Forschung

Probabilistische (Bayesianische) Ansätze in der Statistik und im maschinellen Lernen sind in den letzten Jahren aufgrund neuer Entwicklungen in probabilistischen Programmiersprachen und zugehörigen Lernalgorithmen sowie einer stetigen Zunahme der allgemeinen Rechenleistung immer beliebter geworden.

Probabilistische Programmiersprachen machen es einfacher, Bayesianische Modelle zu spezifizieren und anzupassen, aber das lässt noch immer viele Möglichkeiten, diese Modelle zu konstruieren, zu bewerten und zu verwenden, mitsamt den vielen verbleibenden Herausforderungen bei der Berechnung.

Unser übergeordnetes wissenschaftliches Ziel für die kommenden Jahre ist die Entwicklung eines prinzipiengeleiteten "Basian Workflow" für die Datenanalyse, der den gesamten wissenschaftlichen Prozess vom Studiendesign, der Datenerfassung und -bereinigung über die Modellerstellung, -kalibrierung, -anpassung und -bewertung bis hin zur Nachbearbeitung und statistischen Entscheidungsfindung umfasst.

Daher arbeiten wir an einem breiten Spektrum von Forschungsthemen im Zusammenhang mit der Entwicklung, Bewertung, Implementierung oder Anwendung von Bayesianischen Methoden.