call download fax letter pdf search x chevron

Associate Professor für Computer Science

Zur Person

Jan Nagler studierte Physik an der Christian-Albrechts-Universität zu Kiel und schloss seine Promotion an der Universität Bremen mit einer Dissertation im Bereich der Dynamischen Systeme über chaotische Himmelsmechanik ab. Seine wissenschaftlichen Stationen umfassen die Boston University, USA, mit Forschungsprojekten im Bereich komplexer Netzwerke und Finanzphysik, das Max Planck Institut für Dynamik und Selbst-Organisation in Göttingen, und der ETH Zürich und dem ETH Risk Center in der Schweiz. Seit 2016 ist er Vize-Präsident der Sozioökonomischen Division der Deutschen Physikalischen Gesellschaft.
Seine Forschung umfasst das Verständnis und die Kontrolle von vernetzten stochastischen Systemen im Spannungsfeld zwischen Physik, Biologie und sozioökonomischen Systemen, wie zum Beispiel Spieltheorie und Phasenübergängen, Ergodizitätsbrechung und Risiko und Überleben in fluktuierenden Umgebungen.
In 2018 folgte Jan Nagler einem Ruf an die Frankfurt School und dem Centre for Human and Machine Intelligence als Leiter der Deep Dynamics Group, die versucht, ein umfassendes Verständnis von komplexen Systemen in den Bereichen der Finanzdynamik, Ökonomie, Ökologie, Physik und von sozioökonomischer Systemen zu erzielen – mit Fokus auf Netzwerkdynamik und vernetzten sozioökonomischen Systemen.
Die Gruppe greift Probleme mit interdisziplinär-erklärenden Methoden an, welche die grundlegenden Mechanismen und Prinzipien freilegt (explanatory modelling), aber kombiniert diese Ansätze auch mit Deep-Learning-Methoden, die zur Vorhersage dienen (predictive modelling). Die Deep Dynamics Group versucht ethisch-verantwortungsvolle Analyse- und Design-Prinzipien umzusetzen, wie zum Beispiel mit Hilfe von transparent-erklärender und sozial-verantwortlicher künstlicher Intelligenz.

Publikationen

Wissenschaftliche Zeitschriften / Fachzeitschriften

Sammelwerke

Beiträge in Konferenzbänden / Proceedings

Kurse

Titel Studiengang Semester
Quantitative Fundamentals Master Winter

Machine Learning II

Master

Winter