Masterarbeit: Untersuchungen zu Transfer Learning mit unterschiedlichen Modelarchitekturen in Roboterprozessen

Munich

1mo

Hintergrund:
Eine der größten Herausforderungen beim Trainieren von neuronalen Netzen ist die Beschaffung von annotierten Daten. Um Kosten bei der Datenerzeugung einzusparen ist es erforderlich die minimale Menge an Daten vor dem Training abschätzen zu können.

Ziel der Arbeit:
Abschätzung der minimalen Größe von Datensätzen für Transfer Learning sowie die Untersuchung der Abhängigkeit der minimalen Datensatzgröße von der Modelarchitektur.

Aufgaben

Trainieren von unterschiedlichen Modelarchitekturen mit vorhandenen Datensets (Transfer Learning). Hierbei kann es auch notwendig sein die jeweiligen Trainingsprozesse zu implementieren.  
Vergleich der beiden Modelle basierend auf Standard Metriken, die auf vorhandenen Holdout-sets berechnet werden. 
Untersuchung der Model Performance als Funktion der Größe der verwendeten Datensets für das Transfer Learning

Qualifikation

Abgeschlossenes Bachelorstudium in Informatik, Mathematik, Physik, Elektrotechnik, Maschinenbau, oder ein vergleichbarer Abschluss 
Kenntnisse im Bereich Machine Learning 
Gute Programmierkenntnisse in Python 
Erfahrung mit Werkzeugen der modernen Softwareentwicklung (git, IDE, z.B., VS Code, PyCharm)

Benefits

Zusammenarbeit mit einem interdisziplinären Team und die Möglichkeit, an einem praxisrelevanten Projekt in einem innovativen Umfeld zu arbeiten
Zugang zu modernster Robotertechnologie sowie Unterstützung bei der Durchführung der Tests
Ein dynamisches, motiviertes Team, getrieben von Innovationsgeist und Kreativität
Ein Arbeitsalltag in dem gemeinsam viel geschafft und viel gelacht wird
Freiraum und Flexibilität bei deiner persönlichen Arbeitsgestaltung
Flexible Arbeitszeitenregelung
Eine gelebte „use your own brain“-policy
Kantinenzuschuss - die Mittagspause verbringen wir gern gemeinsam
Einen immer gefüllten Kühlschrank mit Spezi, Cola und Club Mate, Wasserbar und richtig guten Kaffee