Ziel dieser Arbeit ist es Entscheidungsbäume in Deep Neural Networks (DNN) umzuwandeln. Mit dem NN2EQCDT-Algorithmus lassen sich DNNs exakt in komprimierte Entscheidungsbäume umwandeln. Dies ist bspw. relevant um die Erklärbarkeit des Verhaltens eines gelernten DRL-Agenten zu erhöhen, indem die Regeln des Entscheidungsbaumes betrachtet und weiter analysiert werden können. Das Verhalten soll jedoch auch über den Entscheidungsbaum (bspw. manuell) anpassbar (korrigierbar) sein, aber das Agentenmodell soll auch weiterhin als DNN gelernt werden, da diese Repräsentation besser regularisiert werden kann. Daher ist es notwendig die zuvor transformierten und angepassten Entscheidungsbäume zurück in DNNs umzuwandeln, um sie weiter trainieren zu können.

Die Komplexität entspricht einer Masterarbeit und kann zu einer Publikation führen. Es ist möglich, die Arbeit in Deutsch oder Englisch zu verfassen (eigene Präferenz).

Für Bachelor- und Masterarbeiten:

• Zurück-Transformation eines zuvor transformierten Entscheidungsbaum in ein DNN
• Automatisierung durch durchgänge Transformationspipeline und Weitertrainieren
• Untersuchung ob möglich: Veränderung des Entscheidungsbaums 
• Untersuchung ob möglich: Veränderung des Entscheidungsbaum als Korrektur anhand eines Objectives in gegebenen Bereichen

Diese Ziele dienen nur als Referenz und können unter Absprache verändert werden!

Programmierkenntnisse sind zwingend erforderlich. Ein gutes Verständnis von mathematischen Grundlagen, vorallem von Linearer Algebra und Analysis, ist erforderlich, da die Arbeit sowohl theoretisch tiefer geht, als auch anwendungsbezogen ist.
 
Hilfreiche Kenntnisse, aber nicht zwingend erforderlich:

-     Python
-     Kenntnisse über Energiesysteme
-     Machine Learning mittels PyTorch