Mandy Lange-Geisler

Über

mich

Mathematik ist für viele Menschen eine höhere Kunst, eine Qual oder ein Rätsel. Für mich ist Mathematik vor allem eines: faszinierend. Es ist eine Kunst, Definitionen und Aussagen klar zu formulieren. Als Mathematiker:in versucht man, Beweise und Lösungen so zu perfektionieren, bis eine völlig makellose Schönheit entsteht. Seit 2019 bin ich promovierte Mathematikerin im Anwendungsbereich des Maschinellen Lernens und versuche meine Begeisterung für die Mathematik seit 2014 in der Lehre an die Studierenden der Hochschule Mittweida weiterzugeben.

Kontaktdaten

Berufliches Profil

Was werden die Studierenden von mir haben?

In meinen mathematischen Lehrveranstaltungen geht es mir nicht darum, das Rechnen zu verbessern. Vielmehr möchte ich bei den Studierenden etwas Begeisterung für die Mathematik entfachen. Vielen Menschen ist nicht bewusst, dass uns die Mathematik im täglichen Leben umgibt. Mathematik ist eine anwendungsbezogene Wissenschaft. Die meisten technischen Produkte würden ohne Mathematik nicht existieren. Meine Lehrveranstaltungen ergänze ich gerne mit praxisnahen und leicht verständlichen Beispielen. Dies soll zeigen, dass die Mathematik nicht nur etwas Abstraktes ist, sondern durchaus greifbar. Sollte dadurch ein kleiner Funke überspringen, habe ich schon etwas erreicht.

Warum geht das nur an der Hochschule Mittweida?

Derzeitig bieten wir an der Hochschule Mittweida, als einzige Hochschule in Sachsen, einen Mathematikstudiengang mit einem Forschungsschwerpunkt in KI an. Darüber hinaus gibt es viele Kooperationen mit anderen Instituten, die eine Anwendung von KI in verschiedensten Gebieten fokussieren. Die Hochschule Mittweida kann zudem ein breites Spektrum an mathematischen Modulen vorweisen, die in verschiedenen Studiengängen zur Anwendung kommen. Die enge Verknüpfung von Lehre und angewandter Forschung ist besonders attraktiv für die Studierenden. Damit ist für mich die Hochschule Mittweida eine besonders ansprechende Umgebung für Lehre und Forschung.

Meine Agenda und was ich mir wünsche

In den nächsten Jahren strebe ich an, meine Tätigkeit in Lehre und Forschung fortzusetzen und dabei neue und vertiefte Einblicke in die Anwendungsfelder zu gewinnen. Diese Erkenntnisse sollen künftig in meine Lehrveranstaltungen einfließen. Gleichzeitig freue ich mich darauf, mehr über die Forschungsfelder der anderen Teammitglieder zu erfahren. Es ist mir ein wichtiges Anliegen, einen positiven Beitrag zum NextGen-Team zu leisten.

Mentor

Prof. Dr. rer. nat. habil. Thomas Villmann

Professor für Computational Intelligence und Techno-Mathematik

Jahrgang 1970

Berufsausbildung zum Maschinenbauer mit Abitur;
Studium Dipl. Ing. Maschinenbau und anschließend wissenschaftlicher Mitarbeiter an der TU Chemnitz Professur Getriebelehre,
Promotion zum Dr.-Ing. an der TUC;
Oberingenieur an der Professur Mechatronische Antriebstechnik;
Berechnungsingenieur in einer Firma für Handhabungs- und Antriebstechnik;
Professur für Maschinenelemente an der HSMW;
Studiendekan für den Diplomstudium Maschinenbau;
Dekan an der Fakultät INW,
Forschungsprojekte im Bereich 3D-Druck;
Projektleiter für das Studium des technischen Lehramts an der HSMW

Technisches Grundlagenwissen gepaart mit Software Know-how sind Schlüsselkompetenzen von zukünftigen Ingenieur:innen.

Profilseite Mentor:in

Dr.

Mandy Lange-Geisler

Akademische Assistentin

Fakultät Angewandte Computer- und Biowissenschaften

Methoden des Maschinellen Lernens und Computational Intelligence

mlange1@hs-mittweida.de

+49 3727 58 1467

Haus 6, Raum 6-126

Am Schwanenteich 4b

09648 Mittweida

Deutschland

Beruflicher Weg

Studium und Ausbildung

Arbeitsschwerpunkte

Methoden des Maschinellen Lernens (unsupervised and supervised learning)

Computational Intelligence

Datenanalyse

Publikationen / Scientific Output (Auswahl)

Mandy Lange-Geisler, „Hebbian learning approaches based on general inner products and distance measures in non-Euclidean spaces“, phd thesis, 2019.

A. Villmann, M. Lange-Geisler, T.Villmann, "About Semi-Inner Products for p-QR-Matrix Norms", Machine Learning Reports, MLR-03-2018 (2018).

A. Bohnsack, K. Domaschke, M. Kaden, M. Lange and T. Villmann, "Learning Matrix Quantization and Relevance Learning Based on Schatten-p-norms", Neurocomputing 192 (2016), pp. 104-114.

K. Domaschke, M. Kaden, M. Lange, T. Villmann, "Learning Matrix Quantization and Variants of Relevance Learning", in M. Verleysen, ed., Proc. Of European Symposium on Artificial Neural Networks, Computational Intelligence and Machine Learning (ESANN’2015), pp. 13-18, Louvain-La-Neuve, Belgium (2015).

A. Bohnsack, K. Domaschke, M. Kaden, M. Lange and T. Villmann, "Mathematical Characterization of Sophisticated Variants for Relevance Learning in Learning Matrix Quantization Based on Schatten-p-norms", Lecture Notes in Artificial Intelligence (Subseries of Lecture Notes in Computer Science) (2015), pp. 403-414.

T. Villmann and M. Lange, "A comment on the functional LTSp -Measure Regarding the norm properties", TechReport, 2015.

M. Lange and M. Biehl and T. Villmann, "Non-Euclidean Principal Component Analysis by Hebbian Learning", Neurocomputing 147 (2015), pp. 107-119.

M. Lange, D. Nebel and T. Villmann, "Non-Euclidean Principal Component Analysis for Matrices by Hebbian Learning", in L. Rutkowski, M. Korytkowski, R. Scherer, R. Tadeusiewicz, L.A. Zadeh and J.M. Zurada, ed., Artificial Intelligence and Soft Computing - Proc. the International Conference ICAISC vol. 8467, (Zakopane: Springer, 2014), pp. 77-88.

M. Lange, D. Zühlke, O. Holz, T. Villmann, "Applications of lp-norms and their Smooth Approximations for Gradient Based Learning Vector Quantization", in M. Verleysen, ed., Proc. of European Symposium on Artificial Neural Networks, Computational Intelligence and Machine Learning (ESANN’2014),pp. 271-276.

M. Lange and T. Villmann, “Partial mutual information for vector quantization”, In T. Villmann, F.-M. Schleif, M. Kaden, and M. Lange, editors, Advances in Self-Organizing Maps: 10th International Workshop WSOM 2014 Mittweida, Advances in Intelligent Systems and Computing, Berlin, 2014. Springer.

Advances in Self-Organizing Maps and Learning Vector Quantization: Proceedings of 10th International Workshop WSOM 2014, Mittweida, Springer, Autoren: Villmann, T.; Schleif, F.-M.; Kaden, M. & Lange, M. (Eds.).

M. Kaden, M. Lange, D. Nebel, M. Riedel and T. Geweniger and T. Villmann, "Aspects in Classification Learning - Review of Recent Developments in Learning Vector Quantization", Foundations of Computing and Decision Sciences 39 (2014), pp. 79-105.

M. Biehl, M. Kästner, M. Lange and T. Villmann, "Non-Euclidean Principal Component Analysis and Oja’s Learning Rule - Theoretical Aspects", in P.A. Estevez and J.C. Principe and P. Zegers, ed., Advances in Self-Organizing Maps: 9th International Workshop WSOM 2012 Santiage de Chile vol. 198, (Berlin: Springer, 2013), pp. 23-34.

M. Lange, M. Biehl, T. Villmann, "Non-Euclidean Independent Component Analysis and Oja’s Learning", in M. Verleysen, ed., Proc. of European Symposium on Artificial Neural Networks, Computational Intelligence and Machine Learning (ESANN’2013) (Louvain-La-Neuve, Belgium: i6doc.com, 2013), pp. 125-130.

M. Lange, T. Villmann, "Derivatives of lp-norms and their Approximations", Machine Learning Reports 7, MLR-04-2013 (2013), pp. 43-59.

T. Geweniger, L. Fischer, M. Kaden, M. Lange, and T. Villmann”, Clustering by fuzzy neural gas and evaluation of fuzzy clusters”, Computational Intelligence and Neuroscience, 2013.

M. Lange and T. Villmann, “Derivatives of lp-norms and their approximations”, Machine Learning Reports, 7(MLR-04-2013):43–59, 2013.

M. Lange, M. Kästner, and T. Villmann, “About analysis and robust classification of searchlight fMRI data using machine learning classifiers”, In Proceedings of International Joint Conference on Neural Networks, Dallas, Texas, USA , pages 2026– 2033. IEEE Press, 2013.

L. Fischer, M. Lange, M. Kästner, and T. Villmann, “Accelerated vector quantization by pulsing neural gas”, Machine Learning Reports , 6(MLR-04-2012): 57–66, 2012.

T. Geweniger, M. Kästner, M. Lange, and T. Villmann,” Modified CONN-index for the evaluation of fuzzy clusterings” , In M. Verleysen, editor, Proc. of European Symposium on Artificial Neural Networks, Computational Intelligence and Machine Learning (ESANN’2012), pages 465–470, Louvain-La-Neuve, Belgium, 2012.

M. Kästner, M. Lange, and T. Villmann, “Fuzzy supervised self-organizing map for semi-supervised vector quantization”, In L. Rutkowski, M. Korytkowski, R. Scherer, R. Tadeusiewicz, L.A. Zadeh, and J.M. Zurada, editors, Artificial Intelligence and Soft Computing - Proc. the International Conference ICAISC, Zakopane , volume 1 of LNAI 7267, pages 256–265, Berlin Heidelberg, 2012. Springer.

M. Kästner, M. Strickert, D. Labudde, M. Lange, S. Haase, and T. Villmann”, Utilization of correlation measures in vector quantization for analysis of gene expression data - a review of recent developments”, Machine Learning Reports, 6(MLR-04-2012):5–22, 2012.

Villmann, T. Geweniger, M. Kästner, and M. Lange, ”Fuzzy neural gas for unsupervised vector quantization”, In L. Rutkowski, M. Korytkowski, R. Scherer, R. Tadeusiewicz, L.A. Zadeh, and J.M. Zurada, editors, Artificial Intelligence and Soft Computing - Proc. the International Conference ICAISC, Zakopane, volume 1 of LNAI 7267, pages 350–358, Berlin Heidelberg, 2012 Springer.

T. Villmann, M. Kästner, and M. Lange,” Theory of patch clustering for variants of fuzzy c-means, fuzzy neural gas, and fuzzy self-organizing map”, Machine Learning Reports, 6(MLR-01-2012):80–90, 2012b.

T. Geweniger, M. Kästner, M. Lange, and T. Villmann, ”Derivation of a generalized Conn-index for fuzzy clustering validation”, Machine Learning Reports, 5(MLR- 07-2011):1–12, 2011.

T. Villmann, T. Geweniger, M. Kästner, and M. Lange, “Theory of fuzzy neural gas for unsupervised vector quantization”, Machine Learning Reports, 5(MLR-06- 2011):27–46, 2011.