Themen für Abschlussarbeiten

Für das Sommersemester 2025 haben wir keine freien Betreuungskapazitäten mehr, bitte schauen Sie bei Arbeitsgruppen mit vielen Mitarbeitern.

Voraussetzungen

Abschlussarbeiten in unserer Arbeitsgruppe profitieren in der Regel von guten Kenntnissen in:

• Mathematik und Statistik, insbesondere Wahrscheinlichkeitsrechnung
• Gute Programmierkenntnisse in Java, Rust, Python
• Data Mining und Künstliche Intelligenz

Im Rahmen einer Bachelorarbeit werden Sie typischweise:

• Vertiefende Literatur lesen
• Grundlagen und Methode in eigenen Worten wiedergeben und die Herleitung nachvollziehen
• Methoden aus der Literatur selbst implementieren
• Experimentell die neue Methode mit Referenzmethoden vergleichen

In einer Masterarbeit erwarten wir typischerweise, dass Sie über den "Stand der Technik" hinausgehen, und beispielsweise eine neue Erweiterung einer bestehenden Methode umsetzen und genauer untersuchen.

Wir bieten in der Regel keine reinen Literaturthemen an, und selten rein theoretische Arbeiten!

Wir haben eine neue Vorlage für Abschlussarbeiten

Offene Themen

Aufgrund von begrenzter Betreuungskapazität sind aktuell nur wenige Themen ausgeschrieben. Individuelle Themen sind stets möglich.

• Gaussian Mixture-Modeling in Rust
  In dieser Bachelorarbeit soll GMM in Rust implementiert werden, wobei besonderer Augenmerk auf die Modulare Erweiterbarkeit gelegt werden soll. Dabei sollen unterschiedliche Modelle (Elliptisch, Sphärisch) unterstützt werden, MAP-Regularisierung. Als Vorlage kann dabei unsere bestehende Java-Implementierung dienen, mit der Rust-Implementierung möchten wir hier die Laufzeit steigern. Als Erweiterung ist es bspw. Möglich auch BETULA zu integrieren. Rust-Vorkenntnisse / -Interesse sind für diese Aufgabenstellung notwendig!
• Frequent Sequence Mining
  In einer Reihe von Bachelorarbeiten in diesem Bereich sollen Algorithmen aus der Literatur für Frequent Sequence Mining in Java umgesetzt und vergleichend evaluiert werden, basierend auf den bestehenden Implementierungen im Open-Source-Framework ELKI.
  • Agrawal, R. and Srikant, R. 1995. Mining sequential patterns. Proc. 11th int. Conf. On data engineering (1995), 3–14.
  • Srikant, R. and Agrawal, R. 1996. Mining sequential patterns: Generalizations and performance improvements. Proc. 5th international conference on extending database technology (EDBT) (1996), 3–17.
  • Han, J., Pei, J., Mortazavi-Asl, B., Chen, Q., Dayal, U. and Hsu, M. 2000. FreeSpan: Frequent pattern-projected sequential pattern mining. KDD (2000), 355–359.
  • Pei, J., Han, J., Mortazavi-Asl, B., Pinto, H., Chen, Q., Dayal, U. and Hsu, M. 2001. PrefixSpan: Mining sequential patterns by prefix-projected growth. ICDE (2001), 215–224.
  • Zaki, M.J. 2001. SPADE: An efficient algorithm for mining frequent sequences. Machine Learning. 42, 1/2 (2001), 31–60. DOI:10.1023/A:1007652502315
  • Ayres, J., Flannick, J., Gehrke, J. and Yiu, T. 2002. Sequential PAttern mining using a bitmap representation. KDD (2002), 429–435.
  • Fournier-Viger, P., Gomariz, A., Campos, M. and Thomas, R. 2014. Fast vertical mining of sequential patterns using co-occurrence information. Proc. 18th pacific-asia conference on advances in knowledge discovery and data mining PAKDD (2014), 40–52.
• Python wrapper für ELKI
  Um es einfacher zu machen, die Algorithmen von ELKI mit Python-Implementierungen zu vergleichen, soll ein Wrapper implementiert werden der sie effizient aus Python aufrufen kann. Dazu soll jpype eingesetzt werden, um ohne unnötige Kopien, Serialisierungen und Deserialisierungen die Daten aus Python in Java zu übertragen. Durch Introspection sollen die APIs in Python automatisch generiert werden, so dass für neue Algorithmen möglichst keine ständigen Anpassungen notwendig werden. Daher sind fortgeschrittene Kenntnisse in Java sowie Python (insbesondere von numpy-arrays und Introspection) notwendig. (Bachelorarbeit)
• R wrapper für ELKI
  Um die Algorithmen von ELKI einfacher aus R aufrufen zu können soll basierend auf rJava eine Brücke zwischen R und Java geschaffen werden, um einfach und effizient diese Funktionalitäten einem breiteren Nutzerkreis zugänglich zu machen. Mit Hilfe von Introspection soll dabei der Wrapper automatisch generiert werden, und nicht für jeden Algorithmus manuell angepasst werden. Dabei soll die Parameterisierung möglichst im Stile anderer R-Pakete möglich sein. Dazu sind fortgeschrittene Kenntnisse in R notwendig. (Bachelorarbeit)
• Incremental Nearest Neighbor Search in Rust
  In dieser Bachelorarbeit soll eine effiziente inkrementelle Ähnlichkeitssuche in Rust implementiert werden, basierend auf den Java-Implementierungen in ELKI. Zum Vergleich zur Java-Implementierung soll auch ein Clustering-Algorithmus umgesetzt werden, der diese neue API nutzt. Die Verwendung einer Programmiersprache wie Rust soll hier zu weiteren Geschwindigkeitssteigerungen führen.
  • Schubert, E. (2022, September). Automatic indexing for similarity search in ELKI. In International Conference on Similarity Search and Applications (pp. 205-213).
  • Schubert, E. (2024, October). Hierarchical Clustering Without Pairwise Distances by Incremental Similarity Search. In International Conference on Similarity Search and Applications (pp. 238-252).

Frühere Themen

Als Orientierung Beispiele früherer Themen:

Bachelor Informatik

• Clustering with von-Mises-Fischer Distribution
• Choosing the number of Gaussian clusters
• Clustering with k-nearest neighbor consistency
• Accelerating Spherical k-means in Rust
• Textbasierte Empfehlungssysteme
• Erkennung von beleidigender Sprache in Twitter unter Verwendung von Maschinellem Lernen
• Accelerated Spherical k-means Clustering
• Analyse Alternativer Algorithmen für k-Means-Clustering
• Analysis and Evaluation of Approximate Nearest Neighbor Search using Hierarchical Navigable Small World Graphs
• Analysis and Evaluation of AnyDBC Clustering with Alternative Heuristics
• Compact Circular Fingerprints for Chemical Structures using Bloom Filters
• Entwicklung eines Greedy-Algorithmus zur Generierung elektrischer Niederspannungsnetze auf Basis öffentlich verfügbarer Daten
• Erstellung und Auswertung von Song-Embeddings mittels Word2Vec
• k-Means-Clustering mit k-d-Bäumen

Master Informatik, Master Data Science

• Vantage-Point Tree to HNSW: Fast Index Construction for Approximate Nearest Neighbor Search in High-Dimensional Data
• SQL Code Embeddings - Integrating Syntactical Information into Transformer Models
• Entwicklung und Evaluation schrankenbasierter DBSCAN Varianten
• On-Device Robot Localization Based on Representation Learning and a Feature-Rich Industrial Floor
• Beschleunigung von DBSCAN mithilfe der Dreiecksungleichung
• Fast Latent Dirichlet Allocation with Background Topics
• Evaluation of Feature Selection from Small Molecule Fingerprints by Means of Machine Learning
• Abstractive Text Summarization using a Reinforced Variational Autoencoder
• Efficient Approximate k-Nearest-Neighbor-Search in Large Graph Databases
• Automated Flexibility Coordination in Smart Grids Based on Neural Networks
• Leave-One-Out Optimierung von Support Vector Machines zur Ausreißererkennung

Bachelor Wirtschaftsinformatik

• noch keine Beispiele

Industriethemen

Ich verlange dass die Industriepartner vorab den Kontakt herstellen, bevor sie ein "Thema" einem Studierenden versprechen, da viele der Themen m.E. nicht den Ansprüchen der Prüfungsordnung genügen. Ein NDA muss vorab mit der Rechtsabteilung geprüft werden, dazu muss ausreichend Zeit vor dem Beginn der Arbeit eingeplant werden, deswegen muss das vorab geschehen. Zudem habe ich leider schlechte Erfahrungen mit der Betreuung durch Industriepartner. Idealerweise ist hat Betreuer an der Universität promoviert und dort bereits Abschlussarbeiten betreut. Bitten Sie ihren Betreuer, zuerst selbst Kontakt aufzunehmen um das Thema und die Betreuung festzulegen.