Ricardo Knauer

Trainer-/Referent-Profil

"Künstliche Intelligenz und Data Science sind komplex, aber kein Hexenwerk. Ich möchte es Teilnehmenden ermöglichen, ihre Expertise mit datenbasierten Erkenntnissen und Entscheidungen zu kombinieren – praxisnah, verständlich, kompakt."

Kurzprofil

Wissenschaftlicher Mitarbeiter und Lehrbeauftragter an der HTW Berlin. Doktorand auf dem Gebiet der interpretier- und erklärbaren Künstlichen Intelligenz. Seit 2023 Trainer in den Bereichen Künstliche Intelligenz und Data Science.

Arbeitsschwerpunkte

Künstliche Intelligenz, Maschinelles Lernen, Data Science

Berufserfahrung

ab 2022 wissenschaftlicher Mitarbeiter und Lehrbeauftrager an der HTW Berlin
2020-2022 wissenschaftlicher Mitarbeiter an der TU Berlin
2009 - 2019 Physiotherapeut und Übungsleiter

Qualifikation

Berliner Zertifikat für Hochschullehre, Berliner Zentrum für Hochschullehre
Higher Education Teaching Certificate, Harvard University
Studium Artificial Intelligence (M.Sc.), Vrije Universiteit Amsterdam
Studium Human Movement Sciences (Premaster), Vrije Universiteit Amsterdam
duales Studium Physiotherapie (B.A.), THIM Hoogeschool voor Fysiotherapie

Arbeitssprachen

Deutsch
Englisch

Publikationen

Cost-Sensitive Best Subset Selection for Logistic Regression: A Mixed-Integer Conic Optimization Perspective, KI 2023
Explainable Artificial Intelligence Beyond Feature Attributions: The Validity and Reliability of Feature Selection Explanations, xAI 2024
Explainable Artificial Intelligence in Mechanical Engineering: A Synthetic Dataset for Comprehensive Failure Mode Analysis, TransAI 2023
Foundations for Applied Artificial Intelligence: Enabling and Supporting AI Teaching and Research, INFORMATIK 2023 Workshop on AI Education
German Standardization Roadmap on Artificial Intelligence (2nd Edition), DIN, DKE 2022
PMLBmini: A Tabular Classification Benchmark Suite for Data-Scarce Applications, AutoML 2024 Workshop Track
Squeezing Lemons with Hammers: An Evaluation of AutoML and Tabular Deep Learning for Data-Scarce Classification Applications, ICLR 2024 Workshop on Practical ML for Low Resource Settings