Warehouse Logistics
- Optimierung von Warehouse Logistics in Zusammenarbeit mit dem Lehrstuhl für Resource Aware Algorithmics (Masterarbeiten, auch in Verbindung mit einem Projektmodul möglich, Ansprechpartner Organic Computing: Prof. Dr. Hähner)
Regelbasiertes Machine Learning
- Lösungsansätze für Übergeneralitätsprobleme in strength-based LCS (Masterarbeit, Ansprechpartner: David Pätzel)
- Lambda-Kalkül basiertes Genetic Programming inkl. Implementierung in Haskell (Master- oder auch Bachelorarbeit, Ansprechpartner: David Pätzel)
- Hyperparameterfreie Genetische Algorithmen im evolutionären Machine Learning / Pittsburgh LCS (Masterarbeit auch in Verbindung mit einem Projektmodul möglich, Ansprechpartner: Michael Heider)
- Matching im evolutionären Machine Learning / Pittsburgh LCS (Bachelor- oder Masterarbeit, Ansprechpartner: Michael Heider)
- Lokale Modelle im evolutionären Machine Learning / Pittsburgh LCS für Funktionsapproximation (Bachelor- oder Masterarbeit auch in Verbindung mit einem Praxis-/Projektmodul möglich, Ansprechpartner: Michael Heider)
- UBR vs MMR vs CSR vs MPR representations of intervals in XCS(F) (Bachelorarbeit, Ansprechpartner: Michael Heider)
- Compaction algorithms in XCS(F) (Bachelor- oder Masterarbeit, Ansprechpartner: Michael Heider)
Additive Fertigung
- Machine Learning-basierte Qualitätsvorhersage von Bauteilen, z.B. mittels Evolutionary Computation (Bachelorarbeit, Ansprechpartner: Michael Heider)
Optimierung / Metaheuristiken
- Optimierung der Ausführreihenfolge von Programmcode (Masterarbeit, auch in Verbindung mit Projektmodul möglich, Ansprechpartner: Michael Heider)
Cartesian Genetic Programming
- Cartesian Genetic Programming ist eine Form der Genetischen Programmierung. Die grobe Idee ist es, ein Programm mithilfe einer Graphenstruktur darzustellen. Mithilfe genetischer Algorithmen kann sich diese Graphenstruktur selbstständig verändern, um sich an das aktuelle Ziel anzupassen (Bachelor- und Masterarbeit, Ansprechpartner: Henning Cui)
Entwicklung einer grafischen Oberfläche zur Nutzung von Autoencodern
Diese Bachelorarbeit besteht aus mehreren teilen:
- Es soll ein modularer Autoencoder implementiert werden. Modular bedeutet in diesem Kontext:
- Der Aufbau des Autoencoders bleibt bei jedem Trainingsvorgang gleich
- Sollten zwei Autoencoder unabhängig voneinander trainiert werden, muss man Decoder bzw. Encoder untereinander tauschen können.
- Bspw.: Autoencoder X und Y wurden trainiert. Diese bestehen jeweils aus Encoder X und Decoder X; bzw. Encoder Y und Decoder Y
- Es soll nun möglich sein, Encoder aus X zu nehmen und für Y zu verwenden. D.h. es gibt nun einen "neuen" Autoencoder, bestehend aus Encoder X und Decoder Y
- Die Autoencoder sollen für Bilder verwendbar sein.
- Der zweite Teil besteht aus der Entwicklung einer grafischen Benutzeroberfläche. Auf dieser Oberfläche soll folgendes gemacht werden können:
- Button zum starten eines Trainingsvorgangs. Anschließend soll der Autoencoder gespeichert werden
- Möglichkeit, seperat Encoder und Decoder von (verschiedenen) Autoencodern zu laden
- Möglichkeit, ein Bild durch die geladenen Encoder-Decoder zu schicken
- Möglichkeit, händisch (durch Schieberegeler, o.ä.) Werte für einen ausgewählten Decoder einzugeben und dadurch eine Ausgabe zu erzeugen
- (Bachelorarbeit, Ansprechpartner: Henning Cui)
Externe Abschlussarbeiten
Eine Abschlussarbeit in Kooperation mit einem externen Unternehmen kann nach Absprache von uns betreut werden. Nehmen Sie gerne Kontakt mit uns auf, falls Sie ein spannendes Thema und einen passenden Partner an der Hand haben.
- Wir bieten einige Themen in Kooperation mit folgenden Unternehmen an:
- Firma OSRAM im Bereich
- Active Learning zum Effizienten Trainieren von Industriedaten
- Explainable AI für industrielle Bildverarbeitung
- Weitere Themen nach Absprache möglich
Nähere Informationen zu den Themen und Ansprechpartner finden Sie unter folgendem Link: