| Kommentar |
Semesterprojekt 1:
Machine Learning auf Graphen
A. van Grinten / K. Ahrens
Machine Learning (ML) ist aktuell ein sehr aktives Forschungsgebiet in der Informatik. Im Kontext von Graphen kann ML auf Klassifikationsprobleme angewendet werden, z.B. um einzelne Knoten oder ganze Graphen zu klassifizieren. Im Fall von Knotenklassifikation ist das Ziel dabei oft, ein Attribut (bzw. ein "Label") für jeden Knoten vorherzusagen.
In diesem Kontext wurden in den vergangen 5 Jahren zahlreiche ML-Verfahren entwickelt. Herkömmliche ML-Modelle, wie beispielsweise Regressionsverfahren oder Deep Neural Networks (DNNs), lassen sich nicht ohne weiteres auf Graphdaten anwenden. Stattdessen ist für Graphdaten (i) entweder Preprocessing, (ii) oder der Einsatz von spezialisierten Modellen notwendig. In der ersten Kategorie gibt es Verfahren, die Graphen in euklidische Räume einbetten ("Representation Learning") und dann bekannte ML-Algorithmen (etwa DNNs) anwenden. In der zweiten Kategorie gibt es z.B. sogenannte Graph Neural Networks (GNNs), die den Graph selbst als künstliches neuronales Netz interpretieren und in jedem Knoten eine Aggregationsfunktion über alle Nachbarn des Knoten anwenden.
Ziel dieses Semesterprojekts ist es, in kleinen Teams verschiedene Verfahren zum ML auf Graphen zu implementieren und deren Genauigkeit in Anwendungsproblemen (z.B. Klassifikationsprobleme) zu evaluieren. Kenntnisse in C++ und Python ist eine Voraussetzung für die erfolgreiche Teilnahme an diesem Semesterprojekt.
Vorwissen über ML-Modelle ist nicht erforderlich. Solide mathematische Grundlagen sind jedoch zum Verständnis der Modelle hilfreich.
------------------------------------------
Semesterprojekt 2
Deep-Learning-Techniken im Designprozess eines Fluoreszenz-Spektrometers
T. Vogel, L. Grunske
In diesem Semesterprojekt werden die Grundlagen des maschinellen Lernens erarbeitet, wobei vom einzelnen Neuron aus startend insbesondere Deep-Learning-Techniken wie Multi-Layer-Perceptron, Convolutional-Neural-Network und Autoencoder im Fokus stehen werden. Aktuell kommen künstliche Intelligenzen insbesondere dann zum Einsatz, wenn die Dimensionalität des Problems so gross wird, dass klassische Daten-Analyse-Methoden versagen. Zum Beispiel ist die Anwendung mächtiger Simulationsumgebungen meist dadurch beschränkt, dass die Vielzahl von Simulationsparametern kombiniert mit der benötigten Rechenzeit es unmöglich macht, den gesamten Parameterraum auszuwerten. Das Lösen einer solchen Aufgabenstellung mit maschinellen Lernen wird anhand des Designprozesses eines Fluoreszenz-Spektrometers, das an der Synchrontronstrahlungsquelle BESSY II zum Einsatz kommen soll, erörtert. Dabei wird die K.I. die Entscheidung treffen, welche der großen Anzahl an Designmöglichkeiten (Geometrie, Gittereigenschaften, verwendete Materialien etc.) am Ende zum “optimalen” Spektrometer führt, um Atome und Moleküle sowohl in ihrer räumlichen Struktur als auch in ihrer Zeitdomäne zu untersuchen.
------------------------------------------
Semesterprojekt 3:
Implementierung von Kollaborationssystemen mittels Microservices
Deutsch:
In diesem Semesterprojekt werden Sie in einer Gruppe von Studierenden einen eigenen Microservice als Teil einer Kollaborationsplattform entwickeln und dabei die Konzepte moderner Webanwendungen nutzen. Zusätzlich werden Sie sich mit den Herausforderungen einer Microservice Architektur auseinandersetzen müssen: Shared sessions, UI fragment composition und die Nutzung eines middleware bus systems um andere microservices zu informieren (um nur einige zu nennen).
In dem Semester werden Sie ein Set von User Stories fokussieren und versuchen einen laufenden Microservice zu implementieren. Sie werden regelmäßige Meetings mit mir als Supervisor, den Zugriff auf eine Dokumentation und ein spezielles Q&A forum bekommen.
Aufgrund der COVID-19 Situation werden die Treffen online stattfinden.
English:
In this semester project, you will develop a microservice with your group partners that will become part of a collaboration platform. Thus, you will use the concepts of modern web development. Additionally, you have to face the challenges specific to a microservice architecture: Shared sessions, UI fragment composition, and using a middleware bus system to inform other microservices (to name only a few).
For one semester, you will have to focus this set of user stories and try to develop a running microservice that implements the requested features. You will be supported by having (a) periodically meetings with me as a supervisor, (b) access to the documentation, and (c) access to a specific Q&A forum with regards to the Pool² architecture.
Due to the current COVID-19 pandemic the meetings will be online.
|
