Gebäude: Bonifazius-Turm A
18. Etage, Raum 11
Tel: 06131 17-8206 oder 06131 39-38776
Mail: daan.apeldoorn@uni-mainz.de 

Werdegang

• 2024: Best Paper Award bei der GMDS 2024 (gemeinsame Arbeit mit weiteren Mitwirkenden, geteilte Erstautorenschaft)
• 2022: Promotion im Bereich der Künstlichen Intelligenz/Wissensrepräsentation an der TU Dortmund
• Seit 2022: Gutachter bei der Conference on Principles of Knowledge Representation and Reasoning (KR), der IEEE Conference on Games (CoG) und dem Journal IEEE Transactions on Games.
• Seit 2019: Mitarbeiter am Institut für Medzinische Biometrie, Epidemiologie und Informatik (IMBEI) an der Universitätsmedizin der Johannes Gutenberg-Universität Mainz
• 2018-2023: Mitarbeiter, später freier Mitarbeiter bei der Z Quadrat GmbH
• 2017: Award Forum Junge Spitzenforscher, zweiter Platz
• 2015-2018: Wissenschaftlicher Mitarbeiter an der TU Dortmund
• 2014-2015: Wissenschaftlicher Mitarbeiter an der Universität Koblenz-Landau
• Seit 2014: Jury-Mitglied bei Jugend forscht/Schüler experimentieren
• 2014: M. Sc. in Informatik an der der FernUniversität in Hagen
• 2014: Helmholtz-Lehrerpreis
• 2009-2014: Außerschulische Kraft/Lehrer am Otto-Schott-Gymnasium in Mainz
• 2007-2009: Systemingenieur bei der IMAGIN (Schweiz) AG
• 2006: B. Sc. in Informatik an der Johannes Gutenberg-Universität Mainz (Anwendungsfach: Musikwissenschaft)
• 2005-2013: Mitgründer des Musikprojekts Acoustique Parfum; mehrere Veröffentlichungen bei verschiedenen Labels (z. B., Mole Listening Pearls)
• 2002: Hasso-Plattner-Preis für Softwaresystemtechnik
• 1999-2002: Entwickler an einer Kinderkrebs-Datenbank am Universitätsklinikum Mainz

Forschungsinteressen

• Zusammenhänge und Verknüpfung von Wissensrepräsentation, maschinellem Lernen und weiterer Ansätze aus dem Bereich der Künstlichen Intelligenz (KI)
• Multi-Agenten-Simulationen (mit Anwendung z. B. in der Logistik)
• Anwendung von KI-Methoden im Kontext von Agenten
• KI in Spielen

Projekte

• AbstractSwarm Multi-Agenten-Modellierungs- und -Simulationssystem: Ein Multi-Agenten-Modellierungs- und Simulationssystem zur Verbesserung von Logistik- und verwandten Szenarien, wie Krankenhausprozesse. (WIMS)
• AbstractSwarm Competition: Ein Wettbewerb auf internationalen Konferenzen (GECCO and IEEE WCCI/CEC) zur Stimulation von KI/CI Forschung im Bereich kooperativer intelligenter Agenten im Kontext von Logistik- und verwandten Problemen.
• InteKRator Toolbox: Eine Toolbox zur Integration von Aspekten des maschinellem Lernen und der Wissensrepräsentation (z. B. zum Finden von strukturellen Abhängigkeiten in Daten und für automatisiertes Schlussfolgern) mit Anwendungen z. B. Im Bereich des automatisierten Erzeugens von Expertensystemen aus Daten. (WIMS)
• BaLaRea-KI: Entwicklung eines Exponats in Kooperation mit Mitarbeitenden der Versorgungsepidemiologie und dem Deutschen Museum Bonn. Das Exponat dient dem Sammeln von Forschungsdaten, um die Reaktionen von Menschen in Erste-Hilfe-Situationen zu untersuchen sowie edukativen Zwecken Erste-Hilfe-Kontext.

Lehre

Johannes Gutenberg-Universität Mainz:

• 2024: KI als Chance oder Risiko: von Grundlagen und Anwendungen bis hin zu Herausforderungen (Q+ Kurs, zusammen mit weiteren Mitwirkenden)

IMBEI: 

• 2020: Kurs zum Thema Knowledge Base Extraction bei der IMBEI Summer School in Bioinformatics and High-Dimensional Statistic

Z Quadrat:

• 2022/2023: Kurse in Künstlicher Intelligenz und Robotik (mit LEGO® Mindstorms)
• 2021/2022: Workshops/Kurse in Künstlicher Intelligenz und Robotik (mit LEGO® Mindstorms)
• 2019/2020 (Auswahl): Workshops/Kurse in Künstlicher Intellgenz, Robotik (mit LEGO® Mindstorms), Spiele-/App-Programmierung (mit EduGine C++) u. a.
• 2018/2019 (Auswahl): Workshops/Kurse in Künstlicher Intelligenz, Robotik (mit LEGO® Mindstorms), Spiele-Programmierung (mit EduGine Java), u. a.

TU Dortmund:

• Winter 2017/2018: Übung Darstellung, Verarbeitung und Erwerb von Wissen (Bachelor)
• Summer 2017: Übung Commonsense Reasoning (Master)
• Winter 2016/2017: Übung Darstellung, Verarbeitung und Erwerb von Wissen (Bachelor)
• Summer 2016: Übung Commonsense Reasoning (Master)
• Winter 2015/2016: Übung Darstellung, Verarbeitung und Erwerb von Wissen (Bachelor)
• Summer 2015: Übung Commonsense Reasoning (Master)

Universität Koblenz-Landau:

• Winter 2014/2015: Übung Introduction to Web Science (Master, in English)

FernUniversität in Hagen:

• Winter 2018/2019: Korrektor für Wissensbasierte Systeme (Bachelor/Master)
• Sommer 2018: Korrektor für Wissensbasierte Systeme (Bachelor/Master)
• Sommer 2011: Korrektor für Entscheidungsmethoden in unternehmensweiten Softwaresystemen (Bachelor/Master)
• Winter 2010/2011: Korrektor für Entscheidungsmethoden in unternehmensweiten Softwaresystemen (Bachelor/Master)

Gemeinsam betreute Abschlussarbeiten

• Vergleich unterschiedlicher Vorhersageverfahren auf Rheumadaten (Master, derzeit laufend)
• Entwicklung eines Agentenschwarms für die Verbesserung von Abläufen im Krankenhaus (Master, abgeschlossen)
• Integration zweier unterschiedlicher Agentenmodelle für Multi-Agenten-Szenarien mit Anwendung in der Logistik (Master, abgeschlossen)
• Erlernen von Wissensbasen mittels Reinforcement Learning und Neuronalen Netzen (Master, abgeschlossen)
• Lernen von Bayes-Netz-Strukturen als Grundlage für Agentenverhalten (Bachelor, abgeschlossen)
• Statistische Evaluation unterschiedlicher Repräsentationsformen für die Wissensextraktion aus Reinforcement Learning (Bachelor, abgeschlossen)

In der Vergangenheit habe ich auch zahlreiche Projekte für die Jugend Forscht/Schüler Experimentieren Wettbewerbe betreut.

Publikationen

• Heilmann, X.*, Henkys, V.*, Apeldoorn, D.*, Strauch, K., Schmidt, B., Lilienthal, T., Panholzer, T.: Studying Privacy Aspects of Learned Knowledge Bases in the Context of Synthetic and Medical Data. Studies in Health Technology and Informatics, 317:261–269, 2024. (url) (*geteilte Erstautorenschaft)

• Apeldoorn, D., Dockhorn, A., Panholzer, T.: AbstractSwarm Multi-Agent Logistics Competition: Multi-Agent Collaboration for Improving A Priori Unknown Logistics Scenarios. Accepted for publication in: Genetic and Evolutionary Computation Conference (GECCO ’24 Companion), July 14–18, 2024, Melbourne, VIC, Australia. ACM, New York. (url)

• Apeldoorn, D.: Comprehensible Extraction of Knowledge Bases for Learning Agents in Games. Künstl Intell (early access), 2024. (url)

• Thevapalan, A.*, Apeldoorn, D.*, Kern-Isberner, G., Meyer, R. G., Nietzke, M., Panholzer, T.: Comparison and Incorporation of Reasoning and Learning Approaches for Cancer Therapy Research. Studies in Health Technology and Informatics, 307:161–171, 2023. (url) (* geteilte Erstautorenschaft)

• Apeldoorn, D.: Comprehensible Knowledge Base Extraction for Learning Agents – Practical Challenges and Applications in Games. Dissertation at TU Dortmund University. Mainz, Aachen, 2023; Johannes Gutenberg University, Mainz, 2023. (url)

• Apeldoorn, D., Dockhorn, A.: Exception-Tolerant Hierarchical Knowledge Bases for Forward Model Learning. IEEE Transactions on Games, 13(3):249–262, 2021. (url)

• Apeldoorn, D., Panholzer, T.: Automated Creation of Expert Systems with the InteKRator Toolbox. Studies in Health Technology and Informatics, 283:46–55, 2021. (url)

• Apeldoorn, D., Hadidi, L., Panholzer, T.: Learning Behavioral Rules from Multi-Agent Simulations for Optimizing Hospital Processes. In: Chomphuwiset, P., Kim, J., Pawara, P. (eds.) Multi-disciplinary Trends in Artificial Intelligence – 14th International Conference, MIWAI 2021, Virtual Event, July 2–3, 2021, Proceedings, pp. 14–26. Springer, Cham, 2021. (url)

• Apeldoorn, D.: KI in der Schule – Teil 1: Einführung in die künstliche Intelligenz. LOG IN – Informatische Bildung und Computer in der Schule, 195/196:126–131, 2021. (url)

• Dockhorn, A., Apeldoorn, D.: Forward Model Approximation for General Video Game Learning. In: Browne, C., Winands, M. H. M., Liu, J., Preuss, M. (eds.) Proceedings of the 2018 IEEE Conference on Computational Intelligence and Games (CIG’18), pp. 425–432. IEEE, Piscataway, 2018. (url)

• Apeldoorn, D., Kern-Isberner, G.: An Agent-Based Learning Approach for Finding and Exploiting Heuristics in Unknown Environments. In: Gordon, A. S., Miller, R., Turán, G. (eds.) Proceedings of the Thirteenth International Symposium on Commonsense Reasoning, London, UK, November 6-8, 2017. CEUR Workshop Proceedings, vol. 2052, paper 1. CEUR-WS.org, Aachen, 2018. (url)

• Apeldoorn, D., Volz, V.: Measuring Strategic Depth in Games Using Hierarchical Knowledge Bases. In: 2017 IEEE Conference on Computational Intelligence and Games (CIG), pp. 9–16. IEEE, Piscataway, 2017. (url)

• Krüger, C., Apeldoorn, D., Kern-Isberner, G.: Comparing Answer Set Programming and Hierarchical Knowledge Bases Regarding Comprehensibility and Reasoning Efficiency in the Context of Agents. In: Proceedings of the 30th International Workshop on Qualitative Reasoning (QR 2017) at International Joint Conference on Artificial Intelligence (IJCAI 2017) in Melbourne, Australia. Northwestern University, Evanston, Illinois, 2017. (url)

• Apeldoorn, D., Kern-Isberner, G.: Towards an Understanding of What is Learned: Extracting Multi-Abstraction-Level Knowledge from Learning Agents. In: Rus, V., Markov, Z. (eds.) Proceedings of the Thirtieth International Florida Artificial Intelligence Research Society Conference, pp. 764–767. AAAI Press, Palo Alto, California, 2017. (url)

• Apeldoorn, D., Kern-Isberner, G.: When Should Learning Agents Switch to Explicit Knowledge? In: GCAI 2016. 2nd Global Conference on Artificial Intelligence. EPiC Series in Computing, vol. 41, pp. 174–186. EasyChair Publications, 2016. (url)

• Apeldoorn, D.: A Spatio-Temporal Multiagent Simulation Framework for Reusing Agents in Different Kinds of Scenarios. In: Müller, J. P., Ketter, W., Kaminka, G., Wagner, G., Bulling, N. (eds.) Multiagent System Technologies. LNAI, vol. 9433, pp. 79–97. Springer International Publishing, Switzerland, 2015. (url)

• Apeldoorn, D.: Learning Rules for Cooperative Solving of Spatio-Temporal Problems. In: Beierle, C., Kern-Isberner, G., Ragni, M., Stolzenburg, F. (eds.) Proceedings of the 5th Workshop on Dynamics of Knowledge and Belief (DKB-2015) and the 4th Workshop KI & Kognition (KIK-2015) co-located with the 38th German Conference on Artificial Intelligence (KI-2015), Dresden, Germany, September 22, 2015. CEUR Workshop Proceedings, vol. 1444, pp. 5–15. CEUR-WS.org, Aachen, 2015. (url)

• Apeldoorn, D.: AbstractSwarm – A Generic Graphical Modeling Language for Multi-Agent Systems. In: Klusch, M., Thimm, M., Paprzycki, M. (eds.) Multiagent System Technologies. LNCS, vol. 8076, pp. 180–192. Springer, Berlin Heidelberg, 2013. (url)

• Apeldoorn, D.: Statistical Relational Learning in Dynamic Environments – An Agent-Based Approach to Dynamic Pathfinding Using Bayesian Logic Networks and ProbCog. In: Beierle, C., Kern-Isberner, G. (eds.) Informatik Berichte 361–09/2011: Evolving Knowledge in Theory and Applications – Proceedings of the 3rd Workshop on Dynamics of Knowledge and Belief (DKB 2011) at the 34th Annual Conference on Artificial Intelligence (KI-2011) in Berlin, pp. 61–71. FernUniversität in Hagen, Hagen, 2011. (url)

• Apeldoorn, D., Heimbürger, H.: Method-oriented software development (MOSD) with the programming language C-mol – a new concept for improved Human Computer Interaction regarding the transfer of an idea to its realization. TESI 2005 Conference Proceedings, AIS II.2, Highbury Business, Kent, 2005.

• Apeldoorn, D., Heimbürger, H.: Method-oriented software development (MOSD) with the programming language C-mol – A new concept for more efficient development and implementation of software systems. In: Gesellschaft für Informatik e.V. (ed.) Informatiktage 2003: Fachwissenschaftlicher Informatik-Kongress, pp. 103–106. Konradin Verlagsgruppe, Grasbrunn, 2004.