Kontakt & Service

Kontakt für Unternehmen

Interessante Angebote senden Sie bitte per Mail an:

Julia Diedrich

Julia Diedrich

Informatik und Ingenieurwissenschaften

  • Campus Gummersbach
    Steinmüllerallee 1
    51643 Gummersbach
  • Telefon+49 2261-8196-6314

Bitte mit geben Sie das Thema, eine Beschreibung und den/die Ansprechpartner/in an.

Abschlussarbeiten und Jobs

Auf dieser Seite finden Sie aktuelle Themen für Abschlussarbeiten aus den Bereichen der künstlichen Intelligenz, des maschinellen Lernens, des Data Minings und der modellbasierten Optimierung. Diese Arbeiten werden für Bachelor- und Masterstudenten im Rahmen von Forschungsprojekten, teilweise in Kooperation mit Industriepartnern, angeboten.

Die Abschlussarbeiten stammen aus den folgenden, im IDEA untersuchten, Themenbereichen:

  • Künstliche Intelligenz in der industriellen Optimierung
  • Maschinelles Lernen
  • Quantencomputer
  • Modellbasierte Optimierung
  • Data Mining, Data Science
  • Industrie 4.0, Digitalisierung

Maschinelles Lernen mit Quantencomputern

Im Bereich des Quantum Machine Learnings (QML) wird versucht, rechenintensive Verfahren des maschinellen Lernens mit Hilfe von Quantencomputern zu beschleunigen. In diesen Abschlussarbeiten soll die Anwendbarkeit des QMLs mit Open Source Software, wie z.B. IBMs Quantum Information Science Kit (Qiskit), untersucht werden.

Ansprechpartner:
Prof. Dr. Thomas Bartz-Beielstein


Künstliche Intelligenz für KMUs: Eine Fall- und Machbarkeitsstudie

Anhand konkreter Projekte sollen Aufwand, Nutzen und Kosten des Einsatzes von KI Methoden für kleine und mittelständische Unternehmen untersucht werden.

Kontakt:
Prof. Dr. T. Bartz-Beielstein


Digitalisierung von Geschäftsmodellen: Best Practice und Beispiele

In dieser Arbeit soll untersucht werden, welche Geschäftsmodelle durch die Digitalisierung in kleinen und mittelständischen Unternehmen profitieren. 

Kontakt:
Prof. Dr. T. Bartz-Beielstein


Einsatz von Deep Learning in der Industrie: Fallbeispiele

In dieser Arbeit sollen Fallbeispiele beschrieben werden, um den realen Nutzen des Einsatzes von Deep Learning Verfahren in der Industrie zu evaluieren.

Kontakt:
Prof. Dr. T. Bartz-Beielstein


Software-Tools für die Digitalisierung – wie ist der Stand der Technik? 

In dieser Arbeit soll untersucht werden, welche Tools (Datenbanken, Cloud-Services etc.)  bereits eingesetzt werden. Dabei soll der Technologiereifegrad der Unternehmen berücksichtigt werden. Es soll evaluiert werden, welcher Beratungsbedarf besteht. Bei dieser Arbeit sollen insbesondere kleine und mittelständische Unternehmen aus der Region Oberberg berücksichtigt werden.

Kontakt:
Prof. Dr. T. Bartz-Beielstein


Digitaler Zwilling: Best Practice und Handlungsempfehlungen

Der digitale Zwilling („Digital Twin“) ermöglicht die datengetriebene Visualisierung von Status und Betriebsbedingungen eines realen Objektes (Maschine), auch wenn dieses geografisch weit entfernt ist. In dieser Arbeit sollen Best-Practice-Beispiele für den Einsatz digitaler Zwillinge beschrieben und bewertet werden.

Kontakt:
Prof. Dr. T. Bartz-Beielstein


Time Series event detection: Improvement of the EventDetectR package

The EventDetectR package is a tool for detecting and classifying anomalous events in Time Series. It combines multiple well known R functions from different packages into an easy to configure tool that matches different types of times series data. However, being at the beginning of its development there is more work and capabilities that need to be included.

During the course of this thesis some improvements and expansions need to be added to the package functionalities, these include but are not limited to:

  • Add more data preprocessing methodologies
  • Include more forecasting algorithms
  • Include new event detection techniques
  • Implement a simulator to simulate anomalies on the data set
  • Add data postprocessing options

If you are interested on the thesis topic feel free to contact:
M. Rebolledo, Prof. Dr. T. Bartz-Beielstein


Simulation und Optimierung von Hochleistungsaufzügen

Kontakt:
Prof. Dr. T. Bartz-Beielstein



Simulation und Optimierung eines Elektofilters

Kontakt:
F. RehbachProf. Dr. T. Bartz-Beielstein


Empirischer Vergleich von State-of-the-art Methoden zur Dimensionsreduktion

Kontakt:
Prof. Dr. T. Bartz-Beielstein


Einsatz von Verfahren zur Dimensionsreduktion in der modellbasierten Optimierung

Kontakt:
Prof. Dr. T. Bartz-Beielstein


Visualisierung und Reportgenerierung für experimentelle Daten 

Kontakt:
Prof. Dr. T. Bartz-Beielstein


Comparison of Parameter Tuning Methods in R

Description:
Nearly all state-of-the-art optimization algorithms are equipped with a wide variety of configurable settings. Optimal settings for these settings are usually problem dependent and directly influence the performance of any given optimizer. Hence, algorithm tuning is a standard procedure to make sure an algorithm performs best for its defined task. The team of the Institute for Data Science, Engineering, and Analytics develops the Sequential Parameter Optimization Toolbox (SPOT) since many years. The R-package is a well-established, easy to use tool for industrial algorithm tuning. In order to further improve the tool and compare it to close competitors the following thesis is available: 
- Research existing R-packages for parameter tuning
- Design a testing and comparison procedure that incorporates performance as well as setup and usability criteria
- Perform experiments to test the different packages in a statistical manner
- Summarize and present your findings in the thesis

Contact:
F. Rehbach, Prof. Dr. T. Bartz-Beielstein


Implementierung von Surrogatmodellen für die Toolbox SPOT

Kontakt:
F. Rehbach, Prof. Dr. T. Bartz-Beielstein


Kombination von Surrogatmodellen in der Toolbox SPOT

Kontakt:
Prof. Dr. T. Bartz-Beielstein

M
M