Selbst-lernende OC-Systeme
- Anomaly Detection in Sensornetzen: Auf Echtweltdaten eines Sensornetzwerkes sollen mittels Anomaly Detection von der Norm abweichende Drifts erkannt werden. Die Komponente soll in einer multi-level Observer/Controller Architektur laufen. (Bachelor- oder Masterarbeit, Ansprechpartner: Wenzel Pilar von Pilchau)
- Computational Trust Model in Sensornetzwerken: Jedem Sensor im Netzwerk wird ein Trust-Wert zugeordnet der Aussagen über die Zuverlässigkeit, bzw. die Messungenauigkeit zulassen. (Bachelor- oder Masterarbeit, Ansprechpartner: Wenzel Pilar von Pilchau)
Learning Classifier Systeme
- 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)
Additive Fertigung
- Deep Learning-basierte Qualitätsvorhersage von Bauteilen (Bachelorarbeit, Ansprechpartner: Michael Heider)
- Evolutionary Classification-basierte Qualitätsvorhersage von Bauteilen (Bachelorarbeit, Ansprechpartner: Michael Heider)
- Evolutionäre Funktionsapproximatoren auf Qualitätsmerkmalen aus dem 3D Druck (Bachelor- oder Masterarbeit, Ansprechpartner: Michael Heider)
Optimierung / Metaheuristiken
- Parallelisierung populations-basierter Optimierungsverfahren / Metaheuristiken (Bachelor- oder Masterarbeit auch in Verbindung mit Praxis-/Projektmodul möglich, Ansprechpartner: Helena Stegherr)
- Vergleich der Performance von Optimierungsverfahren / Metaheuristiken via Deep Statistics (Masterarbeit, Ansprechpartner: Helena Stegherr)
- Erweiterung und Vergleich verschiedener Metaheuristiken (Bachelor- oder Masterarbeiten, Ansprechpartner: Helena Stegherr)
(Deep) Reinforcement Learning
- Experience Replay for Deep Reinforcement Learning: Das Experience Replay fungiert im Deep Reinforcement Learning als Gedächtnis für gemachte Zustandsübergänge, erhöht die Sampleeffizienz und verhindert catastrophic forgetting. Unterschiedliche Varianten können implementiert und evaluiert werden. (Bachelor- und Masterarbeiten, Ansprechpartner: Wenzel Pilar von Pilchau)
- Model-based Deep Reinforcement Learning: Im model-based RL wird ein Model der Umwelt gelernt und dieses benutzt um eine policy zu lernen, die das Problem löst. (Bachelor- und Masterarbeiten, Ansprechpartner: Wenzel Pilar von Pilchau)
- Interpolated Experience Replay: Durch das Nutzen von gespeichertem Wissen im Experience Replay werden synthetische Erfahrungen mittels Interpolation erstellt um den Lerner zu unterstützen. (Bachelor- und Masterarbeiten, Ansprechpartner: Wenzel Pilar von Pilchau)
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.