Startseite » Studentische Arbeiten » Automatisierte Hyperparameteroptimierung von Machine Learning

Automatisierte Hyperparameteroptimierung von Machine Learning

Aufgabenstellung

Algorithmen zur Approximation des Betriebsverhaltens von Maschinen und Anlagen
Datenbasierte Regressionsverfahren werden in der Forschung immer mehr zur Modellbildung beziehungsweise. Systemidentifikation von vermessenen Anlagen verwendet. Besonders Algorithmen des maschinellen Lernens stehen im Fokus. Bei der Auswahl der Hyperparameter muss ein Anwender aktuell meist verschiedene Strukturen testen und anschießend durch eine geeignete Validierung die passendsten Parameter auswählen. Im Rahmen einer Abschlussarbeit soll der Prozess zur Verwendung von Neuronalen Netzen für die datenbasierte Modellierung industrieller Anlagen automatisiert umgesetzt werden, um den Implementierungsaufwand zur verringern. Anschließend ist der Ansatz an verschiedenste Anlagen in der ETA-Fabrik zu validieren.

Schwerpunkte

Arbeitspakete:

  • Literaturrecherche zur Hyperparameteroptimierung von Neuronalen Netzen sowie Feature Engineering im industriellen Umfeld
  • Identifizieren der einzustellendem Netzwerkparameter
  • automatisierte Auswahl geeigneter Features sowie der Netzwerkstruktur

Notwendige Vorkenntnisse