Skip to content

Teaching & Supervision

We teach and mentor students to become the next generation of machine learning and data science professionals. This is important to us. Our students are the future scientists, employees, and decision makers.

Seminars & Theses

If you are a student and wish to work with us, please read the information provided here carefully. Thank you for following the procedures outlined there. We look forward to hearing from you!

Hinweise für Studierende mit externen Partnern (German)

Wir verstehen die Zusammenarbeit mit einem externen Partner als Chance, die es Ihnen ermöglicht, sich tiefgehend mit einer für Ihren Partner relevanten Fragestellung zu beschäftigen. Wir nennen solche Seminar- und Abschlussarbeiten externe Arbeiten.

Externe Arbeiten. Wenn Ihr Thema von einem externen Partner (typischerweise Ihrem Arbeitgeber) gestellt wird, ist Ihr Zweitprüfer üblicherweise eine Person Ihres externen Partners. Ihr Zweitprüfer und Sie sind Experten in Ihrem Umfeld. Sie kennen die Strukturen, Anforderungen und Randbedingungen Ihres Arbeitsumfeldes. Ihre Arbeitsplätze befinden sich vielleicht im selben Gebäude oder in der näheren Umgebung. Die Hauptinteraktion erfolgt zwischen Ihnen und Ihrem Zweitprüfer, dem Ihre Abschlussarbeit auch ein eigenes Anliegen (oder das Anliegen Ihres Arbeitgebers) ist.

Bitte lesen Sie Kapitel 5 der hier hinterlegten Anleitung für Abschlussarbeiten. Dies ist für Sie auch dann interessant, wenn Sie daran denken, eine externe Seminararbeit anzufertigen.

Interne Arbeiten. Wenn das Thema Ihrer Arbeit von unserer Forschungsgruppe gestellt wird, dann ist der Zweitprüfer typischerweise Mitglied der Forschungsgruppe. Die Hauptinteraktion erfolgt zwischen Ihnen und uns.

Courses

Our teaching approach is adaptive and student-centric, incorporating blended learning and cutting-edge technologies across the 32 courses we've taught since 2018. We prioritize creating a psychologically safe learning environment where students can freely engage, ask questions, and make mistakes. Assessment methods range from digital and open-book exams to group evaluations and oral assessments, complemented by real-time communication platforms like Discord for enhanced student interaction.

Introduction to Machine Learning

Machine Learning is one of the most important subfields of Artificial Intelligence, focusing on the development of algorithms and statistical models that enable computers to learn from data without being explicitly programmed. Its wide range of applications spans from speech recognition and image processing to medical diagnosis and financial forecasting. This course covers fundamental concepts and methods in both supervised and unsupervised learning, enabling students to independently execute Machine Learning projects. As supervised learning approaches, we explore classification and regression approaches such as nearest-neighbor models, decision trees, Support Vector Machines, and kernel methods. Important linear and nonlinear approaches in unsupervised learning include dimensionality reduction and cluster identification methods like PCA, k-means, and LDA. The practicals are conducted using relevant tools including Python, Numpy, Scikit-Learn, and Jupyter.

Course Name Einführung in Machine Learning
ECTS Credits 5
Instruction Language German
Lecture 1,5h/week
Practicals 1,5h/week
Study programs Bachelor "Applied Mathematics and Computer Science"
Course Description FH Aachen
Course Introduction Video (German)

Introduction to Data Science

Data Science focuses on extracting insights and knowledge from data using scientific methods and algorithms. As an interdisciplinary field bridging mathematics and computer science, Data Science finds applications in various sectors such as business, healthcare, and natural sciences, and plays a pivotal role in data-driven decision-making within organizations and companies. This course provides foundational knowledge on the key steps involved in Data Science projects, starting from data collection and preprocessing to exploratory analysis and feature generation, all the way to predictive modeling for making forecasts. Special emphasis is placed on hypothesis-driven approaches and working with real-world datasets. During the exploratory analysis, univariate and multivariate descriptive methods, visualization techniques, and methods for dimensionality reduction, cluster formation, and validation are covered. Concepts of predictive modeling and their evaluation are discussed using threshold-based methods and selected Machine Learning approaches. The practicals are conducted using relevant tools such as Python, Pandas, and Jupyter.

Course Name Einführung in Data Science
ECTS Credits 5
Instruction Language German
Lecture 1,5h/week
Practicals 1,5h/week
Study programs Bachelor "Applied Mathematics and Computer Science"
Course Description FH Aachen
Course Introduction Video (German)

Machine Learning 1: Foundations and Statistical Learning Theory

This course introduces terms from statistical learning theory, such as model complexity, approximation-generalization trade-offs, and Vapnik-Chervonenkis dimension, as well as key learning models produced by different schools of thought (for example, Support Vector Machines, ensemble methods like Random Forests, and similarity-based methods like nearest-neighbor models). From the realm of supervised learning, methods for classification and regression are presented. The area of unsupervised learning includes methods for cluster analysis and dimensionality reduction. Various regularization and validation approaches are also covered.

Course Name Machine Learning 1: Grundlagen und statistische Lerntheorie
ECTS Credits 5
Instruction Language German
Lecture 1,5h/week
Practicals 1,5h/week
Study programs Master "Applied Mathematics and Computer Science", Master "Energiewirtschaft und Informatik", Master "Medizintechnik"
Course Description FH Aachen

Machine Learning 2: Deep Learning

This course introduces the fundamentals and application domains of deep neural network architectures. Techniques for training and regularization of these learning models are explained. In addition to Deep Forward, key architectures such as Convolutional Neural Networks, Transformers, and sequence models like Recurrent Neural Networks are covered. Approaches for troubleshooting and monitoring the training process are introduced. Various applications in supervised and unsupervised learning, as well as in discriminative and generative contexts (GANs, diffusion models), are presented.

Course Name Machine Learning 2: Deep Learning
ECTS Credits 5
Instruction Language German
Lecture 1,5h/week
Practicals 1,5h/week
Study programs Master "Applied Mathematics and Computer Science", Master "Energiewirtschaft und Informatik", Master "Medizintechnik"
Course Description FH Aachen

Letters of Recommendation

We understand that letters of recommendation are important tools that provide insight that grades cannot, and lend credibility to your applications for scholarships or educational programs. If you are considering asking us to write a letter of recommendation, please read the information below.

Hinweise für Empfehlungsschreiben (German)

Falls Sie überlegen, mich (Stephan Bialonski) um ein Empfehlungsschreiben zu bitten, lesen Sie bitte die folgenden Informationen vollständig durch.

  1. Bitte überlegen Sie, ob ich die beste Person bin, um das Empfehlungsschreiben für Sie aufzusetzen. Weiß ich genug über Sie, um mehr schreiben zu können als "Diese Person hat in meinem Kurs eine gute Note bekommen"? Gibt es vielleicht andere Personen an unserer Hochschule, die Sie besser kennen und beurteilen können?

    • Bitte haben Sie Verständnis dafür, dass ich erst nach Einreichung Ihrer Unterlagen (die Sie weiter unten beschrieben finden) einschätzen kann, ob ich ein Empfehlungsschreiben für Sie aufsetzen kann.

  2. Der Schlüssel zu einem effektiven Empfehlungsschreiben liegt darin, so detailliert und spezifisch wie möglich zu sein. Ich werde so ehrlich, konkret und positiv wie möglich über Sie und Ihre Arbeit schreiben. Dazu sollten Sie mir weitere Informationen zur Verfügung zu stellen, die mir helfen können, ein ausführlicheres Schreiben zu verfassen: Zeugnisse, Lebenslauf, Bewerbungsschreiben, persönliche Aussagen oder Ähnliches.

  3. Bitte beantworten Sie mir einige Fragen. Einerseits können diese Fragen Ihnen dabei helfen, darüber nachzudenken, ob die Universitäten, Stipendien oder Stellen, für die Sie sich bewerben, wirklich zu Ihnen passen. Andererseits helfen mir Ihre Antworten, mir ein Bild von Ihren Stärken machen. Keine Sorge: Das eigentliche Empfehlungsschreiben wird wenig oder gar nichts mit Ihren Antworten zu tun haben, aber Ihre Antworten können einen wichtigen Beitrag zu Ihrem Empfehlungsschreiben leisten. Sie müssen mich nicht mit Ihren Antworten beeindrucken. Schreiben Sie einfach etwas Ehrliches, das mir hilft, ein Empfehlungsschreiben über Sie zu verfassen. Hier sind die Fragen:

    • Wie ist Ihr Name, Jahrgang/Status, Studiengang?
    • Wofür bewerben Sie sich? (Stipendium, Studium etc.)
    • Seit wann kenne ich Sie und in welcher Beziehung stehe ich zu Ihnen? (Professor, Betreuer usw.)
    • Wenn Sie bei mir Student waren: Aus welchen Kursen kennen wir uns und in welchen Bereichen haben Sie sich besonders hervorgetan (mathematische Kenntnisse, Machine Learning Projekte, Software-Engineering, Kreativität, Zusammenarbeit, Kommunikation usw.)? Bitte nennen Sie einige Beispiele, je spezifischer, desto besser. Wenn ich Sie aus einem anderen Kontext kenne (z.B. als Forschungsstudent, wissenschaftlicher Mitarbeiter), passen Sie bitte die Fragen auf sich an und beantworten Sie diese ebenfalls.
    • Was sind Ihre langfristigen Ziele und wie hilft Ihnen diese Stelle/dieses Stipendium/dieser Studienplatz, diese zu erreichen?
    • Warum passt diese Stelle/dieses Stipendium/dieser Studienplatz gut zu Ihren bisherigen Erfahrungen?

  4. Bitte stellen Sie mir alle Angaben und Dokumente in einer einzigen E-Mail zusammen und senden Sie mir diese mindestens vier Wochen (besser noch länger) vor der Abgabefrist per E-Mail zu (Betreff: "Empfehlungsschreiben für Vorname Nachname, Frist: xx.xx.xxx). Bitte vermeiden Sie mehrere E-Mails. Ihre E-Mail enthält:

    • eine Liste, die zusammenfasst, wohin und wie (Webformular, E-Mail, Brief?) das Empfehlungsschreiben geschickt werden muss und bis wann es fällig ist (Frist).
    • etwaige Formulare, die ich ausfüllen muss.
    • eine Liste der E-Mail-Adressen oder Websites, an die das Empfehlungsschreiben geschickt werden soll.
    • Falls gewünscht: Alles, was mir helfen könnte, ein aussagekräftiges Empfehlungsschreiben zu verfassen (Zeugnisse, Lebenslauf, Aufsätze usw.).
    • Ihre Antworten auf die obigen Fragen.

  5. Ich melde mich bei Ihnen bei Rückfragen und mit der Rückmeldung, ob ich ein Empfehlungsschreiben für Sie aufsetzen kann.