• Keine Ergebnisse gefunden

Machine Learning-basierte Klassifizierung von Szenarien

N/A
N/A
Info
Herunterladen
Protected

Academic year: 2022

Aktie "Machine Learning-basierte Klassifizierung von Szenarien"

Copied!
1
0
0

Wird geladen.... (Jetzt Volltext ansehen)

Jetzt herunterladen ( 1 Seite )

Volltext

(1)

Ausschreibung

Bachelor- / Masterarbeit

Machine Learning-basierte Klassifizierung von Szenarien

Thema und Ziel der Arbeit

Eine Methode zur Validierung autonomer Fahrfunktionen ist das Szenario-basierte Testen. Hierbei muss gezeigt werden, dass ausreichend Szenarien betrachtet wurden. Zur Annäherung an diese Probleme sollen in dieser Arbeit Fahrsituationen durch szenario-unabhängige Parametrisierung dargestellt werden und, auf Basis dieser, Machine Learning-basierte Klassifikatoren entwickelt werden, die eine Zuordnung zu definierten Szenarien ermöglichen. Anschließend soll der Entscheidungsraum des Klassifikators auf Bereiche untersucht werden, die nicht definierte Szenarien beinhalten könnten.

Arbeitspunkte

• Literaturrecherche zur Klassifizierung multidimensionaler Zeitserien und der szenario-unabhängigen Parametrisierung von Fahrsituationen

• Implementierung von Klassifizierungsansätzen und Parametern

• Analyse des Parameter-Einflusses auf das Klassifizierungsresultat

• Analyse des Klassifizierungsraums auf unterrepräsentierte Bereiche und deren Interpretierbarkeit als Scenario

Anforderungen

• Gute Deutschkenntnisse in Wort und Schrift

• Zuverlässigkeit, Engagement und Spaß am selbstständigen Arbeiten

• Programmierkenntnisse (Python o.ä.)

• Erfahrung im Bereich Machine Learning empfehlenswert

• Erfahrung im Bereich Machine Learning empfehlenswert

Bereich

Fahrzeugintelligenz &

Automatisiertes Fahren

Ansprechpartner

Michael Schuldes +49 241 80 27010 michael.schuldes @

ika.rwth-aachen.de

Sprache

Deutsch und Englisch

Eintrittsdatum

nächstmögl. Zeitpunkt

Vorkenntnisse

Programmierkenntnisse, Grundkenntnisse Machine Learning und Klassifizierung

Referenzen

Jetzt herunterladen ( PDF - 1 Seite - 166.16 KB )

ÄHNLICHE DOKUMENTE

Machine Learning

– Discriminative Learning – Empirical Risk minimization (sub-gradient algorithms), Large Margin learning (quadratic optimization) etc.. The difference to unstructured models –

Machine Learning

In particular: linear algebra (vectors, matrices, SVD, scalar products), a bit geometry, functions (derivative, gradients, integrals, series), optimization, probability theory

Machine Learning

Probability of any particular real value is zero → a „direct“ definition of a „probability distribution“ is senseless .. It is indeed possible through the

Machine Learning

Design a network (weights and biases for each neuron) so that the energy of a configuration is proportional to the number of cracks, i.e..

Machine Learning

Example: Objects are nodes of a weighted graph, is the length of the shortest path from to4. Distances for “other”

Machine Learning

Let (in addition to the training data) a loss function be given that penalizes deviations between the true class and the estimated one (the same as the cost function in

Machine Learning

The Bayesian view allows any self-consistent ascription of prior probabilities to propositions, but then insists on proper Bayesian updating as evidence arrives. For example P(cavity)

Machine Learning

Bayesian concept learning: the number game The beta-binomial model: tossing coins The Dirichlet-multinomial model: rolling dice... Bayesian