Prof. Dr. Stefan Lessmann

Profil

Zusammenfassung

Stefan Lessmann entwickelt Methoden der Künstlichen Intelligenz und des maschinellen Lernens für praktische Geschäftsprobleme — insbesondere für Klassifikation, Vorhersage und Entscheidungsunterstützung in Bereichen wie Kreditvergabe, Kundenverhalten und Softwarequalität. Seine Expertise umfasst die Auswahl und das Benchmarking von Algorithmen, die Verarbeitung von Daten sowie die Erklärbarkeit von KI-Modellen für operative Anwendungen.

Skills

Name

Prof. Dr. Stefan Lessmann

Titel

Prof. Dr.

Fakultät

Wirtschaftswissenschaftliche Fakultät

Institut

Dekan(in) / Prodekan(in) Dekanat

Arbeitsgruppe

Prodekan(in) für Studium, Lehre und Internationales

E-Mail

🔒 nur für eingeloggte sichtbarAnmelden

Telefon

🔒 nur für eingeloggte sichtbarAnmelden

HU-FIS-Profil

Quelle ↗

Zuletzt gescrapt

27.6.2026, 01:10:12

• EXIST Creatext

  Quelle ↗

  Förderer: BMWE: EXIST Zeitraum: 11/2019 - 10/2020 Projektleitung: Prof. Dr. Stefan Lessmann

• EX: Sentientic

  Quelle ↗

  Förderer: Bundesministerium für Wirtschaft und Energie Zeitraum: 11/2015 - 10/2016 Projektleitung: Prof. Dr. Stefan Lessmann

• GRK 1792: Hochdimensionale nicht stationäre Zeitreihen

  Quelle ↗

  Förderer: DFG Graduiertenkolleg Zeitraum: 01/2013 - 06/2023 Projektleitung: Prof. Dr. Wolfgang Karl Härdle

🔒 Das System hat 350 mögliche Industrie-Partner gefunden — Firmen, Scores und Begründungen sind nur für eingeloggte Nutzer:innen sichtbar. Anmelden

• Benchmarking Classification Models for Software Defect Prediction: A Proposed Framework and Novel Findings

  2008

  IEEE Transactions on Software Engineering · 1215 Zitationen · DOI

  Software defect prediction strives to improve software quality and testing efficiency by constructing predictive classification models from code attributes to enable a timely identification of fault-prone modules. Several classification models have been evaluated for this task. However, due to inconsistent findings regarding the superiority of one classifier over another and the usefulness of metric-based classification in general, more research is needed to improve convergence across studies and further advance confidence in experimental results. We consider three potential sources for bias: comparing classifiers over one or a small number of proprietary data sets, relying on accuracy indicators that are conceptually inappropriate for software defect prediction and cross-study comparisons, and, finally, limited use of statistical testing procedures to secure empirical findings. To remedy these problems, a framework for comparative software defect prediction experiments is proposed and applied in a large-scale empirical comparison of 22 classifiers over 10 public domain data sets from the NASA Metrics Data repository. Overall, an appealing degree of predictive accuracy is observed, which supports the view that metric-based classification is useful. However, our results indicate that the importance of the particular classification algorithm may be less than previously assumed since no significant performance differences could be detected among the top 17 classifiers.

• Benchmarking state-of-the-art classification algorithms for credit scoring: An update of research

  2015

  European Journal of Operational Research · 1136 Zitationen · DOI

• A comparative study of LSTM neural networks in forecasting day-ahead global horizontal irradiance with satellite data

  2018

  Solar Energy · 318 Zitationen · DOI

• Freie Universität Berlin

  GRK 1792: Hochdimensionale nicht stationäre Zeitreihen

  university

• OMQ GmbH

  KI im Kundenservice (KIK)

  company

• Weierstraß-Institut für Angewandte Analysis und Stochastik, Berlin

  GRK 1792: Hochdimensionale nicht stationäre Zeitreihen

  other