Die Datenaufbereitung und Data Exploration bilden wichtige Schritte in der Vorbereitung von Daten für Machine-Learning Anwendungen. Mit diesen Maßnahmen wird sichergestellt, dass Daten eine ausreichend hohe Qualität für das spätere Training von ML-Modellen aufweisen. SPP-Übergreifend ergeben sich nachfolgende Arbeitsinhalte:
- Definition und Validierung von Methoden zur Beurteilung vorliegender Datenqualitäten
- Definition und Validierung von Datenvorverarbeitungs- und Aufbereitungsprozessen für den Anwendungsfall umformtechnischer Prozesse
- Automatisierung von Datenverarbeitungsschritten bis hin zur Strukturierung und Speicherung der Sensordaten in Datenbanken oder Dateiformaten auf effiziente Art und Weise
- Erarbeitung von Visualisierungstechniken sowie Methoden des Feature Engineerings für multidimensionale Problemstellungen aus der Umformtechnik
- Zusammentragen von Best Practices in einer methodischen „Toolbox“ & AutoML Techniken
- Mustererkennung / Clustering/ Knowledge Discovery
- Vergleich unterschiedlicher Methoden: NN/PCA/…
- Supervised vs. Unsupervised
- Schnittstelle zu AK4
Kontakt
Prof. Dr. Agnes Koschmider
Fraunhofer-Institut für Angewandte Informationstechnik FIT
Wittelsbacherring 10
95444 Bayreuth
E-Mail: agnes.koschmider@uni-bayreuth.de
Website: https://www.wi.fit.fraunhofer.de/
Prof. Dr. Peer Kröger
Christian-Albrechts-Universität zu Kiel
Information Systems and Data Mining (ISDM)
Christian-Albrechts-Platz 4
24118 Kiel
E-Mail: pkr@informatik.uni-kiel.de
Website: https://www.isdm.informatik.uni-kiel.de/de