Feierlicher Auftakt des Graduierteninstituts NRW – Institut unterstützt kooperative Promotionen zwischen Universitäten und Fachhochschulen

Vorstellung der Fachgruppe Digitalisierung

Vorstellung der Fachgruppe “Digitalisierung”, der auch der von Prof. Bartz-Beielstein geleitete Forschungsschwerpunkt “CI plus” der TH Köln angehört. Im Vordergrund die Professoren Witte und Herpers. Foto: Bartz-Beielstein

Der Informationsdienst Wissenschaft (idw) hat folgende Mitteilung veröffentlicht:
“Zu einem feierlichen Auftakt des neu gegründeten Graduierteninstituts für angewandte Forschung der Fachhochschulen in NRW (GI NRW) hatten der Instituts-Vorstand und NRW-Wissenschaftsministerin Svenja Schulze am 15.06.16 in das Zeughaus Neuss eingeladen. Der Einladung folgten rund 120 Gäste vor allem aus Wissenschaft und Politik.” Weitere Informationen sind unter https://idw-online.de/de/news654554 zu finden.

Call for Papers: IEEE SSCI 2016

The 2016 IEEE Symposium Series on Computational Intelligence (IEEE SSCI 2016) , December 6-9, 2016, Athens, Greece
http://ssci2016.cs.surrey.ac.uk/
The 2016 IEEE Symposium Series on Computational Intelligence (IEEE SSCI 2016) will be held in Athens, Greece onDecember 6-9, 2016. SSCI is a flagship annual international conference on computational intelligence sponsored by the IEEE Computational Intelligence Society. All accepted paper will appear in IEEE Xplore Digital Library and indexed by EI, SCOPUS etc. Continue reading

Doktortitel an der FH – “Was wir hier machen, könnte Modellcharakter haben”

Aus der ARD Mediathek:
“Bislang haben Studierende an Fachhochschulen nur eingeschränkte Möglichkeiten, einen Doktortitel zu erwerben. Ein neues Graduierteninstitut möchte das zumindest für Nordrhein-Westfalen ändern. ” Martin Sternberg im Gespräch mit Kate Maleike www.deutschlandfunk.de, Campus & Karriere. Direkter Link zur Audiodatei http://podcast-mp3.dradio.de/podcast/2016/06/15/dlf_interview_prof_martin_sternberg_zu_start_20160615_1436_e7615905.mp3

Quelle: http://www.ardmediathek.de/radio/Campus-Karriere-Deutschlandfunk/Interview-Prof-Martin-Sternberg-zu-Star/Deutschlandfunk/Audio-Podcast?bcastId=21601056&documentId=35999026

2nd Combinatorial Black-Box Optimization Competition (CBBOC)

July 20-24, 2016 @ GECCO 2016 in Denver, Colorado, U.S.A.

http://web.mst.edu/~tauritzd/CBBOC/GECCO2016/

*** SUBMISSIONS DUE 15 25 JUNE 2016 ***

CBBOC is designed to provide the GECCO community with detailed performance comparisons of a wide variety of meta-heuristics and hyper-heuristics on combinatorial problems, where the real-world problems which induce combinatorial problems have been categorized into those with no training time (good fit for parameter-less algorithms), those with short training time (good fit for typical evolutionary algorithms), and those with long training time (good fit for hyper-heuristics). Continue reading

Eröffnung des Graduierteninstituts NRW (Pressemitteilung auf dem Landesportal NRW)

 

Auf dem Landesportal NRW ist folgende Meldung zu finden:
“Kooperative Promotion: Ministerin Schulze gratuliert zur Eröffnung des Graduierteninstituts der Fachhochschulen

Nach der Gründung im Dezember 2015 wird das Graduierteninstitut NRW (GI NRW) nun feierlich eröffnet. Das Institut ist eine gemeinsame wissenschaftliche Einrichtung der Fachhochschulen zur Förderung kooperativer Promotionen zwischen Universitäten und Fachhochschulen. Continue reading

Free Preprint: Stacked Generalization of Surrogate Models – A Practical Approach

bart16jCover
This report presents a practical approach to stacked generalization in surrogate model based optimization. It exemplifies the integration of stacking methods into the surrogate model building process.
First, a brief overview of the current state in surrogate model based optimization is presented. Stacked generalization is introduced as a promising ensemble surrogate modeling approach. Then two examples (the first is based on a real world application and the second on a set of artificial test functions) are presented. These examples clearly illustrate two properties of stacked generalization:
(i) combining information from two poor performing models can result in a good performing model and
(ii) even if the ensemble contains a good performing model, combining its information with information from poor performing models results in a relatively small performance decrease only.
The paper can be downloaded from https://cos.bibl.th-koeln.de/frontdoor/index/index/docId/375