Professorin für Applied Data Science und Applied Data Science
| E-Mail: | [email protected] |
| Telefon: | +49 6221 6799 767 |
Professor:in
Prof. Dr. Judith Cerit
Über mich
Prof. Dr. Judith Cerit (geb. Pérez-Velázquez) ist seit Oktober 2026 Professorin für Applied Data Science an der SRH University am Campus München. Sie studierte Mathematik an der Universidad Nacional Autónoma de México (UNAM) und promovierte 2006 an der University of Nottingham (GB) über mathematische Modelle des Tumorwachstums. Nach ihrer Zeit als Research Fellow an der University of Warwick (GB) forschte sie von 2009 bis 2018 am Helmholtz Zentrum München und an der Technischen Universität München, wo sie sich 2019 im Fach Mathematik habilitierte. 2018 war sie Assistant Professor an der UNAM in Mexiko Stadt.
Von 2020 bis 2022 war sie Senior Researcher und Projektleiterin im BMBF Verbundprojekt GAIA-X 4 KI an der Technischen Hochschule Ingolstadt, anschließend bis 2026 Senior Data Scientist & AI Officer bei den Stadtwerken Ingolstadt. Sie verbindet langjährige Forschungserfahrung in der mathematischen Modellierung mit Praxiserfahrung in Data Science und Künstlicher Intelligenz. Sie wurde mit dem Laura Bassi Award (2016) ausgezeichnet und engagiert sich als Mentorin in Programmen zur Förderung von Frauen in MINT. An der SRH University lehrt sie im Masterstudiengang Applied Data Science and Analytics, unter anderem Deep Learning und Biomedical Image Analysis.
- Mathematische Onkologie: mechanistische Modelle für Tumorwachstum, Metastasierung und Therapieresistenz
- Mechanistic Learning: Verbindung mechanistischer Modelle mit maschinellem Lernen, z. B. zur Rückfallprognose bei Brustkrebs (Kooperation mit der TOBB University of Economics and Technology, Ankara)
- Computational Pathology und biomedizinische Bildanalyse
- Maschinelles Lernen für Zuverlässigkeitsanalyse und Predictive Maintenance
- Mathematische Modellierung bakterieller Kommunikation (Quorum Sensing)
- Sicherheit und Vertrauenswürdigkeit von KI-Systemen
An diesen Publikationen habe ich mitgewirkt
- Pérez-Velázquez, J., Gölgeli, M., Guido, C.A.R., Silva-Carmona, A. (2025): Challenges in Computational Pathology of Biomarker-Driven Predictive and Prognostic Immunotherapy. In: Handbook of Cancer and Immunology. Springer.
- Pérez-Velázquez, J., Gölgeli, M., Ruiz Guido, C.A. (2022): Machine Learning for Failure Analysis: A Mathematical Modelling Perspective. In: Research in Mathematics of Materials Science. Springer.
- Zippelius, A., Hanß, A., Schmid, M., Pérez-Velázquez, J., Elger, G. (2022): Reliability analysis and condition monitoring of SAC+ solder joints under high thermomechanical stress conditions using neuronal networks. Microelectronics Reliability 129.
- Theissler, A., Pérez-Velázquez, J., Kettelgerdes, M., Elger, G. (2021): Predictive Maintenance enabled by Machine Learning: Use cases and challenges in the automotive industry. Reliability Engineering and System Safety.
- Pérez-Velázquez, J., Rejniak, K.A. (2020): Drug-Induced Resistance in Micrometastases: Analysis of Spatio-Temporal Cell Lineages. Frontiers in Physiology 11.
- Cerit, J., Dindarian, A., Cilo-van Norel, N. (2020): Women, AI, and the Power of Supporting Communities: A Digital Gender-Support Partnership. Patterns 1(1).
- Pérez-Velázquez, J. (2016): Mathematical Modelling of Bacterial Quorum Sensing: A Review. Bulletin of Mathematical Biology 78.
- King, J.R., Pérez-Velázquez, J., Byrne, H.M. (2009): Singular Travelling Waves in a Model for Tumour Encapsulation. Discrete and Continuous Dynamical Systems – Series A 25(1).