unter anderem neuartige Komprimierungsverfahren für Graph-strukturierte Daten und Methoden um Abfragen direkt auf Komprimaten ablaufen zu lassen. Seit neuem forscht er auch an der Analyse von Eye Tracking Daten mit Hilfe von Verfahren des maschinellen Lernens, z.B. zur Anwendung als biometrische Verfahren.

"Um interessierte Studenten zu treffen und sie über faszinierende Themen im Zusammenhang mit relationalen Datenbankmanagementsystemen und Datenbankabfragesprachen zu unterrichten."

  1. Data Steward Track: Data base skills

Prof. Dr. Iris Pigeot

Prof. Dr. Iris Pigeot ist seit März 2004 Direktorin des heutigen Leibniz-Instituts für Präventionsforschung und Epidemiologie – BIPS und leitet seit 2001 die Abteilung Biometrie und EDV des Instituts. Darüber hinaus ist sie seit 2001 Professorin für Statistik mit dem Schwerpunkt Biometrie und Methoden der Epidemiologie an der Universität Bremen. Seit 2019 ist Iris Pigeot zusammen mit Bernd Scholz-Reiter, Rektor der Universität Bremen, Vorsitzende der U Bremen Research Alliance und initiierte 2019 in dieser Funktion die interdisziplinäre Graduiertenausbildung „Data Train“ im Bereich „Forschungsdaten-management und Data Science“, um den zukünftigen Bedürfnissen und Nachfragen in diesem Bereich auf Promovierendenebene frühzeitig zu begegnen.

Die Graduiertenausbildung wird von Iris Pigeot zusammen mit Frank Oliver Glöckner und Rolf Drechsler geleitet. Als stellvertretende Leiterin des Konsortiums zum Aufbau einer Nationalen Forschungsdateninfrastruktur für personenbezogene Gesundheitsdaten (NFDI4Health) stellt sie einen direkten Link zu dieser Initiative von Bund und Ländern her und unterstützt damit die Umsetzung deutschlandweit einheitlicher Standards im Bereich personenbezogener Gesundheitsdaten.

  1. Starter Track: Statistical thinking

Prof. Dr. Dr. Norman Sieroka

Norman Sieroka ist Professor für Theoretische Philosophie an der Universität Bremen. Er ist Mitglied des Direktoriums des Turing Centers Zürich und des Governance Board der ETH-Initiative "Rethink" (rethinking design with artificial intelligence). Er studierte Philosophie, Physik und Mathematik in Heidelberg und Cambridge. Ein besonderes Merkmal seiner Arbeitsgruppe ist, dass alle Mitglieder einen Hintergrund in mehr als einer akademischen Disziplin haben. Die Gruppe forscht zu der Frage, "wie Wissenschaften funktionieren" und welche Werte dabei verfolgt werden. Ein besonderer Fokus liegt auf der Rolle von Daten und künstlicher Intelligenz in verschiedenen Disziplinen (wie der Physik und den pharmazeutischen Wissenschaften) und verschiedenen Forschungskontexten (wie der Theorieentwicklung, der Genese von Hypothesen und der Problemlösung).

"Norman Sieroka ist in der Nähe von Bremen geboren und aufgewachsen und freut sich sehr, an Bord der U Bremen Research Alliance zu sein and to make the region a haven for deliberate data science."

  1. Starter Track: Philosophical reflections on data science

Dr. Brenner Silva

Brenner Silva ist Softwareingenieur und wissenschaftlicher Mitarbeiter am Alfred-Wegener-Institut, Bremerhaven. Er ist am Alfred-Wegener-Institut tätig und im Rahmen des Projekts „Digital Earth“ nimmt er an der Entwicklung des O2A-Frameworks teil. O2A steht für „Observation to Archive and Analysis“. Brenner Silva ist ein Datenwissenschaftler und ist für die Erarbeitung von Datenworkflows und für die Entwicklung von Anwendungen am Daten- und Metadatenmanagement zuständig, insbesondere für die Datenharmonisierung und Qualitätskontrolle. Von der wissenschaftlichen Instrumentierung bis hin zur Auswertung der Daten interessiert er sich für den Aufbau einer Forschungsdateninfrastruktur, die für Effizienz und Nachhaltigkeit steht. Brenner Silva hat Erfahrung in Datenerhebung und in der Methodenentwicklung zwecks Datenverarbeitung und Management. Besonders im Bereich Erde und Umwelt interessiert er sich fürs Nahe-Echtzeit Monitoring und für die Verarbeitung von zeitlichen und räumlichen Daten, wie auch für die Erarbeitung von analytischen Workflows und für die Integration von Datendiensten.

"Das Datensystem erfordert im Wesentlichen den Menschen und die Digitalisierung ist ein gedankengesteuerter Prozess. Mit dem Data Train möchte ich dazu beitragen, vorhandene Technologien bei der Datenbereitstellung besser zu verstehen und besser zu nutzen."

  1. Data Steward Track: Data provisioning

Björn Tings

Björn Tings absolvierte sein Bachelorstudium in Scientific Programming und seine gleichzeitige Ausbildung zum Mathematisch-technischen Softwareentwickler im Jahr 2010 an der RWTH Aachen. Im Jahr 2013 erhielt er seinen Master-Abschluss in Künstlicher Intelligenz an der Universität Maastricht.
Seit 2013 ist er als wissenschaftlicher Mitarbeiter im Team Synthetic Aperture Radar (SAR) Ozeanographie am Institut für Methodik der Fernerkundung des Deutschen Zentrums für Luft- und Raumfahrt (DLR) in Bremen beschäftigt. Er ist verantwortlich für die Integration der Forschungs- und Entwicklungsarbeiten des Teams in eine operationelle Prototyp-Software zur robusten und schnellen Verarbeitung von SAR Daten.
Seine Forschung umfasst die automatische Erkennung und Klassifizierung von Schiffssignaturen auf der Grundlage von SAR-Bildern. Als Doktorand an der Helmut-Schmidt-Universität, Hamburg, beschäftigt er sich außerdem mit der automatischen Erkennung von Bug- und Heckwellensignaturen von fahrenden Schiffen.

"Ich möchte meine Erfahrung und Expertise im Bereich der Künstlichen Intelligent im Rahmen von Data Train zur Verfügung stellen."

  1. Starter Track: Data science and big data
  2. Data Steward Track: Data preparation

Prof. Dr. Hans-Christian Waldmann

Hans-Christian Waldmann ist Professor für Theoretische Psychology und Psychometrie am FB 11 der Universität Bremen.

(a) Fortgeschrittene statistische Normierungsverfahren in psychologischen Tests, SAS-Analyse-Makro/Batch-Automatisierung, Datenbankdesign für Studien im Gesundheitswesen, Datendokumentation, präanalytische Datenverarbeitung und deren Einfluss auf die Ergebnisse, 

(b) Wissenschaftsphilosophie (insbesondere: die qualitativen Aspekte quantitativer Daten, Konzepte der Wahrscheinlichkeit, Paradigmen in Wissenschaft und Statistik)

"25 Jahre im statistischen Beratungsgeschäft haben mich Folgendes gelehrt: Vorbeugung ist besser als Rehabilitation. Die meisten Projekte, die schief gingen, geschahen nicht aufgrund von Fehlern in der Datenanalyse oder mangelnden Programmierkenntnissen, sondern, abgesehen von schlechtem Projektmanagement, aus Gründen eines nachlässigen Umgangs mit den Daten vor der statistischen Modellierung und, was am wichtigsten ist, dem Ziehen ungerechtfertigter Schlüsse aus den Daten. Die Bedeutung ist den Daten nicht inhärent, sie wird ihnen von den Forschern beigefügt, und um es "richtig" zu machen, muss man sich der Muster bewusst sein, die hinter "es falsch machen" stehen."

  1. Starter Track: About the meaningfulness of data

Tanja Weibulat

Meine wissenschaftlichen Interessensgebiete sind Biodiversitätsinformatik, Datenbankmanagement, wissenschaftliche Datenkuration und Projektmanagement. Die bedeutende Rolle, die wissenschaftliches Datenmanagement zunehmend einnimmt, konnte ich in den letzten 13 Jahren bei meiner Arbeit mit Wissenschaftlern und Sammlungskuratoren im Bereich der Biologie beobachten und begleiten. Durch Unterstützungs- und Fortbildungsangebote bei der Arbeit mit der Datenmanagementsoftware Diversity Workbench sowie dem gemeinsamen Aufbau von Arbeits- und Datenflüssen entlang des Datenlebenszyklus im Infrastrukturprojekt „German Federation for Biological Data“ (GFBio) konnte ich dazu beitragen, dass Daten nach den FAIR-Prinzipien behandelt und zur Nachnutzung zur Verfügung gestellt werden.

"Die Bedeutung von Forschungsdatenmanagement nimmt in allen wissenschaftlichen Disziplinen weiter zu. Ich möchte die Wichtigkeit und den Nutzen vermitteln, um eine momentan noch oft von außen vorgegebene Pflichtaufgabe in eine intrinsisch motivierte und wertgeschätzte Tätigkeit zu verwandeln."

  1. Data Steward Track: How to write a Data Management Plan?

Dr. Max Westphal

Max Westphal ist Postdoc für Data Science & Biostatistik am Fraunhofer-Institut für Digitale Medizin MEVIS in Bremen. Zuvor promovierte er im Jahr 2019 an der Universität Bremen im DFG-geförderten Graduiertenkolleg π³ zum Thema „Model Selection and Evaluation in Supervised Machine Learning“. Seine Forschung befasst sich mit Diagnose- und Prognosefragestellungen und schwerpunktmäßig mit der Evaluation von medizinischen Tests und KI-basierten Vorhersagemodellen. Am Fraunhofer MEVIS entwickelt er zudem statistische und prädiktive Modelle in verschiedenen angewandten Forschungsprojekten, unter anderem mit dem Ziel innovative klinische Entscheidungsunterstützungssysteme zu ermöglichen.

"Ich freue mich zum interdisziplinärem Data Train Programm beitragen zu können, das einen maßgeblichen Beitrag dabei leisten wird die vielfältigen Data Science-Konzepte zu verbinden und zu vermitteln."

1. Data Scientist Track: Evaluating ML/AI algorithms

Prof. Dr. Marvin N. Wright

Marvin, Informatik-Ingenieur und Biostatistiker, ist Leiter einer von der Deutschen Forschungsgemeinschaft geförderten Emmy Noether-Nachwuchsgruppe zu interpretierbarem maschinellem Lernen am Leibniz-Institut für Präventionsforschung und Epidemiologie - BIPS in Bremen, Deutschland. Seit Februar 2021 ist er außerdem Professor für Maschinelles Lernen in der Statistik an der Universität Bremen. Er hat einen Forschungsschwerpunkt auf statistischem Lernen und interpretierbarem maschinellem Lernen und interessiert sich für epidemiologische Anwendungen auf hochdimensionale genetische Daten und longitudinale Registerdaten. Marvin ist Autor mehrerer R-Pakete für maschinelles Lernen, z.B. für Random Forests und neuronale Netze. Er hat mehrere Kurse zum maschinellen Lernen auf internationalen Konferenzen und an internationalen Universitäten gehalten.

"Das Verständnis der grundlegenden Prinzipien des maschinellen Lernens ist der Schlüssel zur erfolgreichen Anwendung in der Praxis. Deshalb möchte ich maschinelles Lernen über Buzzword-Bingo hinaus unterrichten."

1. Data Scientist Track: Machine learning