Fachbereich Mathematik und Naturwissenschaften - Hochschule Darmstadt

Abschlussarbeiten im Masterstudiengang Data Science


Page last modified on November 12, 2019, at 08:05 AM

Semester Verfasser Erstbetreuer Thema key words Dokumente
WS2019/2020 Constantin Krins-Monar Prof. Dr. Groos Verbesserung des Empfehlungssystems im Rewe Online-Shop durch einen state-of-art Algorithmus Empfehlungssysteme, Sparse-Daten, Kollaboratives Filtern, Matrix Faktorisierung, Alternating Least Squares Abstract (PDF)
SS2019 Georg Kuntzsch Prof. Dr. Rapp Emotion Analysis of Utterances Emotion Analysis, Audio analysis, Signal Processing, Gradient Boosting, Natural Language Processing, Sentiment Analysis, Pipeline Abstract (PDF)
SS2019 Jochen Röth Prof. Dr. Döhring Identification of Irregular Conditions in XYZ Sensor Time Series using Machine Learning Anomaly Detection, Time Series, Machine Learning, Neural Networks,Long Short-Term Memory, Bayesian Optimization Abstract (PDF)
Poster (PDF)
SS2019 Kevin Rojczyk Prof. Dr. Zisgen Automatized construction and training of artificial neural networks with reinforcement learning for Machine learning tasks Neural Architecture Search, Künstliche neuronale Netze, Bestärkendes Lernen, Convolutional Neural Network, Proximal Policy Optimization, Meta-Learning, AutoDL 2019 Abstract (PDF)
Poster (PDF)
Thesis (PDF, 2,5 MB)
SS2019 Christophe Krech Prof. Dr. Döhring Erklärbarkeit maschineller Lernverfahren - Feature Engineering mit Black-Box-Modellen Erklärbarkeit, Explainable Machine Learning, Feature Engineering, Gradient Boosting Machines, Shapley Additive Explanations, Logistische Regression, Black-Box-Modelle Abstract (PDF)
Poster (PDF)
Thesis (PDF, 4 MB)
SS2019 Florian Ganss Prof. Dr. Jahn Automatisiertes Aroma-Matching: Nachbildung von Aromen­rezepturen mit multivariaten Regressions­verfahren Aroma-Matching, multivariate Regression, Dimensions­reduktion, Regularisierungs­verfahren, Tobit-Regression Abstract (PDF)
SS2019 Tobias Göbel Prof. Dr. Helm Vergleich von Machine Learning-Algorithmen zur Bestimmung von Frequency Capping-Regeln im Online-Marketing Online marketing, frequency capping, machine learning, Base SAS, SAS Enterprise Miner, data mining process, logistic regression, decision tree, random forest, gradient boosting, artificial neural network Abstract (PDF)
SS2019 Robert Miltenberger Prof. Dr. Jahn Progressionsfreies Über­leben in onkologischen Studien: Verzerrung durch Intervall­zensierung in Ereignis­zeitdaten und Methodiken zur Bias­korrektur in unkontrollierten Studien Biaskorrektur, bayesianische Statistik, approximate bayesian computation, klinische Studien, Ereigniszeitanalyse Abstract (PDF)
Thesis (PDF, 7 MB)
WS2018/19 Jan-Erik Justkowiak Prof. Dr. Kallrath Exact Methods and Heuristic Approaches for Setup Minimization of One-Dimensional Cutting Stock Problems cutting stock problem, paper industry, exact optimization, heuristic algorithms, setup minimization, cutoff reduction, trimloss minimization Abstract (PDF)
Poster (PDF)
Thesis (PDF, 1 MB)
WS2018/19 Dominik Mottl Prof. Dr. Döhring Multi-Label Branchen­klassifikation von Web-Texten Multi-Label Klassifikation, Information Retrieval, Information Extraction, Natural Language Processing, Machine Learning, Latent Dirichlet Allocation, CNN Abstract (PDF)
Poster (PDF)
Thesis (PDF, 5 MB)
WS2018/19 Christian Hofmann Prof. Dr. Becker Prognose von Preisen gewerblicher Immobilien Qualitätsindex, relative Preise, Methoden der Ökonometrie, Random Forest, Capital Value, Quantils­regression, Value at Risk Abstract (PDF)
WS2018/19 Martin Alexander Wilk Prof. Dr. Schestag Topologische Datenanalyse zur Verbesserung von Klassifikations­modellen Topological Data Analysis, Mapper Graph, Machine Learning, Classification Tree, Logistic Regression, TDA Toolchain, Credit Fraud, Loan Default Abstract (PDF)
Poster (PDF)
Thesis (PDF, 6 MB)
WS2018/19 Bernhard Preisler Prof. Dr. Becker Stimmungs­quantifizierung für den Preis von Bitcoin mit Deep Learning Deep Learning, CNN, DNN, Sentimentindex, Text Mining, Twitter, Bitcoin, Animal Spirit Abstract (PDF)

Thesis (PDF, 5 MB)
WS2018/19 Peter Bauer Prof. Dr. Döhler Prognose von Sensordaten mit Methoden der Zeitreihen­analyse Predictive Maintenance, Bearing Monitoring, Time Series Analysis, ARIMA-Model Abstract (PDF)