Dr. Andrea Bommert
Kontakt
Technische Universität Dortmund
Fakultät Statistik
Statistische Methoden in der Genetik u. Chemometrie
Mathematik-Gebäude, Raum 722
44221 Dortmund
E-Mail: bommert [at] statistik.tu-dortmund.de
Tel.: +49 231 755 3128
- Dr. rer. nat (Statistik): Technische Universität Dortmund, 2021
Dissertation: Integration of Feature Selection Stability in Model Fitting - M. Sc. (Statistik): Technische Universität Dortmund, 2016
Masterarbeit: Stabile Variablenselektion in der Klassifikation - B. Sc. (Datenanalyse und Datenmanagement): Technische Universität Dortmund, 2014
Bachelorarbeit: Robuste Schätzung des Parametervektors bei der linearen Quantilsregression
Wissenschaftliche Tätigkeit
- seit Januar 2021: Postdoc an der Fakultät Statistik
- Oktober 2016 - Januar 2021: wissenschaftliche Mitarbeiterin und Promovierende an der Fakultät Statistik
- Oktober 2013 - September 2016: studentische Hilfskraft an der Fakultät Statistik
- Stabile Variablenselektion
- Stabilitätsmaße
- Variablenselektion
- Filtermethoden zur Variablenselektion
- Selektion korrelierter Variablen
- Prognosemodelle
- Klassifikation
- Clustering
- Neutrale Vergleichsstudien
- Hochdimensionale Daten
- Bayesianische Optimierung
- Optimierung stochastischer Zielfunktionen
- Mehrkriterielle Optimierung
- Anwendungen in der Logistik
2022
Bommert, A. M., Rahnenführer, J., & Lang, M. (2022). Employing an adjusted stability measure for multi-criteria model fitting on data sets with similar features. In G. Nicosia, V. Ohja, E. L. Malfa, G. L. Malfa, & G. Jansen (Hrsg.), Machine learning, optimization, and data science (Verlagsversion, Bd. 13163). Springer International Publishing. https://doi.org/10.1007/978-3-030-95467-3_6
2021
Bommert, A. M., & Lang, M. (2021). stabm: stability measures for feature selection [OnlineRessource]. The Journal of Open Source Software, 6(59), 3010. https://doi.org/10.21105/joss.03010
Bommert, A. M., & Rahnenführer, J. (2021). Adjusted measures for feature selection stability for data sets with similar features. In G. Nicosia, V. Ojha, E. La Malfa, G. Jansen, V. Sciacca, P. Pardalos, G. Giuffrida, & R. Umeton (Hrsg.), Machine learning, optimization, and data science (Verlagsversion, Bd. 12565/12566, S. 203–214). Springer. https://doi.org/10.1007/978-3-030-64583-0_19
Bommert, A. M., Welchowski, T., Schmid, M., & Rahnenführer, J. (2021). Benchmark of filter methods for feature selection in high-dimensional gene expression survival data. Briefings in Bioinformatics, 23(1), Article bbab354. https://doi.org/10.1093/bib/bbab354
2020
Bommert, A. M., Rahnenführer, J., & Weihs, C. (2020). Integration of feature selection stability in model fitting (Verlagsversion) [Universitätsbibliothek Dortmund]. https://doi.org/10.17877/de290r-21906
Bommert, A. M., Sun, X., Bischl, B., Rahnenführer, J., & Lang, M. (2020). Benchmark for filter methods for feature selection in high-dimensional classification data [OnlineRessource]. Computational Statistics & Data Analysis, 143, 106839. https://doi.org/10.1016/j.csda.2019.106839
2019
Sun, X., Bommert, A. M., Pfisterer, F., Rahnenführer, J., Lang, M., & Bischl, B. (2019). High dimensional restrictive federated model selection with multi-objective bayesian optimization over shifted distributions [OnlineRessource]. In Y. Bi, R. Bhatia, & S. Kapoor (Hrsg.), Intelligent systems and applications (Verlagsversion, Bd. 1037, S. 629–647). Springer. https://doi.org/10.1007/978-3-030-29516-5_48
2017
Bommert, A. M., Rahnenführer, J., & Lang, M. (2017). A multi-criteria approach to find predictive and sparse models with stable feature selection for high-dimensional data. Computational and Mathematical Methods in Medicine, 2017, 1–18. https://doi.org/10.1155/2017/7907163
- Vorlesung Empirische Analysemethoden (SoSe 2022)
- Übung zur Vorlesung Klinische Studien (SoSe 2022)
- Introductory Case Studies (SoSe 2021)
- Einführungskurs in SAS (WiSe 2020/2021)
- Fallstudien I (WiSe 2020/2021)
- Einführungskurs in SAS (WiSe 2019/2020)
- Einführungskurs in SAS (WiSe 2018/2019)
- Übung zur Vorlesung Bioinformatik (WiSe 2018/2019)
- Seminar Mehrkriterielle Optimierung (SoSe 2018)
- Übung zur Vorlesung Klinische Studien (SoSe 2018)
- Fallstudien I (WiSe 2017/2018)
- Übung zur Vorlesung Klinische Studien (SoSe 2017)
Suche & Personensuche
Anfahrt & Lageplan
Der Campus der Technischen Universität Dortmund liegt in der Nähe des Autobahnkreuzes Dortmund West, wo die Sauerlandlinie A45 den Ruhrschnellweg B1/A40 kreuzt. Die Abfahrt Dortmund-Eichlinghofen auf der A45 führt zum Campus Süd, die Abfahrt Dortmund-Dorstfeld auf der A40 zum Campus-Nord. An beiden Ausfahrten ist die Universität ausgeschildert.
Direkt auf dem Campus Nord befindet sich die S-Bahn-Station „Dortmund Universität“. Von dort fährt die S-Bahn-Linie S1 im 15- oder 30-Minuten-Takt zum Hauptbahnhof Dortmund und in der Gegenrichtung zum Hauptbahnhof Düsseldorf über Bochum, Essen und Duisburg. Außerdem ist die Universität mit den Buslinien 445, 447 und 462 zu erreichen. Eine Fahrplanauskunft findet sich auf der Homepage des Verkehrsverbundes Rhein-Ruhr, außerdem bieten die DSW21 einen interaktiven Liniennetzplan an.
Zu den Wahrzeichen der TU Dortmund gehört die H-Bahn. Linie 1 verkehrt im 10-Minuten-Takt zwischen Dortmund Eichlinghofen und dem Technologiezentrum über Campus Süd und Dortmund Universität S, Linie 2 pendelt im 5-Minuten-Takt zwischen Campus Nord und Campus Süd. Diese Strecke legt sie in zwei Minuten zurück.
Vom Flughafen Dortmund aus gelangt man mit dem AirportExpress innerhalb von gut 20 Minuten zum Dortmunder Hauptbahnhof und von dort mit der S-Bahn zur Universität. Ein größeres Angebot an internationalen Flugverbindungen bietet der etwa 60 Kilometer entfernte Flughafen Düsseldorf, der direkt mit der S-Bahn vom Bahnhof der Universität zu erreichen ist.
Interaktive Karte
Die Einrichtungen der Technischen Universität Dortmund verteilen sich auf den größeren Campus Nord und den kleineren Campus Süd. Zudem befinden sich einige Bereiche der Hochschule im angrenzenden Technologiepark.
Zum Lageplan