Die Erkennung von Anomalien ist eine komplexe Aufgabenstellung, welche in der Wissenschaft in vielen unterschiedlichen Forschungsbereichen (neben der Informatik z.B. auch in der Statistik oder Ingenieurswissenschaften) untersucht wird. Während Modelle des Machines Learnings heute zum State-of-the-Art zählen, gibt es daneben noch weitere Modelle zur Erkennung von Anomalien, wie z.B. Künstliche Immunsysteme.

Künstliche Immunsysteme sind vom biologischen Immunsystem inspirierte Algorithmen, welche die Eigenschaften zur Diskriminierung zwischen Selbst (körpereigen) und Nicht-Selbst (körperfremd) im Immunsystem nutzen, um Anomalien in Daten zu erkennen.  Der Großteil der bekannten Algorithmen basiert dabei auf dem Prinzip der Negativen Selektion. Ein bekannter Algorithmus hierfür ist z.B. der Real Valued Negative Selection Algorithm. Daneben gibt es noch weitere Modelle, wie z.B. der  Multilevel Immune Learning Algorithm. 

Für die Anwendung von Machine Learning Modellen, wie z.B. Künstlichen Neuronalen Netzen, gibt es eine Vielzahl bekannter und weit verbreiteter Frameworks, die das Training, Evaluation und Deployment der Modelle vereinfachen. Für Künstliche Immunsysteme gibt es solche Frameworks stand heute jedoch nicht. 

Die Aufgabenstellung dieser Abschlussarbeit besteht darin einen Algorithmus eines künstlichen Immunsystems zu implementieren und anschließend auf einem bekaannten Benchmark-Datensatz im Vergleich mit dem Machine Learning State-of-the-Art zu evaluieren.  Die genaue Ausrichtung sowie der Schwerpunkt der Arbeit kann dabei vorab flexibel festgelegt werden. 

• Grundlagen Python
• Grundlagen Machine Learning