Mitglied
Hochschullehrer*innen
Hochschullehrer*innen
Hochschullehrer*innen
Projektleiterin
Projektleiterin
Mitglied des Beirats des ZiF - Universität Bielefeld - Technische Fakultät
seit 2023: LAMARR Fellow
seit 2023: Mitglied im MSCA Doktorandennetzwerk LEMUR - Learning with Multiple Representations
seit 2022: Leitung des Forschungsnetzwerks SAIL: SustAInable Life-cycle of Intelligent Socio-Technical Systems
seit 2021: Mitglied im TRR 318 Constructing explainability
seit 2021: Rezipient eines ERC Synergy Grant im Projekt Smart Water Futures: designing the next generation of urban drinking water systems
seit 2020: Leitung der NRW-weiten Graduiertenschule zu Vertrauenswürdiger KI Data-NinJA
seit 2017: Professor (W3), Maschinelles Lernen an der Universität Bielefeld
2010 - 2017: Professor (W2), Theoretische Informatik an der Universität Bielefeld
2005: Gastprofessur am SAMOS, Universität Paris I
2004 - 2010: Professor (W2), Theoretische Informatik, TU Clausthal
2003: Gastaufenthalte an den Universitäten Padua (IT) und Birmingham (UK)
2003: Habilitation in Informatik, Universität Osnabrück
2001: Gastaufenthalt Universität Pisa
2000 - 2004: Leitung einer Forschernachwuchsgruppe zu maschinellem Lernen, Universität Osnabrück
2000: Gastaufenthalt am Zentrum für KI und Robotik (CAIR), Bangalore
1999: Gastaufenthalt an der Rutgers University
1999: Promotion im Gebiet maschinelles Lernen an der Universität Osnabrück, Gutachtende: Volker Sperschneider, Mathukumali Vidyasagar
1995 - 1999: Wissenschaftliche Mitarbeiterin in der AG Theoretische Informatik, Universität Osnabrück
1989 - 1995: Studium der Mathematik, Universität Osnabrück
Die Expertise von Barbara Hammer liegt im Bereich der intelligenten Datenanalyse, dem erklärbarem maschinellen Lernen, und vertrauenswürdiger KI. Dabei liegen reichen die Methoden von der Fundierung von Algorithmen bis zu deren effizienter Anwendung und interdisziplinären Aspekten etwa im Kontext von Fairness oder sozialen Implikationen. Spezifische aktuelle Themen sind Lernen für komplexe spatial-temporale oder nicht-euklidische Daten einschließlich Graphnetze, Erklärbarkeit von Modellen, oder online Lernen und Lernen mit Drift. Anwendungen reichen vom Bereich intelligenter technischer Systeme bis hin zu kritischer Infrastruktur sowie die Lebenswissenschaften.