Professorin für Künstliche Intelligenz, University of Bath, UK
Deputy Head of Department, Department of Computer Science, UKRI CDT in Accountable, Responsible and Transparent AI, Centre for Mathematics and Algorithms for Data (MAD)
Vita
Özgür Şimşek ist stellvertretende Leiterin des Fachbereichs Informatik, wo sie die Forschungsgruppe Künstliche Intelligenz leitet. Von 2018 bis 2020 war sie stellvertretende Direktorin am IMI. Bevor sie 2017 an die University of Bath kam, war Özgür Şimşek wissenschaftliche Mitarbeiterin am Center for Adaptive Behaviour and Cognition am Max-Planck-Institut für Bildungsforschung in Berlin, Deutschland. Sie promovierte 2008 in Informatik an der University of Massachusetts Amherst. Şimşeks Forschungsarbeiten umfassen ein breites Spektrum an Bereichen des maschinellen Lernens, darunter Verstärkungslernen, überwachtes Lernen, Lernen aus kleinen Datensätzen und begrenzte Rationalität. Im Rahmen ihres IMI-Stipendiums wird Şimşek zusammen mit den IMI-Stipendiaten Dr. Will Tillett und Dr. Raj Sengupta Anwendungen des Verstärkungslernens im Gesundheitswesen entwickeln.
Ausgewählte Veröffentlichungen
Sanchez-Bornot, J., Sotero, R. C., Kelso, J. S., Şimşek, Ö., & Coyle, D. (2024). Solving large-scale MEG/EEG source localisation and functional connectivity problems simultaneously using state-space models. NeuroImage, 285, 120458.
Saunders, J., Prenevost, L., Şimşek, Ö., Hunter, A., & Li, W. (2023). Resource-Constrained Station-Keeping for Helium Balloons using Reinforcement Learning. arXiv preprint arXiv:2303.01173.
Katsikopoulos, K. V., Şimşek, Ö., Buckmann, M., & Gigerenzer, G. (2022). Transparent modeling of influenza incidence: Big data or a single data point from psychological theory?. International Journal of Forecasting, 38(2), 613-619.
Lichtenberg, J. M. , & Şimşek, Ö. (2019). Regularization in directable environments with application to Tetris. In Proceedings of the Thirty-Sixth International Conference on Machine Learning (ICML).
Şimşek, Ö., Algorta, S., & Kothiyal, A. (2016). Why Most Decisions Are Easy in Tetris—And Perhaps in Other Sequential Decision Problems, As Well. In Proceedings of the Thirty-Third International Conference on Machine Learning (ICML).
Şimşek, Ö., & Buckmann, M. (2015). Learning from small samples: An analysis of simple decision heuristics. In Advances in Neural Information Processing Systems (NIPS) 28.