Active Learning – Intelligente Parameterauswahl für Hardware-in-the-Loop (HiL) Tests in der Automobilindustrie

Übliche Machine-Learning-Algorithmen benötigen eine Vielzahl an Beispielen, mit denen ein Modell trainiert wird. Dabei werden möglichst alle Beispiele einer Trainingsmenge für das Training eines Modells verwendet.

Doch es gibt Anwendungsfälle, in denen mit so wenig Beispielen wie möglich ein Modell trainiert werden soll. Ein solcher Anwendungsfall besteht bei Tests von Bauteilen (z.B. Einparkassistent) bei Hardware-in-the-Loop-(HiL)-Tests in der Automobilindustrie. Dort kann Active Learning die notwendige Anzahl von Trainingsbeispielen und damit Zeit und Kosten um einen Faktor von ungefähr 10 reduzieren.

Vorkenntnisse

* Grundlagen des Machine Learning.

Lernziele

* Einordnung von Active Learning in andere Machine-Learning-Verfahren.
* Verständnis der Funktionsweise von Active Learning.
* Verständnis von elektronischen Testläufen bei Automobilherstellern.
* Verständnis zu den Vorteilen der Nutzung von Active Learning.

 

Speaker

 

Daniel Haake
Daniel Haake studierte von März 2013 bis März 2016 Informatik an der HS Harz, wobei er sich in seiner Bachelorarbeit auf Data Mining fokussierte. Anschließend arbeitete er bereits als Data Scientist und Software Developer und absolvierte zusätzlich eine wissenschaftliche Weiterbildung zum Data Scientisten an der TH Brandenburg. Von April 2017 bis Juli 2019 absolvierte er an der Hochschule Albstadt-Sigmaringen in Kooperation mit der Universität Mannheim ein berufsbegleitendes Masterstudium "Data Science", wobei er sich in der Masterarbeit um die Prognose von Wohnungseinbrüchen mit Hilfe von Machine-Learning-Algorithmen kümmerte. Seit August 2018 arbeitet er als Data Scientist bei "The unbelievable machine Company GmbH", kurz *um.

Gold-Sponsoren

HMS
Structr

Silber-Sponsoren

codecentric
Phytec
*um

Bronze-Sponsor

incontext.technology GmbH

data2day-Newsletter

Sie möchten über die data2day
auf dem Laufenden gehalten werden?

 

Anmelden