Federate-Learning für die automobile Entwicklung

Institut
Lehrstuhl für Fahrzeugtechnik
Typ
Bachelorarbeit / Semesterarbeit / Masterarbeit /
Inhalt
experimentell /  
Beschreibung

 

Um moderne datengetriebene Entwicklung zu ermöglichen müssen Daten und Informationen von verschiedenen Datenquellen. Am Lehrstuhl für Fahrzeugtechnik werden fortlaufend Flottenversuche durchgeführt, bei denen das Bewegungsprofil von Fahrzeugen aufgezeichnet und in eine Datenbank überführt werden. Auf diesen Daten werden nachfolgend Analysen durchgeführt und Algorithmen trainiert.

Ziel      Im Rahmen der Arbeit soll eine Übersicht an Transfer Learning Methoden erarbeitet werden und die daraus folgenden Anforderungen an die zugrunde liegenden Datenquellen abgeleitet werden. Schließlich soll ein möglicher Datensplit an den Fahrzeugaufzeichnungen des Lehrstuhls für Fahrzeugtechnik vorgenommen werden

Folgende Inhalte umfasst die zu vergebende Studienarbeit:

  • Übersicht von Distributed und Federated Learning Methoden und daraus ableitbaren Anforderungen an die Datenbasis
  • Implementierung eines beispielhaften Datensplits mit Fokus auf Anonymisierung und Pseudonymisierung
  • Testen des Datensplits anhand einer Transfer Learning Methode

Wir suchen:

  • Begeisterung für Machine-Learning und dessen Einsatz
  • Interesse and Data-Science und Data-Engineering
  • Programmierkenntnisse in Python und SQL

Wir bieten:

  • Interdisziplinäre Themen und Kompetenzen im (Informatik, Mathematik, Maschinenbau) Smart Mobility Team
  • Analysetools und Zugang zur größten Mobilitätsdatenbank der TU München
  • Aktive Einbindung in ein laufendes Forschungsprojekt mit Möglichkeiten zur Erstellung einer Veröffentlichung

 

Prof. Dr.‑Ing. M. Lienkamp                                        Betreuer: Fabian Netzler, M. Sc.

 

Tags
FTM Studienarbeit, FTM Smarte Mobilität, FTM Netzler, FTM Informatik
Möglicher Beginn
sofort
Kontakt
Fabian Netzler, M. Sc.
Tel.: +49 89 289 16598
fabian.netzlertum.de