Prof. Dr. Matteo Marouf

Matteo Marouf promovierte an der Universität Belgrad mit Schwerpunkt auf Angewandtem Machine Learning, Edge AI sowie biomedizinischer Bild- und Signalverarbeitung. Parallel zu seiner Promotion baute und leitete er ein KI-Forschungsteam und entwickelte intelligente Edge-AI-Anwendungen sowie Datenanalyse-Pipelines für Unternehmen wie HTEC Group und Seven Bridges Genomics. Anschließend arbeitete er als KI- und Data-Science-Berater für Unternehmen wie Lufthansa und Boehringer Ingelheim und begleitete die Entwicklung und Umsetzung von KI- und datengetriebenen Lösungen.

Im Jahr 2024 folgte er dem Ruf auf die Professur für Künstliche Intelligenz an der Technischen Hochschule Bingen. Seit 2025 ist er Professor für Big Data und Künstliche Intelligenz an der Frankfurt University of Applied Sciences. Seine Forschungs- und Lehrschwerpunkte liegen in den Bereichen Biomedical Data Analysis, Generative AI, Representation Learning und Computer Vision. Er ist Autor zahlreicher wissenschaftlicher Publikationen in renommierten Fachzeitschriften, darunter Nature Communications, Science Advances und Genome Biology.

Journal Articles:

1. F. Hausmann, C. Ergen-Behr, R. Khatri, M Marouf, ... & Bonn, S. (2022-23). DiSCERN-Deep Single Cell Expression ReconstructioN for improved cell clustering and cell subtype and state detection. Genome Biology.

2. M Marouf, Machart, P., Bansal, V., Magruder, D. S., Kilian, C., & Christian Krebs, S. B. (2020). Realistic in Silico Generation and Augmentation of Single-Cell RNA-seq data Using Generative Adversarial Neural Networks. Nature communication.

3. Menden, K., M Marouf, S Oller, A Dalmia, P. H., & Bonn, S. (2020). Deep-learning-based cell composition analysis from tissue expression profiles. Science Advances. 

4. M Marouf, Saranovac, L., & Vukomanovic, G. (2017). Algorithm for EMG Noise Level Approximation in ECG Signals. Biomedical Signal Processing and Control

5. M Marouf, Saranovac, L., Vukomanovic, G., & Bozic, M. (2017). Multi-purpose ECG Telemetry System. Biomedical Engineering Online 

6. Milaković, A.-S., Li, F., M Marouf, & Ehlers, S. (2019). A machine learning-based method for simulation of ship speed profile in a complex ice field. Ships and Offshore Structures.

Conference Proceedings:

1. M Marouf & Saranovac, L. (2017). Adaptive EMG Noise Reduction in ECG Signals Using Noise Level Approximation. In Proceedings Volume 10613, International Conference on Robotics and Machine Vision. Japan. International Conference on Robotics and Machine Vision. Japan.  

2. Mezeni, D. E., M Marouf, & Saranovac, L. (2014). Adaptive Wavelet-Based Edge Detection in Noisy Images. In Infotech, Jahorina (pp. 683–688).

3. M Marouf, Božović, J. P., & Popović, I. (2012). FPGA Implementation of Neural Network as a Processing Element in Ice Detector. In IEEE neural 2012, 11th Symposium on Neural Network Applications in Electrical Engineering. (pp. 81–84). Belgrade, Serbia. Doi: 10.1109/NEUREL.2012.6419970.

4. M Marouf & Popović, I. (2012). Ice Detector Embedded System Design. In International Conference on Electrical, Electronic, and Computing Engineering ETRAN. Zlatibor, Serbia. 

Meine aktuellen Lehrveranstaltungen sind auf der E-Learning Plattform CampUAS der Frankfurt University of Applied Sciences zu finden.

Lehrveranstaltungen vergangener Semester

• Bachelor Informatik

  • Artificial Intelligence (Ringvorlesung) (SS25, SS26)

• Master Allgemeine Informatik

  • Computer Vision 1 (Bilderkennung 1) (WS25-26)

• Master Inclusive Design

  • Computer Vision 2 (Bilderkennung 2) (SS26)

• Master High Integrity Systems

  • Project: AI-based agents for digitizing tasks of Renovation projects  (WS25-26, SS26)

  • Data Mining (SS25, SS26)

  • Introductory Data Anaylsis (WS25-26)

Sie können entweder

• eines der ausgeschriebenen Themen unten wählen oder
• ein eigenes Thema vorschlagen (gerne in Kooperation mit einem Praxispartner).

Nach der Annahme Ihres Themas vereinbaren Sie bitte einen Termin zur Themenbesprechung. Die weiteren Informationen zum Ablauf erhalten Sie anschließend per E-Mail.

Themen:

• Representation Learning für longitudinale Real-World-Daten

• Trajectory Modeling aus longitudinalen Real-World-Daten (z. B. Versicherungsdaten, Electronic Medical Records, Predictive Maintenance)

• Foundation Models und Large Language Models

• Agentic AI für intelligente Prozessautomatisierung (z. B. Vertrieb, Einkauf, Instandhaltung)

• Deep-Learning-basierte Anomalieerkennung in komplexen Datenumgebungen

• Digital Signal Processing und Zeitreihenanalyse

• Biomedizinische Datenanalyse und Bioinformatik