Data Analytics

Datenanalyse beschäftigt sich mit Prozessen, um aus (Roh-)Daten Wissen zu extrahieren. Im Rahmen dieser Arbeitsthemas beschäftigt sich das CC IRML mit der Analyse von Daten-Zeitreihen, der Anwendung von Deep Learning auf großen Datenmengen (Big Data) und Empfehlungssystemen die in Echtzeit Empfehlungen geben müssen.

Zeitreihen: Unser „Zeitreihen“ Team analysiert temporale Daten, welche unter anderem in vielzähligen Bereichen der Heimautomatisierung und Fahrzeugentwicklung vorkommen. Im Allgemeinen bezeichnet man eine Zeitreihe als Sequenz von Datenpunkten die mit fortlaufender Zeit in gleichmäßigen Zeitabständen gemessen wurde. Unser Team beschäftigt sich hauptsächlich mit der Auswertung von Zeitreihen, was die Segmentierung, Klassifikation, und Gruppierung von temporalen Daten einschließt. Viele Algorithmen lösen diese Aufgabe mit Hilfe von Distanzmaßen, welche Zeitreihen paarweise vergleichen. Ein wichtiges Anwendungsgebiet der Zeitreihenanalyse ist die Optimierung von Fahrzeugmotoren in Bezug auf den Emissionsausstoß. Wir haben einen Ansatz entwickelt der repräsentative Zeitreihen ermittelt, welche wiederkehrende temporale Muster zusammenfassen die in Fahrzeugsensordaten vorkommen. Diese Repräsentanten charakterisieren häufig vorkommendes Fahrverhalten, welches VW bei der wirklichkeitsgetreuen Simulation von Abgaswerten hilft. 

Ansprechpartner: Stephan Spiegel

Deep Learning: Die Arbeitsgruppe "Deep Learning" untersucht tiefe künstliche Neuronale Netze um Repräsentationen, Konzepte und Abstraktionen aus komplexen Daten in industriellen Anwendungen mit Bezug zu Big Data zu lernen. Der Fokus liegt dabei auf überwachten, unüberwachten und semi-überwachten Lernverfahren. Dabei werden als Basismodelle je nach Anwendungsfall mehrschichtige Neuronale Netze, Konvolutionsnetze, Autoencoders, Boltzmann Maschinen und rekurrente Netze betrachtet. Theoretische Arbeiten untersuchen die Anwendung von Deep Learning Architekturen auf nicht-euklidischen Daten.

Ansprechpartner: Brijnesh Johannes Jain