Dr. Pegah Golchian

-Entwicklung neuer Methoden des maschinellen Lernens, insbesondere Methoden des generativen Lerners, Methoden zur Erklärbarkeit sowie zur Imputation von fehlenden Werten -Anwendung dieser Methoden auf medizinische und epidemiologische Daten -Datenaufbereitung und -analyse in der Programmiersprache R -Veröffentlichung von Forschungsergebnissen in peer-reviewed internationalen Fachzeitschriften Vorträge auf wissenschaftlichen Konferenzen (Best Talk Award 2024) -Durchführung von Übungen zu Vorlesungen an

Forschungsaufenthalt mit Vortrag und wissenschaftlichem Austausch

Lehre der Erstsemester-Studenten für den Übergang von Schul- zur Uni-Mathematik.

- Entwicklung von Methoden zur numerischen Simulation und Optimierung additiver Fertigungsprozesse in C# - Automatisierung der Ausrichtung von Zahnmodellen, Verfeinerung von STL-Triangulierungen und Platzierung von Stützstrukturen - Reduzierung von Bauteilverzug und Fertigungszeit durch algorithmische Optimierung

Tutorin für Brückenkurs Mathematik: Betreuung Erstsemester-Studenten

Vorbereitung von Aufwärm- und Krafttraining, sowie Hip Hop Tanz Choreografie.

"Missing Data in Machine Learning: Tree-based generative imputation, uncertainty in explanation and data augmentation in healthcare application" Paper: 1) Missing Value Imputation With Adversarial Random Forests—MissARF 2) Imputation uncertainty in interpretable machine learning methods 3) Improving post-operative discharge destination prediction of geriatric patients with generative data augmentation https://scholar.google.com/citations?user=FXLzoGQAAAAJ&hl=de

-Masterarbeit: "Ein anderer Ansatz des Deep Image Prior's (DIP) auf CT-Bildern." Ziel ist es, CT-Bilder mit dem DIP Ansatz zu entrauschen. Im Gegensatz zu den klassischen Vorgehensweisen wird hier unüberwacht gelernt und das Netzwerk bekommt nur ein Bild zum Trainieren. Hauptresultat: Das Aufnehmen des Rauschens in die Verlustfunktion sorgt für mehr Stabilität im Training. (PyTorch, Python, Jupyter Notebook, Spyder) - Schwerpunkte: Deep Learning, Optimierung, Partielle Differentialgleichung

Kennenlernen von anderen Lehrformaten und Kulturen. Erlernen der Sprache Portugiesisch.

Kennenlernen von anderen Lehrformaten und Kulturen. Stärkung meiner Englischkenntnisse.

- Erste Erfahrung mit Machine Learning durch Bachelorarbeit "Klaviertonhöhenerkennung mit Convolutional Neural Networks (CNN)". Mit TensorFlow habe ich auf Audiorohdaten ein CNN trainiert, welches erfolgreich acht Grundtöne auf einem Klavier klassifizieren konnte. - Grundstudium Mathematik und Elektrotechnik, Grundkenntnisse im Programmieren. - Schwerpunkte: Analysis, Numerik.