Diplom-, Master-, Bachelor- oder Studienarbeiten

Trotz des Weggangs von Prof. Fürnkranz werden Abschlussarbeiten am Fachgebiet Knowledge Engineering weiterhin angeboten!
Theses are still offered and supervised by the Knowledge Engineering Group despite Prof. Fürnkranz leaving.

Im Fachgebiet Knowledge Engineering (Prof. J. Fürnkranz) werden zur Zeit folgende Themen für studentische Arbeiten angeboten. Die meisten Themen eignen sich sowohl für Master-, als auch für Studien- oder Bachelor-Arbeiten, wobei bei letzteren natürlich eine etwas weniger tiefe Behandlung des Themas erwartet wird.

Als Vorkenntnisse werden absolvierte Vorlesungen bzw. praktische Erfahrung in maschinellem Lernen, Data Mining oder einem verwandten Gebiet erwartet.

Die Themen-Liste ist keineswegs vollständig und Sie sind auch herzlich eingeladen, selbst Themen vorzuschlagen. Am Fachgebiet findet auch regelmäßig ein Ober-Seminar statt, in dem laufende oder gerade fertig gestellte Arbeiten vorgestellt werden.

Antworten auf häufig gestellte Fragen zu Abschlußarbeiten finden Sie in unserer FAQ.

All theses can be written in English (in fact, this is strongly encouraged). English descriptions of individual topics are available upon request. Prior coursework or practical experience in machine learning, data mining or similar is expected.

Supervised Learning and Interpretability

GPU-accelerated Rule Learning

Ansprechpartner: MR

Aufgrund der Erfolge von Neuronalen Netzen hat sich die Verwendung von Grafikkarten zum Training von Vorhersagemodellen zunehmend etabliert. GPUs ermöglichen die parallelisierte Durchführung gängiger Operationen, wie z.B. Matrixmultiplikationen, was bei der Lösung hoch-parallelisierbarer Probleme einen Geschwindigkeitsvorteil bieten kann. Im Unterschied zu statistischen Verfahren wie Neuronalen Netzen liegen die Vorteile des Regellernens in der Interpretierbarkeit der Modelle und deren Vorhersagen  - ein Aspekt der in der letzten Zeit große Aufmerksamkeit erfahren hat.

Ziel dieser Arbeit ist die Identifikation von Aspekten des Regellernens, die von einer Parallelisierung mittels GPUs profitieren könnten. Ausgehend von einer bereits vorhandenen CPU-basierten Implementierung soll ein GPU-beschleunigter Regellerner entwickelt und (beispielsweise mit Hilfe von Tensorflow) implementiert werden. Die Laufzeit der erarbeiteten Implementierung soll außerdem unter verschiedenen Voraussetzungen experimentell mit bestehenden Verfahren verglichen werden.

Simplification of Tree-based Ensembles

Ansprechpartner: MR

Ensembles von Entscheidungsbäumen, wie beispielsweise "Random Forests" oder "Boosted Decision Trees", gehören zu den State-of-the-Art-Methoden zur Lösung von Klassifikationsproblemen. Die erhöhte Vorhersagegenauigkeit eines Ensembles wird jedoch zu Lasten der Interpretierbarkeit erreicht. Während einzelne Entscheidungsbäume leicht analysiert werden können, ist es in der Praxis - aufgrund der großen Anzahl von Bäumen - nicht möglich ein Ensemble in seiner Gesamtheit zu interpretieren.
 
Basierend auf bereits vorhandenen Vorarbeiten sollen in dieser Arbeit verschiedene Möglichkeiten zur Vereinfachung Entscheidungsbaum-basierter Ensembles untersucht werden. Ziel ist, die Modelle möglichst stark zu vereinfachen, gleichzeitig aber die Vorhersagegenauigkeit möglichst hoch zu halten. Hierfür kommen Techniken aus dem Bereich des Regellernens, sowie von "Boosting" inspirierte Verfahren, in Frage.

Game Playing

General Video Game Playing

Ansprechpartner: TJ

Unter General Video Game Playing versteht man das Spielen mehrerer unterschiedlicher Videospiele durch den gleichen Agenten. Anders als bei Schach, Go oder Poker kann hier nicht auf spielspezifisches Wissen zurückgegriffen werden, sondern muss ein möglichst allgemeiner Agent entwickelt werden, der in der Lage ist unterschiedlichste Spiele zu spielen.

Die General Video Game AI Competition (GVGAI) ist ein von Google Deepmind unterstützter internationaler Wettbewerb, in welchem Agenten auf unterschiedlichen Spielen, die sie vorher nicht kannten, gegeneinander antreten. Die Spiele sind in einem einheitlichen Framework, der Video Game Description Language (VGDL) implementiert.

Aktuell sind keine GVGAI-Arbeiten offen. Themenvorschläge aber möglich!

Data Mining

Competitions im Data Mining

Im Bereich des Data Mining gibt es eine Vielzahl an Wettbewerben, Competitions und Challenges. Ein jährlicher Wettbewerb, an dem die Knowledge Engineering Group regelmäßig teilnimmt, ist der  Data Mining Cup. Dabei werden besonders Vorhersageprobleme aus dem Feld der Recommender Systeme gestellt. Ein weiterer Wettbewerb, diesmal aus dem Bereich der Künstlichen Intelligenz, ist die Computer Poker Competition. Die Teilnahmen fanden jeweils im Rahmen eines Praktikums statt.

Wir möchten Studierenden die Möglichkeit geben, auch an weiteren interessanten Wettbewerben im Bereich des Data Mining und der Künstlichen Intelligenz teilnehmen zu können. Dies wird im Normalfall im Rahmen einer Studienarbeit stattfinden, aber je nach Aufwand und Vor- und Nacharbeit ist auch eine Bachelor- oder Masterarbeit oder ein Projektpraktikum denkbar.

Im Folgenden stellen wir eine kleine Liste laufender bzw. abgeschlossener (soweit aktualisiert) Wettbewerbe statt:

Weitere Möglichkeiten, um sich über aktuelle Wettbewerbe zu informieren, bieten:

    Kontakt

    small ke-icon

    Knowledge Engineering Group

    Fachbereich Informatik
    TU Darmstadt

    S2|02 D203
    Hochschulstrasse 10

    D-64289 Darmstadt

    Sekretariat:
    Telefon-Symbol+49 6151 16-21811
    Fax-Symbol +49 6151 16-21812
    E-Mail-Symbol info@ke.tu-darmstadt.de

     
    A A A | Drucken | Impressum | Sitemap | Suche | Mobile Version
    zum Seitenanfangzum Seitenanfang