Jakob Bach, M.Sc.

Jakob Bach, M.Sc.

Allgemeines

Ich war wissenschaftlicher Mitarbeiter und bin aktuell noch Doktorand im Bereich Data Science. Konkret beschäftige ich mich im Rahmen meiner Promotion mit der Merkmalsauswahl (Feature Selection) unter Nebenbedingungen (Constraints). Solche Nebenbedingungen können helfen, Merkmale nicht nur anhand ihrer Vorhersagequalität auszuwählen, sondern auch weitere Aspekte wie Domänenwissen oder Interpretierbarkeit zu berücksichtigen und dadurch die Merkmalsauswahl Nutzer-zentrierter zu machen.

Weiterhin hatte ich Kooperationen mit anderen Forschenden im Bereich Data Science und in Anwendungsfeldern wie Materialwissenschaften, Prozessverifikation und SAT-Solving. Für viele meiner Forschungs- und Lehraktivitäten habe ich GitHub-Projekte erstellt, die den Code und teils noch weitere Materialien enthalten. Für vier meiner Forschungsprojekte habe ich außerdem Python-Pakete auf PyPI veröffentlicht:

  • alfese: Alternative feature selection - Find multiple feature sets (sequentially or simultaneously) that optimize feature-set quality while being sufficiently dissimilar to each other. Version 1.0.0 of the package supports five feature-selection methods.

  • cffs: Constrained (filter) feature selection - Optimize a linear feature-set quality function (univariate filter approach) while considering user constraints formulated in propositional logic and linear arithmetic.

  • csd: Constrained subgroup discovery - Subgroup discovery (1) without constraints, (2) with a limited number of features in the subgroup description, and (3) for finding alternative subgroup descriptions. Version 1.0.0 of the package supports seven subgroup-discovery methods.

  • kpsearch: K-portfolio search - Given the runtimes of multiple algorithms on multiple problem instances, find a subset (with predefined size k) of algorithms which is overall fastest if all algorithms are run in parallel  on each instance (or, equivalently, if you have an oracle that always chooses the fastest solver per instance). Version 1.0.0 of the package currently supports seven portfolio-search methods.

Meine Publikationen und die zugehörigen Experimentaldaten sind im Folgenden gelistet.

Publikationen


Experimental Data for the Dissertation "Leveraging Constraints for User-Centric Feature Selection"
Bach, J.
2024, November 8. doi:10.35097/4kjyeg0z2bxmr6eh
Quantifying Domain-Application Knowledge Mismatch in Ontology-Guided Machine Learning
Bielski, P.; Witterauf, L.; Jendral, S.; Mikut, R.; Bach, J.
2024. Proceedings of the 16th International Joint Conference on Knowledge Discovery, Knowledge Engineering and Knowledge Management. Ed.: D. Aveiro. Vol. 2, 216–226, SciTePress. doi:10.5220/0013065900003838
Using Constraints to Discover Sparse and Alternative Subgroup Descriptions
Bach, J.
2024. arxiv. doi:10.48550/arXiv.2406.01411
Experimental Data for the Paper "Using Constraints to Discover Sparse and Alternative Subgroup Descriptions"
Bach, J.
2024, Juni 3. doi:10.35097/caKKJCtoKqgxyvqG
Knowledge-Guided Learning of Temporal Dynamics and its Application to Gas Turbines
Bielski, P.; Eismont, A.; Bach, J.; Leiser, F.; Kottonau, D.; Böhm, K.
2024. 15th ACM International Conference on Future and Sustainable Energy Systems, Singapur, 4th-7th June 2024, 279–290, Association for Computing Machinery (ACM). doi:10.1145/3632775.3661967
Experimental Data for the Paper "Alternative feature selection with user control"
Bach, J.
2024, März 21. doi:10.35097/1975
Experimental Data for the Paper "Finding Optimal Diverse Feature Sets with Alternative Feature Selection" (Version 2)
Bach, J.
2024, Februar 13. doi:10.35097/1920
Alternative feature selection with user control
Bach, J.; Böhm, K.
2024. International Journal of Data Science and Analytics. doi:10.1007/s41060-024-00527-8
Finding Optimal Diverse Feature Sets with Alternative Feature Selection
Bach, J.
2023. arxiv. doi:10.48550/arXiv.2307.11607
Experimental Data for the Paper "Finding Optimal Diverse Feature Sets with Alternative Feature Selection"
Bach, J.
2023, Juli 13. doi:10.35097/1623
Active Learning for SAT Solver Benchmarking
Fuchs, T.; Bach, J.; Iser, M.
2023. Tools and Algorithms for the Construction and Analysis of Systems. Ed.: S. Sankaranarayanan. Pt. 1, 407–425, Springer Nature Switzerland. doi:10.1007/978-3-031-30823-9_21
Leveraging Constraints for User-Centric Selection of Predictive Features
Bach, J.
2022, Oktober 6. AI Hub @ Karlsruhe (2022), Karlsruhe, Deutschland, 5.–7. Oktober 2022
An Empirical Evaluation of Constrained Feature Selection
Bach, J.; Zoller, K.; Trittenbach, H.; Schulz, K.; Böhm, K.
2022. SN Computer Science, 3 (6), Art.-Nr.: 445. doi:10.1007/s42979-022-01338-z
Presentation for the Paper "A Comprehensive Study of k-Portfolios of Recent SAT Solvers"
Bach, J.
2022, August 2. 25th International Conference on Theory and Applications of Satisfiability Testing (SAT 2022), Haifa, Israel, 2.–5. August 2022
A Comprehensive Study of k-Portfolios of Recent SAT Solvers
Bach, J.; Iser, M.; Böhm, K.
2022. 25th International Conference on Theory and Applications of Satisfiability Testing (SAT 2022). Hrsg.: Kuldeep S. Meel, 2:1–2:18, Schloss Dagstuhl - Leibniz-Zentrum für Informatik (LZI). doi:10.4230/LIPIcs.SAT.2022.2
Experimental Data for the Paper ’’An Empirical Evaluation of Constrained Feature Selection"
Bach, J.; Zoller, K.; Schulz, K.
2022, Juli 26. doi:10.5445/IR/1000148891
Experimental Data for the Paper "A Comprehensive Study of k-Portfolios of Recent SAT Solvers"
Bach, J.; Iser, M.
2022, Mai 30. doi:10.5445/IR/1000146629
Experimental data for the paper "Analyzing and Predicting Verification of Data-Aware Process Models -- a Case Study with Spectrum Auctions"
Ordoni, E.; Bach, J.; Fleck, A.-K.
2022, Februar 14. doi:10.5445/IR/1000142949
Analyzing and Predicting Verification of Data-Aware Process Models – a Case Study with Spectrum Auctions
Ordoni, E.; Bach, J.; Fleck, A.
2022. IEEE Access, 10, 31699–31713. doi:10.1109/ACCESS.2022.3154445
Data-driven exploration and continuum modeling of dislocation networks
Sudmanns, M.; Bach, J.; Weygand, D.; Schulz, K.
2020. Modelling and simulation in materials science and engineering, 28 (6), Art. Nr.: 065001. doi:10.1088/1361-651X/ab97ef
Understanding the effects of temporal energy-data aggregation on clustering quality
Trittenbach, H.; Bach, J.; Böhm, K.
2019. Information technology, 61 (2-3), 111–123. doi:10.1515/itit-2019-0014
On the tradeoff between energy data aggregation and clustering quality
Trittenbach, H.; Bach, J.; Böhm, K.
2018. 9th ACM International Conference on Future Energy Systems, e-Energy 2018; Karlsruhe; Germany; 12 June 2018 through 15 June 2018, 399–401, Association for Computing Machinery (ACM). doi:10.1145/3208903.3212038

Lehre

Ich war dreimal Übungsleiter für die Veranstaltung "Data Science 1" (alter Name: "Analysetechniken für große Datenbestände") und fünfmal Leiter des Praktikums "Praktikum Data Science" (alter Name: "Praktikum: Analyse großer Datenbestände). Die Übung für "Data Science 1" gestaltete ich dabei im Rahmen des "Baden-Württemberg-Zertifikats für Hochschuldidaktik" grundlegend um. Weiterhin betreute ich je ein Projekt im Rahmen der Veranstaltungen "Praxis der Softwareentwicklung" (Thema: "CS:Select - Ein Spiel zur Merkmalsauswahl im maschinellen Lernen") und "Praxis der Forschung" (Thema: "Automating SAT Solver Research"). Außerdem betreute ich drei Seminar-, sieben Bachelor- und drei Masterarbeiten.