Abschlussarbeit im Bereich Data Science

Deine Aufgaben

• Durchführung einer umfassenden Literaturrecherche zu aktuellen Methoden im jeweiligen Bereich
• Du entwickelst und implementierst innovative Analysemethoden
• Dabei nutzt und verarbeitest du die echten Felddaten der RATIONAL-Geräte
• Du arbeitest mit einem modernen TechStack
• Die Ergebnisse deiner Arbeit dokumentierst und präsentierst Du den jeweiligen Stakeholdern
• Du bekommst Einblick in ein agiles Projektteam und in die Entwicklung von KI-Datenprodukten

Dein Profil

• Du befindest dich aktuell im Studium der Data Science, Informatik, Physik oder in einem vergleichbaren Studiengang
• Gute Kenntnisse in Mathematik und Statistik sind von Vorteil
• Du bringst gute Programmierkenntnisse in Python mit
• Du verfügst über gute Deutsch- und Englischkenntnisse
• Interesse an der Datenanalyse und der Clusteranalyse runden Dein Profil ab

Bei den Abschlussarbeiten kannst du aus folgenden Themen wählen:

• Analyse & Clustering von Gerätedaten mit Machine Learning Methoden
  Um die Nutzung unserer Gargeräte besser verstehen zu können, suchen wir aktuell Unterstützung bei der Entwicklung von neuen Analysemethoden zur Klassifizierung der Nutzungsgruppen.
• Optimierung von KI-Modellen durch die „Multidimensionale Clusteranalyse von Trajektorien mit Deep Learning Methoden
  Um die Leistung unserer KI basierten Anomaliedetektion weiter zu optimieren können, suchen wir aktuell Unterstützung bei der Entwicklung innovativer Methoden zur Multidimensionale Clusteranalyse von Trajektorien mit Deep Learning Methoden. In dieser Arbeit soll der Trajektorien-Clustering-Algorithmus auf einen weniger untersuchten Bereich der Fehlererkennung und vorausschauenden Wartung angewendet werden.
• Klassifizierung von Zeitreihendaten mit „Dynamic Time Warping“
  Um die Nutzung unserer Gargeräte besser verstehen zu können, suchen wir aktuell Unterstützung bei der Entwicklung von neuen Analysemethoden zur Klassifizierung von Zeitreihendaten mit Hilfe von „Dynamic Time Warping“.
• Entwicklung von kausalen KI-Modellen im Kontext von Predictive Maintenance
  Um die Leistung unserer KI basierten Anomaliedetektion weiter zu optimieren können, suchen wir aktuell Unterstützung bei der Entwicklung innovativer Methoden zur Entwicklung von kausalen KI-Modellen im Kontext von Predictive Maintenance. Ziel der Arbeit ist die Erstellung eines Konzepts auf welcher Weise kausale Modelle zur Diagnose in der Wartung eingesetzt werden können.
• Optimierung von KI-Modellen mit „(Deep) Representation Learning“
  Um die Leistung unserer KI basierten Anomaliedetektion weiter zu optimieren können, suchen wir aktuell Unterstützung bei der Entwicklung innovativer Methoden zur Verbesserung der Repräsentation von Daten mit Hilfe von „Representation Learning“.
• Optimale Daten-Vorbereitung für KI-Modelle
  Es gibt sehr viele mögliche Operationen, die auf Zeitreihendaten zur Vorbereitung für dsa Modelltraining ausgeführt werden können. Wirken sich die Operationen positiv auf die Modellperformance aus? Wir suchen Unterstützung bei der Entwicklung einer Lösung, die die Auswahl dieser Methoden optimiert ähnlich wie bei bekannten Auto-ML Methoden.