BA / PA/ MA: Entwicklung von Generative Adversarial Networks zur Anpassung von Simulationsdaten an realitätsnahe Bedingungen

Situation und Motivation:

Maschinelles Lernen und künstliche Intelligenz ist aktuell in aller Munde. Aktuell findet insbesondere das überwachte (supervised Learning) große Beachtung. Um dieses erfolgreich umsetzen zu können, sind möglichst viele „gelabelte“ Daten notwendig. Diese in guter Qualität zu erzeugen ist häufig sehr aufwändig. Günstiger zu erzeugen als reale, gelabelte Daten sind häufig virtuell erzeugte Daten. Um deren Eignung für das antrainieren von ML-Modellen optimal zu verwenden, kann es hilfreich sein, diese zunächst der realität noch weiter anzupassen, ohne deren Struktur maßgeblich zu verändern. Hierfür eignenen sich unter anderem Generative Adversarial Networks (GANs) . Diese sind eine spezielle Form des unüberwachten Lernens und bestehen aus zwei neuronalen Netzen, wovon eines die Daten der Realität annähert, bis das Zweite diese nicht mehr zuverlässig von der Realität unterscheiden kann.

Durch die erzeugen, realitätsnahen Daten, können somit günstig qualitiv hochwertige Daten enstehen, welche für einen ML-Algorithmus geeignet sind.

Arbeitspakete:

  • Einarbeitung in die Tools und Methoden von Data Analytics und Machine Learning im industriellen Umfeld anhand von gestellten, interaktiven Online-Kurse
  • Recherche zu maschinellen Lernverfahren, insbesondere GANs zur Erzeugung realitätsnaher Daten
  • Exemplarische Umsetzung eines GANs
  • Evaluation und kritische Betrachtung der Ergebnisse
  • Dokumentation der Arbeit

Was Sie mitbringen?

Motivation und eigenständige Arbeitsweise.

Sehr gute Kenntnisse in deutscher und englischer Sprache.

Bei Interesse bitte E-Mail mit Lebenslauf (PDF) und aktuellem Notenspiegel an Moritz Meiners

Kategorien:

Fachbereich:

Bordnetze

Art der Arbeit:

Bachelorarbeit, Masterarbeit, Projektarbeit

Technologiefeld:

Software Engineering

Kontakt: