Grunddaten
Titel | Feature-Ranking für neuronale Netze |
Beschreibung | Motivation Neuronale Netze sind ein wichtiger Bestandteil des maschinellen Lernens und haben in den letzten Jahren aufgrund ihrer Fähigkeit, komplexe Muster in Daten zu erkennen und Vorhersagen zu treffen, an Bedeutung gewonnen. Durch die Identifikation und Priorisierung der wichtigsten Eingangsdaten (Features) können neuronale Netze gezielter trainiert und optimiert werden. Dies kann dazu beitragen, die Leistungsfähigkeit von Modellen zu verbessern, die Rechenzeit zu verkürzen und die Interpretierbarkeit der Ergebnisse zu erhöhen. In Anbetracht der zunehmenden Anwendung von neuronalen Netzen spielen zudem die Erklärbarkeit von Modellen eine wachsende Rolle. Eine Aussage über die Wichtigkeit ausgewählter Features kann hierbei eine wichtige Rolle spielen und das Vertrauen in das Model stärken. |
Heimateinrichtung | Department für Informatik |
Art der Arbeit | praktisch / anwendungsbezogen |
Abschlussarbeitstyp | Bachelor |
Autor | Jelke Wibbeke, M. Sc. |
Status | vergeben |
Aufgabenstellung | Ziel Das Ziel der Abschlussarbeit ist ein Vergleich verschiedener Methoden zum Feature-Ranking von neuronalen Netzen. Hierbei sollen insbesondere verschiedene Filter- und Wrapper-Methoden miteinander verglichen werden. Das Ergebnis der jeweiligen Methode soll es sein, eine Feature-Rangfolge hinsichtlich ihrer Wichtigkeit für das Modellierungsproblem zu ermöglichen. |
Voraussetzung | Profil Die Arbeit richtet sich an Studierende der Informatik oder vergleichbarer Studiengänge, die sich mit maschinellem Lernen im Bereich der datengetriebenen Modellierung beschäftigen wollen. Vorkenntnisse im Bereich Data Science, Neuronale Netze und Python-Programmierung sind wünschenswert, aber nicht zwingend erforderlich. Bewerber*innen sollten bereit sein, sich motiviert und selbstständig in das neue Thema einzuarbeiten. Die Ausarbeitung kann auf Deutsch oder Englisch erfolgen.
Kontakt Jelke Wibbeke OFFIS - Institut für Informatik Escherweg 2, 26121 Oldenburg
Literatur
|
Erstellt | 17.05.2023 |