Data Science
Het merendeel van de wetenschappers, van archeologen tot zoölogen, verzamelt enorme hoeveelheden gegevens. Hun databanken bevatten grote hoeveelheden informatie die voor de mens moeilijk te filteren zijn. Met een stevige basis in de statistiek en de computerwetenschappen kunnen we algoritmes ontwikkelen voor het analyseren en identificeren van patronen in big data uit vele specialismen, en deze toepassen om nieuwe inzichten te verkrijgen.
Computational network science
Het Leidse Computational Network Science Lab (CNS Lab) doet onderzoek naar methoden om kennis te ontdekken uit echte netwerkdata. Met behulp van een combinatie van grafiek-algoritmen en machine learning technieken streven ze ernaar patronen in dynamische complexe netwerken vanuit verschillende toepassingsdomeinen te ontsluieren. Voorbeelden hiervan zijn sociale netwerken, communicatienetwerken, wetenschappelijke netwerken, infrastructuurnetwerken en bedrijfs-/economische/financiële netwerken.
Meer informatie over het CNS lab
Data mining & sport
Het verzamelen van gegevens in de sport is de laatste jaren in belang toegenomen. Camerasystemen kunnen de positie van spelers volgen, er worden sensoren in kleding geïmplementeerd en er zijn veel toepassingen ontworpen om bijvoorbeeld de gezondheid van sporters in de gaten te houden. De Data Mining and Sports groep maakt gebruik van kunstmatige intelligentie, machine learning, data mining, semantische webtechnologie, beeldverwerking en high performance computing om op basis van deze gegevens voorspellingen te doen en nieuwe onderliggende patronen te ontdekken die anders onopgemerkt zouden zijn gebleven.
Explanatory data analysis
De Explainatory Data Analysis groep ontwikkelt algoritmes en theorieën die domeinexperts in staat stellen om gegevens te verklaren door het vinden van interpreteerbare patronen en modellen. Hun belangrijkste focus ligt op verkennende data-analyse, vaak in de vorm van het ontdekken van nieuwe en onverwachte patronen die nuttige inzichten kunnen geven. Ze streven naar algoritmen die accuraat zijn, interpreteerbare resultaten opleveren en door de analist kunnen worden begeleid. Hun onderzoek bouwt voort op de stand van de techniek in informatietheoretische datamining, statistische datamining en interactieve dataverkenning en -analyse.
Meer informatie over de Explanatory Data Analysis groep
Tekst mining en retrieval
Text Mining and Retrieval Leiden (TMRL) richt zich op text mining en retrieval problemen in complexe domeinen. De methoden die zij ontwikkelen zijn gebaseerd op state-of-the-art Natural Language Processing methoden. Lopende projecten implementeren en evalueren methoden in het juridische, het archeologische, het beleidsvormende en het gezondheidsdomein. De gebruikte tekstuele gegevens zijn divers. Voorbeelden hiervan zijn literatuurrapporten, wetenschappelijke en juridische publicaties, EU-wetgevingsteksten, gezondheidsdossiers, door gebruikers gegenereerde content in online patiëntengemeenschappen (discussiefora), en nieuwsberichten op sociale media.
Meer informatie over TMRL
Health Data Science
Het gezondheidsonderzoek, de medische praktijk, alsmede de hele bevolking wordt steeds meer beïnvloed door digitalisering, data science en kunstmatige intelligentie. De mogelijkheden om de gezondheidsresultaten op individueel, groeps- en populatieniveau te verbeteren zijn enorm, aangezien meer gegevens beschikbaar komen en steeds vaker worden gecombineerd voor verbeterde risicodetectie, diagnose, behandeling en etiologisch onderzoek. Onze groep houdt zich bezig met het analyseren van gestructureerde en ongestructureerde databronnen (real world data, routine zorg data, omgevingsdata) voor het extraheren van nieuwe kennis of het voorspellen van gezondheidsuitkomsten, door bijvoorbeeld het ontwerpen van digitale biomarkers en het updaten / kalibreren van gepubliceerde modellen (de 'evidence base').
Meer informatie over Health Data Science
