piwik-script

Intern
Chair of Computer Science II - Software Engineering

(Praktikum) Entwicklung einer Evaluationstoolbox für synthetische Zeitreihen

30.06.2023

Motivation

Effektives Lernen künstlicher Intelligenz verlangt nach hochwertigen Daten, die nicht nur öffentlich verfügbar, sondern auch wissenserweiternd und lehrreich sind. Dies gilt sowohl für akademische Forschung als auch für die vielfältigen Bereiche der Industrie – sei es im Bankwesen oder in der Medizin. Doch gerade in solch sensiblen Bereichen stoßen wir auf ein Dilemma: Wichtige Daten dürfen oft nicht veröffentlicht werden.

Hier kommt eine spannende Lösung ins Spiel: Die Erschaffung von neuen Daten durch den Einsatz von KI. Dieser Ansatz besteht darin, die grundlegenden Eigenschaften eines Originaldatensatzes zu erlernen und darauf aufbauend neue Daten mit vergleichbaren Eigenschaften zu generieren. Diese Methode kann auf Bilder, Videos, tabellarische Daten und auch auf Zeitreihen angewendet werden. Besonders bei Zeitreihen gibt es jedoch eine Herausforderung: Wie können wir die Qualität der generierten Daten objektiv messen?

Ziele

Meist geschieht das durch Evaluationsmetriken, d.h. Funktionen, die bei Eingabe von realem und generiertem Datensatz angeben, wie "gut" dieser ist. Oft werden dabei auch neuronale Netze benutzt. Der Fokus liegt bei uns auf Zeitreihendaten. In diesem Praktikum wirst du eine gegebene Auswahl solcher Metriken algorithmisch umsetzen und in Python implementieren. Zudem sollen noch einige hilfreiche Zusatzfunktionen und Optionen für die Anwendung der Metriken implementiert werden. Ziel des Praktikums ist eine mächtige, einsatzbereite, und nutzerfreundliche Toolbox, die diese Funktionen umsetzt, inklusive Dokumentation.

Am Besten lassen sich Details und Schwerpunkte im persönlichen Gespräch besprechen. Sprich uns an oder schreib uns eine E-Mail!

Wir bieten

  • Arbeit an innovativen und neuen Forschungsfeldern
  • Gute und intensive Betreuung
  • Kombination aus Literaturarbeit, Algorithmendesign und Softwareentwicklung
  • Umgebung: Python, TF, PyTorch

Dauer
    3 Monate

Kontakt

Michael Stenger, M.Sc.

michael.stenger@uni-wuerzburg.de

go.uniwue.de/stenger

Zurück