Beschreibung Machine Learning (ML) Modelle ermöglichen die Automatisierung einer Vielzahl an Aufgaben und Prozessen. Häufig erfordern präzise Vorhersagen und Klassifikationsergebnisse allerdings eine große Datenmenge für das zielgerichtete Training der Modelle. Die Sammlung neuer Daten kann aber sehr zeit- und ressourcenaufwändig sein. In der Folge mangelt es in der Praxis oft an diesen wichtigen Daten. Hier können synthetische Daten Abhilfe leisten, indem mittels KI-basierter Verfahren neue und realistische Datenpunkte generiert werden. Ziel der Arbeit ist es, einen strukturierten Überblick über die breite Palette an Datensynthese-Tools mit deren spezifischen Vor- und Nachteilen herauszuarbeiten. Je nach Rahmen wird im Zuge der Arbeit eine Spezialisierung auf ein Datenformat vorgenommen (Tabellarisch, Bildbasiert, Textbasiert).
Status Vorgemerkt
Betreuer/-in Peter Kowalczyk (E-Mail)
Beschreibung Deepfakes stellen ein enormes Problem für die Gesellschaft dar. So ist deren möglichst rasche (automatisierte) Erkennung von großer Bedeutung zur Vermeidung weitreichender Konsequenzen. Angesichts der Vielzahl verschiedener Bestreben entsprechende Deepfake Detektoren zu entwerfen, stellt sich diesbezüglich die Frage nach dem aktuellen Entwicklungsstand. Konkret sind neben den Entwicklungen und deren Funktionsweise (Algorithmen, Feature Set) die betroffene Domäne sowie die zugrundeliegende Datenbasis von Forschungsinteresse, um ggf. entsprechende Lücken zu identifizieren. Zu diesem Zweck soll eine strukturierte Literaturrecherche nach Vom Brocke et al. (2009) durchgeführt werden um diese Informationen in einer Konzeptmatrix zusammenzutragen. Ggf. soll zusätzlich eine Taxonomie nach Nickerson et al. (2013) entworfen werden.
Status Vorgemerkt
Betreuer/-in Peter Kowalczyk (E-Mail)
Beschreibung Synthetic Media bezeichnet digitale Medieninhalte (Bilder, Video, Audio, Text etc.), die durch künstliche Intelligenz erzeugt, bearbeitet oder überhaupt erst möglich gemacht werden. Der Teilbereich "Synthetic Audio" umfasst die Generierung von Sprache (z.B. Imitation realer Sprecher), die Umwandlung von Text in Sprache, aber auch KI-generierte Musik und einzelne Klänge. Der Fokus der Thesis soll auf dem letztgenannten Bereich liegen und sowohl konzeptionell wie auch praktisch die Nutzung von KI zur Erzeugung von Klängen z.B. für Musikproduktion oder die Nutzung in Software betrachten.
Status Frei
Betreuer/-in Frédéric Thiesse (E-Mail)
Beschreibung Der Einsatz von Methoden aus dem Bereich Deep Learning zur Realisierung datengetriebener Anwendungen in Unternehmen nimmt stetig zu. Aktuelle Implementierungsversuche stehen jedoch oftmals vor den Problemen, dass (i) nicht genügen Daten für das Training der Modelle vorhanden sind oder (ii) die verfügbaren Daten aufgrund von Datenschutzverordnungen nicht für das Training genutzt werden dürfen. Um diese Probleme zu umgehen, stellt Federated Learning einen neuen und vielversprechenden Ansatz dar, der es ermöglicht, Deep Learning Modelle kollaborativ auf verteilten Clients unter der Koordination eines zentralen Servers zu trainieren. In diesem Zusammenhang stellt sich jedoch die Frage, wie eine Personalisierung der Federated Learning Modelle (bspw. für die einzelnen Clients und deren individuellen Anforderungen) durchgeführt werden kann. Vor diesem Hintergrund führen Sie in dieser Arbeit eine strukturierte Literaturrecherche nach Vom Brocke (2009) zum Thema „Personalization in Federated Learning“ durch. Anschließend evaluieren Sie die Performance unterschiedlicher Ansätze zur Personalisierung von Federated Learning Systemen in einem konkreten Anwendungsfall.
Status Vorgemerkt
Betreuer/-in Marco Röder (E-Mail)
Beschreibung Die Synthese stellt die aufwändigste Phase während einer strukturierten Literaturrecherche dar. Die Qualität der Synthese ist entscheidend für den Erkenntnisgewinn sowie um Forschungslücken aufzudecken. Es gibt eine Vielzahl an Tools zur (Teil-) Automatisierung des Prozesses. Allerdings gibt es keinen strukturierten Überblick über die Vielzahl der vorhandenen Tools. Ziel der Thesis ist es daher, eine strukturierte Analyse zu solchen Tools durchzuführen und konzeptionell aufzubereiten. Hierbei sind neben dem Verfahrenstyp (text-, zitationsbasiert oder hybrid), insbesondere das konkrete Verfahren und dessen Funktionsweise, der Aufwand seitens des Anwenders im Vorfeld und der Reifegrad des Tools interessant.
Status Vorgemerkt
Betreuer/-in Peter Kowalczyk (E-Mail)
Beschreibung Der Markt fordert zunehmend eine Verantwortungsübernahme der Unternehmen in Bezug auf Nachhaltigkeit und soziale Aspekte. Allerdings geht der damit verknüpfte Wandel des Marktes mit der neuartigen Herausforderung in Form des sog. Greenwashings einher. Hierbei suggerieren Unternehmen entsprechende Bemühungen um ein umweltbewusstes und verantwortungsbewusstes Wirtschaften, ohne dass es hierzu eine ausreichende Grundlage gibt. Der zuverlässigen Identifikation von Greenwashing wird somit vor dem Hintergrund dieses Trends eine zunehmende Bedeutung zuteil. Methoden des maschinellen Lernens könnten maßgeblich bei der automatischen Identifikation von Greenwashing Aktivitäten unterstützen. Ziel dieser Arbeit ist es daher, ein KI-basiertes System zu entwickeln, welches in der Lage ist Texte auf das Vorhandensein von Greenwashing automatisch zu untersuchen. Hierzu soll zunächst eine Recherche nach bestehenden Tools sowie deren Funktionsweisen durchgeführt werden. Im Anschluss soll der design-orientierte Forschungsansatz dargelegt werden, welcher die methodische Grundlage für die Entwicklung des Detection Systems darstellt. Im Anschluss soll das System entwickelt und anschließend anhand eines Beispieldatensatzes demonstriert (evaluiert) werden. Programmierkenntnisse in Python sind für diese Abschlussarbeit erforderlich!
Status Vorgemerkt
Betreuer/-in Peter Kowalczyk (E-Mail)
Beschreibung Das Konzept Federated-Learning beschreibt einen dezentralen und datenschutzkonformen Ansatz für ein kollaboratives Training maschineller Lernmodelle. Hierbei initialisiert ein neutraler Serviceprovider den Trainingsprozess und verteilt ein initiales globales Modell an die teilnehmenden Clients. Anschließend trainieren die Clients das Modell auf ihren privaten Daten und senden die aktualisierten Modellparameter zurück an den Serviceprovider, der diese nutzt, um das globale Modell zu aktualisieren. Hierdurch wird es möglich, Machine-Learning-Modelle auch über Unternehmensgrenzen hinweg gemeinsam mit verschiedenen Partnern und unter Einhaltung des Datenschutzes zu trainieren. Hierbei stellt sich jedoch die Frage, wie die Eignung von Federated-Learning-Systemen sowohl betriebswirtschaftlich als auch technisch evaluiert werden kann. Vor diesem Hintergrund führen Sie in dieser Thesis zunächst eine strukturierte Literaturrecherche zu Federated-Learning-Anwendungen durch. Anschließend entwickeln Sie literaturbasiert eine Taxonomie über die Evaluationsmöglichkeiten von Federated-Learning-Systemen.
Status Vorgemerkt
Betreuer/-in Marco Röder (E-Mail)
Beschreibung Das Thema "Künstliche Intelligenz" gewinnt in einer digitalisierten Welt mit diversen datenbasierten Services und Applikationen zunehmend an Bedeutung. Das IS Forschungsfeld beleuchtet die Schnittstelle zwischen u.a. Technologien, Ökonomie und Psychologie und greift dabei auch Fragestellungen rund um das Thema KI auf. Die Wissenschaft leistet hierdurch einen maßgeblichen Beitrag zur Entwicklung sicherer Applikationen und klärt bspw. über der Bereitschaft der Nutzer zur Annahme neuer datengetriebener Technologien auf. Durch den Aufstieg von Systemen getrieben durch künstliche Intelligenz wurden im IS Bereich eine Reihe neuer Studien mit dem Fokus auf das Thema KI veröffentlicht. Die methodischen und theoretischen Beiträge der IS Forschung zum Thema KI sind allerdings sehr facettenreich. Ziel der Thesis ist es daher einen strukturierten Überblick zu dem Thema "The Artificial Intelligence Era" aus der IS Perspektive zu erarbeiten. Hierzu soll die Literatur im Senior Scholar's Basket of Eight (https://aisnet.org/page/SeniorScholarBasket) im Rahmen einer strukturierten Literaturrecherche analysiert werden. Die Studien sollen nach deren Art des Forschungsbeitrages strukturiert werden. Zudem sollen Details zu beleuchteten Technologien und das grundsätzliche Vorgehensmodell relevanter Studien aufgezeigt werden. Anhand des strukturierten Überblicks sollen mithilfe von unüberwachten Klusterverfahren prävalente Muster in der IS Literatur aufgedeckt und anschließend diskutiert werden. [Die Thesis kann nach Wunsch in deutscher oder englischer Sprache verfasst werden]
Status Vorgemerkt
Betreuer/-in Peter Kowalczyk (E-Mail)
Beschreibung KI benötigt Daten. Oft mangelt es an entsprechenden Daten. So ist möglicherweise die Datenqualität nicht hinreichend, zu wenig Daten sind verfügbar, bestimmte Daten werden benötigt oder es bestehen Einschränkungen hinsichtlich der Privatsphäre. Genau hier können synthetische Daten Abhilfe schaffen. Ziel dieser Thesis ist es daher anhand eines praktischen Beispiels die Effekte der Einbindung synthetischer Daten hinsichtlich der Performance der KI oder der Privatsphäre zu beleuchten. Im Vergleich sollen Szenarien mit und ohne synthetische Daten gegenübergestellt werden. Hierzu soll ein geeignetes Praxisbeispiel mit dem Ziel der Vorhersage gewählt werden. [Die Thesis kann nach Wunsch in deutscher oder englischer Sprache verfasst werden. Programmierkenntnisse werden vorausgesetzt.]
Status Vorgemerkt
Betreuer/-in Peter Kowalczyk (E-Mail)
Beschreibung Federated Learning und Synthetic Data sind zwei verschiedene Konzepte im Zeitalter der künstlichen Intelligenz. Während bei der ersten Technologie dezentrale KI-Modelle trainiert werden deren Gewichte an zentraler Stelle aggregiert werden, zielen das Konzept der synthetischen Daten auf die Bereitstellung künstlich generierter Daten für KI. Neue Forschungsbestreben vereinen nun beide Technologien (z.B. https://arxiv.org/abs/2203.05931). Die Autoren beschreiben einen Ansatz, bei welchem dezentral KI-Modelle zur Generierung synthetischer Daten trainiert und deren Parameter im Sinne von Federated Learning an zentraler Stelle aggregiert werden. Hierdurch entsteht annahmegemäß ein Modell zur Generierung synthetischer Daten, welches ausgereifter ist als die lokalen Instanzen. Hier stellt sich jedoch die Frage inwiefern dieses Konzept praktikabel ist und ob es einen positiven Effekt auf die Qualität der generierten Daten hat. Ziel der Thesis ist es daher eine datenbasierte Analyse des Ansatzes von FedSyn im Kontext der Vorhersagemodellierung durchzuführen und der Frage nach den Effekten nachzugehen. [Die Thesis kann nach Wunsch in deutscher oder englischer Sprache verfasst werden. Programmierkenntnisse werden vorausgesetzt.]
Status Vorgemerkt
Betreuer/-in Peter Kowalczyk (E-Mail)
Beschreibung Viele Unternehmen und Branchen sehen die Quelle Ihres Wettbewerbsvorteils nicht mehr in Einzelprodukten oder -dienstleistungen, sondern viel mehr in einem integrierten Werbeangebot, das auf einem Ökosystem von untereinander abhängen, Produkten und Dienstleistungen basiert. In einem solchen Ökosystem schließen sich somit verschiedene Akteure zusammen, um durch eine gemeinsame Wertschöpfung (Value Co Creation) ein geteiltes Werbeversprechen zu realisieren. Hierbei bleibt jedoch die Frage offen, inwiefern Ökosysteme nicht nur einen reinen betriebswirtschaftlichen Wert, sondern auch technologischen Wert für teilnehmende Unternehmen bieten. Vor diesem Hintergrund führen Sie in dieser Arbeit zunächst eine strukturierte Recherche zu dem Werbeversprechen von Ökosystemen durch und klassifizieren (mithilfe einer selbstentwickelten Taxonomie) die unterschiedlichen Arten von Wert auf Basis diverser Faktoren.
Status Vorgemerkt
Betreuer/-in Marco Röder (E-Mail)
Beschreibung Business model patterns are descriptive architectural components for business models. In essence, every business can be analysed via the lens of the general patterns described in the business model navigator provided by the BMI Lab AG. Although the catalogue is comprehensive the questions arise as to if and how artificial intelligence (AI) is embedded within existing patterns and thus if additional business model patterns are required to accommodate for the potential provided through AI. Thus, the thesis aims to capture the state of developments regarding AI in business models from the navigator as well as academic outlets. Linked to this summary, the author should put forward one or multiple new business model patterns induced by AI with the help of the literature. [The thesis can be written in English or German as preferred]
Status Vorgemerkt
Betreuer/-in Peter Kowalczyk (E-Mail)
Beschreibung Hospitals are complex and costly organizations. The OR department generates about 40-70% of revenues, accounts for 20-40% of hospital operating costs, and consumes significant hospital resources. Therefore, hospital management faces particularly significant challenges in OR planning. Previous literature has addressed this complex optimization problem with a variety of approaches in order to improve utilization, surgical care, quality, and minimize operating costs. Draw on recent publications on reinforcement learning to solve this problem. First, provide a comprehensive overview of reinforcement learning approaches in recent literature. Subsequently, develop a Mixed-Integer Linear Problem (MILP) for the AIMMS-MOPTA Optimization Modeling Competition as benchmark (Please refer to the problem description below). You may refer to the challenge winners' solution. Subsequently, you should develop Reinforcement Learning and evaluate your approach in the context of a discrete event simulation. Conclude your work with a summary, discuss any limitations and open research questions. Knowledge of Python and optimization modeling is a plus! If you are interested in this topic: 1. First inquire if this topic is still available. 2. If the topic is available and it is assigned to you, you must prepare an "exposé". In this, you should summarize the results of your initial research, your resulting research question(s), and your plan for how you will answer those question(s). The exposé should also include a rough outline of the thesis you plan to write. 3. Please arrange an initial meeting only AFTER you have prepared the exposé. 4. The thesis will not be registered until the exposé has been prepared and approved. Please note that the thesis must be registered before the end of the semester in which you have been awarded a supervisory position and plan for buffer for several rounds of revisions of the exposé, if necessary. Literature: - Problem Description: https://coral.ise.lehigh.edu/iccopt2022/files/2021/12/AIMMS-MOPTA-2022-Competition.pdf - Competition winner solution: https://aimmsopt-my.sharepoint.com/personal/linlin_ma_aimms_com/_layouts/15/onedrive.aspx?id=%2Fpersonal%2Flinlin%5Fma%5Faimms%5Fcom%2FDocuments%2Fshared%2F14MOPTA%5FBernUnicorns%2Epdf&parent=%2Fpersonal%2Flinlin%5Fma%5Faimms%5Fcom%2FDocuments%2Fshared&ga=1
Status Vorgemerkt
Betreuer/-in Janine Rottmann (E-Mail)
Beschreibung Data-driven optimization uses contextual information and machine learning algorithms to find solutions to decision problems with uncertain parameters. Considerable work has been devoted to the interpretation of machine learning models. However, optimization solvers often represent inexplicable black boxes whose solutions are not accessible to and cannot be interacted with by the user. This lack of interpretability may hinder the adoption of data-driven solutions, as practitioners may not understand or trust the recommended decisions. In this thesis you will study the intersection between explainability and data-driven optimization. For this purpose, you will first conduct a structured literature review according to vom Brocke (2009). In doing so, you will identify a variety of approaches, review them with respect to their potentials and limitations, and establish a state-of-the-art. In the second part of your thesis you will illustrate the results of your research in a practical example. Develop a prototype of an explainable data-driven optimization approach based on a self-selected example. Conclude your work with possible research opportunities and address the limitations of your study. If you are interested in this topic: 1. First inquire if this topic is still available. 2. If the topic is available and it is assigned to you, you must prepare an "exposé". In this, you should summarize the results of your initial research, your resulting research question(s), and your plan for how you will answer those question(s). The exposé should also include a rough outline of the thesis you plan to write. 3. Please arrange an initial meeting only AFTER you have prepared the exposé. 4. The thesis will not be registered until the exposé has been prepared and approved. Please note that the thesis must be registered before the end of the semester in which you have been awarded a supervisory position and plan for buffer for several rounds of revisions of the exposé, if necessary. Literature: - Forel, A., Parmentier, A., & Vidal, T. (2023). Explainable Data-Driven Optimization: From Context to Decision and Back Again. arXiv preprint arXiv:2301.10074. - Sadana, U., Chenreddy, A., Delage, E., Forel, A., Frejinger, E., & Vidal, T. (2023). A Survey of Contextual Optimization Methods for Decision Making under Uncertainty. arXiv preprint arXiv:2306.10374. - Brocke, J. V., Simons, A., Niehaves, B., Niehaves, B., Reimer, K., Plattfaut, R., & Cleven, A. (2009). Reconstructing the giant: On the importance of rigour in documenting the literature search process.
Status Vorgemerkt
Betreuer/-in Janine Rottmann (E-Mail)
Beschreibung The combination of predictive algorithms and data-driven decision techniques to solve decision problems in the presence of uncertainty has received increasing attention in the recent literature. However, optimization solvers are often unexplained black boxes whose solutions are not accessible to users. This lack of interpretability can hinder the adoption of data-driven solutions, as practitioners may not understand the solutions or trust the recommended decisions. In this thesis, you will review the current state of this fairly new field of research on the example of scheduling problems. Furthermore, your work will include a practical part in which you will apply the "Schedule Explainer" developed by Čyras et al. (2020). If you are interested in this topic: 1. First inquire if this topic is still available. 2. If the topic is available and it is assigned to you, you must prepare an "exposé". In this, you should summarize the results of your initial research, your resulting research question(s), and your plan for how you will answer those question(s). The exposé should also include a rough outline of the thesis you plan to write. 3. Please arrange an initial meeting only AFTER you have prepared the exposé. 4. The thesis will not be registered until the exposé has been prepared and approved. Please note that the thesis must be registered before the end of the semester in which you have been awarded a supervisory position and plan for buffer for several rounds of revisions of the exposé, if necessary. Related Work: - Čyras, K., Letsios, D., Misener, R., & Toni, F. (2019, July). Argumentation for explainable scheduling. In Proceedings of the AAAI Conference on Artificial Intelligence (Vol. 33, No. 01, pp. 2752-2759). - Čyras, K., Karamlou, A., Lee, M., Letsios, D., Misener, R., & Toni, F. (2020). AI-assisted Schedule Explainer for Nurse Rostering. In 19th International Conference on Autonomous Agents and MultiAgent Systems-Demo Track (pp. 2101-2103). Auckland: IFAAMAS.
Status Frei
Betreuer/-in Janine Rottmann (E-Mail)
Beschreibung Despite the promising potential of AI in healthcare, there are also concerns about the reliability of these approaches. To ensure the safety and reliability of predictions, it is critical to assess the uncertainty of AI systems' predictions. Techniques such as Bayesian methods and fuzzy systems provide uncertainty estimates and help understand the uncertainty or variability associated with predictions. In your thesis you will study these methods in more detail. If you are interested in this topic: 1. First inquire if this topic is still available. 2. If the topic is available and it is assigned to you, you must prepare an "exposé". In this, you should summarize the results of your initial research, your resulting research question(s), and your plan for how you will answer those question(s). The exposé should also include a rough outline of the thesis you plan to write. 3. Please arrange an initial meeting only AFTER you have prepared the exposé. 4. The thesis will not be registered until the exposé has been prepared and approved. Please note that the thesis must be registered before the end of the semester in which you have been awarded a supervisory position and plan for buffer for several rounds of revisions of the exposé, if necessary. Literature: - Seoni, S., Jahmunah, V., Salvi, M., Barua, P. D., Molinari, F., & Acharya, U. R. (2023). Application of uncertainty quantification to artificial intelligence in healthcare: A review of last decade (2013–2023). Computers in Biology and Medicine, 107441. - Psaros, A. F., Meng, X., Zou, Z., Guo, L., & Karniadakis, G. E. (2023). Uncertainty quantification in scientific machine learning: Methods, metrics, and comparisons. Journal of Computational Physics, 477, 111902. - Begoli, E., Bhattacharya, T., & Kusnezov, D. (2019). The need for uncertainty quantification in machine-assisted medical decision making. Nature Machine Intelligence, 1(1), 20-23.
Status Vorgemerkt
Betreuer/-in Janine Rottmann (E-Mail)
Beschreibung Das Konzept des Federated Learning beschreibt einen dezentralen und datenschutzkonformen Ansatz für das kollaborative Training maschineller Lernmodelle. Dabei initiiert ein neutraler Serviceprovider den Trainingsprozess und verteilt ein anfängliches globales Modell an die teilnehmenden Clients. Die Clients trainieren das Modell anschließend mit ihren privaten Daten und senden die aktualisierten Modellparameter zurück an den Serviceprovider. Dadurch wird es möglich, Machine-Learning-Modelle über Unternehmensgrenzen hinweg gemeinsam mit verschiedenen Partnern und unter Einhaltung des Datenschutzes zu trainieren. Obwohl das Thema vergleichsweise jung ist, erlebt es eine stetige Flut neuer Veröffentlichungen, die rasch neue Forschungsansätze und Bereiche eröffnen. Diese Bereiche sind somit schnelllebigen Änderungen und Erweiterungen ausgesetzt, was eine dynamische und hochinnovative Forschungsumgebung schafft. Angesichts dieser Dynamik ist es von entscheidender Bedeutung, einen umfassenden Literaturüberblick zu erstellen. Dieser Überblick ermöglicht es, bestehendes Wissen zu synthetisieren, die neuesten Entwicklungen zu erfassen, bestehende Forschungslücken zu identifizieren und eine solide Grundlage für zukünftige Studien zu schaffen. Diese Abschlussarbeit widmet sich genau dieser Aufgabe
Status Vorgemerkt
Betreuer/-in Marco Röder (E-Mail)
Beschreibung Online reviews are key to informed decisions regarding purchase intentions. However, fake reviews pose a severe challenge to this system. This thesis is aimed towards the identification of common practices in the online review fake industry. In particular, it is of interest to elaborate on the techniques used, the way of distribution and the effects.
Status Vorgemerkt
Betreuer/-in Peter Kowalczyk (E-Mail)
Beschreibung Academics across the board try to grapple the technological phenomenon of generative artificial intelligence (GenAI) with its associated opportunities and limitations. While some researchers already emphasise the benefits of GenAI and make use of it in their workflows others still hesitate. Likewise, the application practices in academia are in constant flux due to the novelty of GenAI and its rapid development. The goal of this thesis is to elaborate on current practices with GenAI in academic workflows conceptually and also uncover future prospect applications.
Status Vorgemerkt
Betreuer/-in Peter Kowalczyk (E-Mail)
Beschreibung Generative Artificial Intelligence permeates all kinds of application areas. In particular, generative pretrained transformers (GPTs) are on the rise with notable examples such as ChatGPT, Dall-E, Sora, Gemini, or Claude 3. The purpose of this thesis is to first conceptualize the field of GPTs and select a state-of-the-art approach GPT model from the website www.huggingface.com to explore its benefits by mapping it onto a new task. Python programming language skills are required for this thesis.
Status Vorgemerkt
Betreuer/-in Peter Kowalczyk (E-Mail)
Beschreibung Existing studies on the combination of predictive and prescriptive analytics take predictions as fixed and then make choices based on fixed predictions, for example, predictions are parameters in an optimization model. Recent studies call for a fusion of predictive modeling and prescriptive analysis. The growing interest in embedding predictive models in MIPs has led to the development of toolboxes such as JANOS (Bergman et al., 2022), OMLT (Ceccon et al., 2022) and gurobi-machinelearning. First, provide a comprehensive overview of integrated predictive and prescriptive analyses in the current literature and research existing toolboxes. Subsequently, your task is to analyze the functionalities and limitations of the identified toolboxes. You should then evaluate the efficiency of these toolboxes on the example of an optimization problem of your choice (you can refer to the examples given in the toolbox documentations). Conclude your work with a summary and discuss any limitations and open research questions. Knowledge in Python is a Plus! If you are interested in this topic: 1. First inquire if this topic is still available. 2. If the topic is available and it is assigned to you, you must prepare an "exposé". In this, you should summarize the results of your initial research, your resulting research question(s), and your plan for how you will answer those question(s). The exposé should also include a rough outline of the thesis you plan to write. 3. Please arrange an initial meeting only AFTER you have prepared the exposé. 4. The thesis will not be registered until the exposé has been prepared and approved. Please note that the thesis must be registered before the end of the semester in which you have been awarded a supervisory position and plan for buffer for several rounds of revisions of the exposé, if necessary. Literature and Libraries: - Bergman, D., Huang, T., Brooks, P., Lodi, A., & Raghunathan, A. U. (2022). Janos: an integrated predictive and prescriptive modeling framework. INFORMS Journal on Computing, 34(2), 807-816. - Ceccon, F., Jalving, J., Haddad, J., Thebelt, A., Tsay, C., Laird, C. D., & Misener, R. (2022). OMLT: Optimization & machine learning toolkit. Journal of Machine Learning Research, 23(349), 1-8. - https://github.com/Gurobi/gurobi-machinelearning
Status Frei
Betreuer/-in Janine Rottmann (E-Mail)
Beschreibung tbd.
Status Vorgemerkt
Betreuer/-in Janine Rottmann (E-Mail)