Jonas Scharfenberger, M.Sc.
Projekte
-
DigiTaL - Teilprojekt 07: DATAxtended – Implementierung eines Konzepts zum Ausbau von Data Literacy Kompetenzen im Bachelor-Komplementärstudium
Burkhardt Funk (Wissenschaftliche Projektleiter*in) , Jonas Scharfenberger (Wissenschaftliche Projektleiter*in) , Christoph Wegener (Projektmitarbeiter*in) , Francisco Arcila Samalanca (Projektmitarbeiter*in)
→Projekt: Lehre und Studium
Publikationen
Beiträge in Zeitschriften
- Predicting recurrent chat contact in a psychological intervention for the youth using natural language processing
Silvan Hornstein (Autor*in) , Jonas Scharfenberger (Autor*in) , Ulrike Lueken (Autor*in) , Richard Wundrack (Autor*in) , Kevin Hilbert (Autor*in) , 01.12.2024 , in: npj Digital Medicine, 7, 1 , 9 S.Publikation: Beiträge in Zeitschriften › Zeitschriftenaufsätze › Forschung › begutachtet
- Finding the Best Match — a Case Study on the (Text‑) Feature and Model Choice in Digital Mental Health Interventions
Kirsten Zantvoort (Autor*in) , Jonas Scharfenberger (Autor*in) , Dirk Lehr (Autor*in) , Burkhardt Funk (Autor*in) , Leif Boß (Autor*in) , 01.12.2023 , in: Journal of Healthcare Informatics Research, 7, 4 , S. 447-479 , 33 S.Publikation: Beiträge in Zeitschriften › Zeitschriftenaufsätze › Forschung › begutachtet
Beiträge in Sammelwerken
- From Feedback to Formative Guidance: Leveraging LLMs for Personalized Support in Programming Projects
Fatemeh Ghoochani (Autor*in) , Jonas Scharfenberger (Autor*in) , Burkhardt Funk (Autor*in) , Raoul Doublan (Autor*in) , Mayur Jakharabhai Odedra (Autor*in) , Bennet Etsiwah (Autor*in) , 12.06.2025 , S. 398-403 , 6 S.Publikation: Beiträge in Sammelwerken › Aufsätze in Konferenzbänden › Forschung › begutachtet
- Construct relation extraction from scientific papers: Is it automatable yet?
Burkhardt Funk (Autor*in) , Jonas Scharfenberger (Autor*in) , 07.01.2025 Honolulu , S. 4675-4684 , 10 S.Publikation: Beiträge in Sammelwerken › Abstracts in Konferenzbänden › Forschung › begutachtet
- Parsing Causal Models – An Instance Segmentation Approach
Jonas Scharfenberger (Autor*in) , Burkhardt Funk (Autor*in) , 08.06.2023 , S. 43-51 , 9 S.Publikation: Beiträge in Sammelwerken › Aufsätze in Konferenzbänden › Forschung › begutachtet
- Parking space management through deep learning – an approach for automated, low-cost and scalable real-time detection of parking space occupancy
Michael René Schulte (Autor*in) , Jonas Scharfenberger (Autor*in) , Burkhardt Funk (Autor*in) , Lukas-Walter Thiée (Autor*in) , 01.11.2021 Cham , S. 642-655 , 14 S.Publikation: Beiträge in Sammelwerken › Aufsätze in Konferenzbänden › Forschung › begutachtet
- The Augmented Theorist - Toward Automated Knowledge Extraction from Conceptual Models
Jonas Scharfenberger (Autor*in) , Burkhardt Funk (Autor*in) , Benjamin Mueller (Autor*in) , 01.01.2021Publikation: Beiträge in Sammelwerken › Aufsätze in Konferenzbänden › Forschung › begutachtet
Lehrveranstaltungen
Die Veranstaltung bietet einen Überblick über die Grundlagen des algorithmischen Denkens, der Programmierung und der Künstlichen Intelligenz. Der Kurs behandelt dabei historische, konzeptionelle und anwendungsorientierte Aspekte. Neben den technischen Perspektiven werden in den Vorlesungen die gesellschaftlichen Auswirkungen dieser Technologien thematisiert.
This course provides an overview of the fundamentals of algorithmic thinking, programming and artificial intelligence. The course covers historical, conceptual and application-oriented aspects. In addition to technical perspectives, the lectures address and contextualise the social impact of these technologies.
This course provides an overview of the fundamentals of algorithmic thinking, programming and artificial intelligence. The course covers historical, conceptual and application-oriented aspects. In addition to technical perspectives, the lectures address and contextualise the social impact of these technologies.
The course will cover
• Theoretical foundation of statistical learning
• Learning settings and frameworks
• Linear models
• Regularization and feature selection
• Model evaluation
• Neuronal nets, SVMs and their application
• Theoretical foundation of statistical learning
• Learning settings and frameworks
• Linear models
• Regularization and feature selection
• Model evaluation
• Neuronal nets, SVMs and their application
Diese Übung findet begleitend zur Vorlesung AI-Literacy statt und dient der Vertiefung und Anwendung ausgewählter Vorlesungsinhalte.
In der Übung entwickeln Sie anhand praktischer Aufgaben ein grundlegendes Verständnis von KI-Modellen (bspw. Klassifikation, Empfehlungssysteme oder Textgenerierung), wenden die verschiedenen Modelle an und evaluieren sie. Zusätzlich bekommen Sie eine Einführung in die Programmierung mit Python und Prompting-Strategien. Im Verlauf des Semesters entwerfen Sie in Kleingruppen ein eigenes kleines KI-gestütztes Programm. Dabei vertiefen Sie Ihr Wissen im Entwurf und in der Evaluation von KI-Systemen weiter – sowohl mit Blick auf technische als auch gesellschaftliche Implikationen. Parallel zu den Übungen stehen von Oktober bis Januar erfahrene und engagierte Tutor:innen (Teaching Assistants) zur Verfügung, um die Studierenden auf dem Campus im gesamten Lernprozess zu unterstützen.
In der Übung entwickeln Sie anhand praktischer Aufgaben ein grundlegendes Verständnis von KI-Modellen (bspw. Klassifikation, Empfehlungssysteme oder Textgenerierung), wenden die verschiedenen Modelle an und evaluieren sie. Zusätzlich bekommen Sie eine Einführung in die Programmierung mit Python und Prompting-Strategien. Im Verlauf des Semesters entwerfen Sie in Kleingruppen ein eigenes kleines KI-gestütztes Programm. Dabei vertiefen Sie Ihr Wissen im Entwurf und in der Evaluation von KI-Systemen weiter – sowohl mit Blick auf technische als auch gesellschaftliche Implikationen. Parallel zu den Übungen stehen von Oktober bis Januar erfahrene und engagierte Tutor:innen (Teaching Assistants) zur Verfügung, um die Studierenden auf dem Campus im gesamten Lernprozess zu unterstützen.
Diese Übung findet begleitend zur Vorlesung AI-Literacy statt und dient der Vertiefung und Anwendung ausgewählter Vorlesungsinhalte.
In der Übung entwickeln Sie anhand praktischer Aufgaben ein grundlegendes Verständnis von KI-Modellen (bspw. Klassifikation, Empfehlungssysteme oder Textgenerierung), wenden die verschiedenen Modelle an und evaluieren sie. Zusätzlich bekommen Sie eine Einführung in die Programmierung mit Python und Prompting-Strategien. Im Verlauf des Semesters entwerfen Sie in Kleingruppen ein eigenes kleines KI-gestütztes Programm. Dabei vertiefen Sie Ihr Wissen im Entwurf und in der Evaluation von KI-Systemen weiter – sowohl mit Blick auf technische als auch gesellschaftliche Implikationen. Parallel zu den Übungen stehen von Oktober bis Januar erfahrene und engagierte Tutor:innen (Teaching Assistants) zur Verfügung, um die Studierenden auf dem Campus im gesamten Lernprozess zu unterstützen.
In der Übung entwickeln Sie anhand praktischer Aufgaben ein grundlegendes Verständnis von KI-Modellen (bspw. Klassifikation, Empfehlungssysteme oder Textgenerierung), wenden die verschiedenen Modelle an und evaluieren sie. Zusätzlich bekommen Sie eine Einführung in die Programmierung mit Python und Prompting-Strategien. Im Verlauf des Semesters entwerfen Sie in Kleingruppen ein eigenes kleines KI-gestütztes Programm. Dabei vertiefen Sie Ihr Wissen im Entwurf und in der Evaluation von KI-Systemen weiter – sowohl mit Blick auf technische als auch gesellschaftliche Implikationen. Parallel zu den Übungen stehen von Oktober bis Januar erfahrene und engagierte Tutor:innen (Teaching Assistants) zur Verfügung, um die Studierenden auf dem Campus im gesamten Lernprozess zu unterstützen.