luhai_slides_template.pptx
PPTX,
1 MB
Individuelle Abschlussarbeit
Wir sind auf der Suche nach Studierenden, die gerne an unseren zukünftigen Forschungsprojekten arbeiten möchten. Je nach Ihren Fähigkeiten und Zukunftsplänen suchen wir gemeinsam ein Thema in unseren Forschungsbereichen, das am besten zu Ihnen passt. In Ihrer Abschlussarbeit werden Sie mit aufkommenden Themen in Berührung kommen mit einem Fokus auf KI. Die folgenden Themen sind Beispiele dafür, wie solche Arbeiten aussehen können.
Themenbereiche
-
General AutoML
Automated Machine Learning (AutoML) vereinfacht die Entwicklung von ML-Prozessen und unterstützt bei wichtigen Designentscheidungen, die für optimale Leistung entscheidend sind. Wichtige technische Schwerpunkte der aktuellen AutoML-Forschung sind:
(I) Sample effiziente Bayesian Optimization
(II) Multi-Fidelity-Optimierung für teure, große Modelle
(III) Neural Architecture Search (NAS) zur Entwicklung leistungsfähiger neuronaler NetzeVoraussetzungen:
- Erfahrung im Programmieren mit Python
- mindestens einen Machine-Learning-Kurs sowie die AutoML-Vorlesung oder das zugehörige MOOC von Prof. Lindauer und Kollegen besucht
-
Human-Centered AutoML
Wir bieten Abschlussarbeiten im Bereich Human-Centered AutoML an – einem Feld, das die Automatisierung von Machine-Learning-Prozessen mit der Interpretierbarkeit und Benutzerfreundlichkeit verbindet, die in der Praxis gefragt sind. Unsere Themen sind ideal für Studierende, die an der Schnittstelle von AutoML-Forschung, Erklärbarkeit von AutoML-Methoden und dem Einsatz von Foundation Models (inkl. LLMs) für AutoML arbeiten möchten.
Die genauen Voraussetzungen hängen vom jeweiligen Thema ab. Als grobe Orientierung erwarten wir:
- Kenntnisse in (Automated) Machine Learning und Deep Learning, nachgewiesen durch den Besuch relevanter Kurse wie Machine Learning, Automated Machine Learning, Interpretable Machine Learning und/oder Deep Learning
- Praktische Erfahrung mit Python, numpy, pandas, torch und ähnlichen Bibliotheken
Contact: Marcel Wever und Lukas Fehring
-
Green AutoML
Der rasante Wachstum von KI-Technologien führt zunehmend zu Bedenken hinsichtlich ihrer Umweltauswirkunge, insbesondere aufgrund des hohen Energieverbrauchs bei der Entwicklung, dem Trainierung und Nutzung der Modelle. Green AutoML begegnet diesen Herausforderungen, indem es sich auf drei Hauptaspekte konzentriert: Machine Learning mithilfe von AutoML umweltfreundlicher zu gestalten, die Effizienz von AutoML selbst zu steigern und AutoML auf Nachhaltigkeitsprobleme anzuwenden. Abschlussarbeiten werden sich mit spezifischen Fragestellungen in einem dieser Bereiche befassen und so zur Entwicklung nachhaltigerer und verantwortungsvollerer KI-Lösungen beitragen. Abschlussarbeiten behandeln ein spezifisches Thema aus einem dieser Bereiche. Voraussetzung ist:
- Erfahrung im Programmieren mit Python
- Mindestens eine Machine Learning-bezogene Veranstaltung, vorzugsweise bei Prof. Lindauer
Contact: Daphne Theodorakopoulos und Leona Hennig
-
Reinforcement Learning
Unser Fokus liegt darauf, Reinforcement Learning (RL) für reale Probleme nutzbar zu machen. Dafür verwenden wir kontextbasiertes RL, untersuchen die Rolle von Repräsentationen und passen Hyperparameter, Architekturen und Algorithmen an. Die Experimente für Abschlussarbeiten werden meist in Simulationsumgebungen durchgeführt (mit optionaler Umsetzung auf Roboter). Die Themen konzentrieren sich entweder darauf, die Generalisierung oder Effizienz bestehender Algorithmen zu verbessern oder bestimmte Aspekte dieser Algorithmen zu untersuchen. Wir empfehlen folgende Vorkenntnisse:
- Erfahrung mit Deep Learning in Python (entweder PyTorch oder JAX)
- Die RL-Vorlesung von Prof. Lindauer (oder vergleichbare RL-Erfahrung)
- Je nach Thema zusätzliches Wissen zu Deep Learning, HPO oder NAS
Contact: Theresa Eimer und Aditya Mohan
Zusätzliche Themenvorschläge mit Externen Partnern
-
KI-gestützte Segmentierung in der Diagnostik - In Zusammenarbeit mit der MHH [MSc]
Im Rahmen eines klinisch motivierten Forschungsprojekts zur automatisierten Leberdiagnostik soll die Segmentierung von Gallengängen und Gefäßen in MRT-Daten weiterentwickelt werden. Die Ergebnisse fließen direkt in die Entwicklung eines Leberfunktions-Scores ein. Neben der Optimierung bestehender Segmentierungsansätze – etwa durch gefäßspezifische Verlustfunktionen oder AutoML-Methoden – bietet die Arbeit die Möglichkeit, in einem interdisziplinären Team aus Informatik und Medizin mitzuwirken.
Kontakt: Leona Hennig
Interesse geweckt?
Der genaue Ablauf einer Abschlussarbeit, zusammen mit einer ungefähren Vorstellung welche Erwartungen wir an Abschlussarbeiten haben, ist hier beschrieben.
Es ist uns wichtig, dass das passende Hintergrundwissen vorhanden ist, damit eine Arbeit bei eine Chance auf einen positiven Abschluss hat. Um das entsprechend einschätzen zu können, würden wir bitten, uns folgende Punkte zu kommen zu lassen:
- Themenvorschlag oder Themengebiet(e)
- Welche Vorkenntnisse sind vorhanden? Welche ML-bezogenen Kurse wurden dafür belegt?
- Eine Selbsteinschätzung von -- bis ++ zu folgenden Themen:
- Coding in Python
- Coding mit PyTorch
- Fähigkeit ein Deep Learning Paper zu implementieren
- Fähigkeit ein Reinforcement Learning Paper zu implementieren
- Fähigkeit eine fremde Codebase zu verstehen und auszuführen
Falls Sie generell Interesse an einer Abschlussarbeit bei uns haben, aber sich für keines der oben angegebenen Themen entschieden haben, so senden Sie bitte eine Email mit den oben stehenden Informationen an m.lindauer@ai.uni-hannover.de.
Sollten Sie Interesse an einem spezifischen, weiter oben angegebenen Thema haben, so senden Sie bitte direkt eine Email an die im Thema angegebene Ansprechperson. Die Mailadressen können den persönlichen Seiten entnommen werden.
