Machine Learning & Data Mining

1/2019 – 8/2020

Softwarequalitätssicherung – Erweiterung zweier R-Pakete zur Evaluierung der Linearität von Messprozeduren
Unterstützung der Aufgaben des biostatitischen Fachbereichs (siehe auch Projekte 2013 bis 2017) in der Aufgabe der Qualitätssicherung zu Implementierungen verschiedener Kalibrierungsmethoden. In diesem Projekt ging es darum zwei R Pakete zu erweitern, um Messprozeduren auf ihre Linearität zu prüfen. Dabei sollten die CLSI-Richtlinien (Clinical and Laboritory Standards) umgesetzt werden.
Aufgaben und Ergebnisse
• Erweiterung des LinEP – R Package für die Linearitätsprüfung (OLS,WLS, Pooling) gemäß CLSI-Richtlinien
• Erstellung von Vignetten für verschiedene R-Pakete
• Erstellung von Testfällen für die R-Pakete
• Erstellung von Vignetten für die R-Pakete


Fachliche Methoden
Verschiedene Kalibrierungsmethoden, verschiedene Methoden der linearen Regression, Testfallentwicklung, Testdurchführung, R Package Coding Guidelines, R Package Documentation Guidelines, R Vignetten

R (Programmiersprache)

1/2018 – 12/2018

Maschinelles Lernen zur Vorhersage von Verbrauchsverhalten von Bauteilen
Zur Vorhersage von deutschlandweitem Materialverbrauch wurden für mehr als eine Million Verbrauchszeitreihen Vorhersagemodelle entwickelt, implementiert und so automatisiert, dass ein operativer Vorhersagebetrieb abgewickelt werden kann.
Zum Einsatz kamen verschiedene Filter- und Datentransformationsverfahren mit anschließenden Prognoseverfahren. Es wurden Zeitreihenprognoseverfahren (ETS, SARIMA) sowie Neuronale Netze (heute bekannt unter Deep Learning - LSTM, GRU) und Clusterverfahren in Form der schnellen "extreme gradient boosting method" eingesetzt. Während der Vorstudien für dieses Framework wurden u.a. untersucht VAR Modelle, random forest, word2vec, skipgram u.v.m.
Aufgaben und Ergebnisse
• Umfassende Analyse der historischen Verbrauchszeitreihen
• Extraktion informationshaltiger Zeitreihen
• Auswahl eines Gütekriteriums für die Prognose
• Verbrauchsprognose mit verschiedenen Prognoseverfahren
• Auswertung der Ergebnisse gegenüber einer Baseline
Fachliche Methoden
Zeitreihenverfahren (ETS, SARIMAX, VAR) Machine Learning, Neuronale Netze (LSTM, GRU), Clusterverfahren (random forest, xgoost), Statistik, agiles Projektmanagement Scrum

R (Programmiersprache), Tensorflow, Linux (Kernel), Python, Amazon Web Services (AWS)

10/2017 – 1/2018

Prognosemodelle für Verbrauchsverhalten von Bauteilen (PoC)
Zur Reduktion der Lagerhaltung werden Bauteile möglichst spät bestellt. Die Einschätzung, wieviele Bauteile in den kommenden Monaten gebraucht werden, erfolgt basierend auf der Erfahrung der zuständigen Stellen. Da die menschliche Einschätzung von der gewünschten Genauigkeit entfernt liegt, soll geprüft werden, ob die historischen Daten des Bauteilverbrauchs mittels statistischer Untersuchungen und maschinellen Lernalgorithmen bessere Einschätzungen ermöglichen:
Aufgaben und Ergebnisse
• Umfassende Analyse des historischen Verbrauchsverhaltens von Bauteilen von drei ausgewählten Baureihen
• Identifikation von fehlenden und defekten Daten
• Vernetzung und Bereinigung von mehreren Datenquellen
• Kategorisierung der Bauteile nach ihrem Verbrauchsverhalten und ggf. weiteren sinnvollen Kriterien
• Ableitung von geeigneten Bauteilklassen
• Ableitung und Test von ersten prototypischen Planungs- bzw. Prognosemodellen je Bauteilklasse
• Ableitung von Handlungsempfehlungen zur Verbesserung der Prognosegüte
Fachliche Methoden
Data Mining, Machine Learning, SARIMAX, Statistik, agiles Projektmanagement Scrum

R (Programmiersprache), Team Foundation Server