Dieses Praktikum ist die grundlegende erste Phase eines innovativen Projekts, das darauf abzielt, einen maschinenlern-basierten "Lastprofilgenerator" für Simulationen von Fahrzeug-E-E-Netzen zu entwickeln. Ihre Aufgabe besteht darin, unsere umfangreichen Datensätze von Fahrzeugbetriebsdaten zu analysieren und die entscheidende Forschung durchzuführen, die erforderlich ist, um die optimale ML-Architektur für diese Aufgabe auszuwählen. Die Ergebnisse Ihres Praktikums werden direkt in ein anschließendes Masterarbeitprojekt einfließen, das sich auf die Implementierung und Integration von Modellen konzentriert. Während Ihres Praktikums werden Sie tief in große Zeitreihendatensätze aus Fahrzeugmessungen eintauchen, um zugrunde liegende Muster, Verteilungen und Merkmale des Fahrzeugstromverbrauchs zu verstehen. Darüber hinaus werden Sie robuste Skripte und Workflows entwickeln sowie implementieren, um die Rohdaten zu bereinigen, zu transformieren und in ein strukturiertes Format vorzubereiten, das für das Training von ML-Modellen geeignet ist. Sie werden bedeutende Merkmale aus den Zeitreihendaten identifizieren und erstellen, die die Leistung eines zukünftigen generativen Modells verbessern werden. Sammeln Sie Erfahrungen in der Durchführung einer umfassenden Literaturrecherche und vergleichenden Analyse von modernen maschinenlern-Modellen zur synthetischen Zeitreihengenerierung (z. B. Generative Adversarial Networks (GANs), Variational Autoencoders (VAEs), RNNs, Transformers). Schließlich werden Sie Ihr Praktikum mit der Erstellung eines detaillierten Berichts und einer Präsentation abschließen, die Ihre Datenfunde zusammenfasst und eine gut begründete Empfehlung für die vielversprechendste ML-Modellarchitektur und Datenstrategie gibt, die in der nächsten Phase verfolgt werden soll.

• Bildung: Studium im Bereich Elektrotechnik, Datenwissenschaft, Informatik, Statistik oder vergleichbar mit starkem analytischen Fokus
• Erfahrung und Kenntnisse: gute Programmierkenntnisse in Python oder Matlab sowie Erfahrung mit Datenanalysebibliotheken wie Pandas, NumPy und Matplotlib Seaborn; ein solides theoretisches Verständnis von Datenanalysetechniken und grundlegenden Konzepten des maschinellen Lernens; ein ausgeprägtes Interesse an der Erforschung und dem Vergleich verschiedener algorithmischer Ansätze; praktische Erfahrung mit ML-Frameworks (z. B. scikit-learn, TensorFlow, PyTorch) ist von Vorteil; Vertrautheit mit der Analyse von Zeitreihendaten
• Persönlichkeit und Arbeitsweise: Sie sind in der Lage, Situationen tiefgreifend zu analysieren und komplexe Zusammenhänge zu untersuchen; Sie gehen Probleme strukturiert und methodisch an, um effektive Lösungen zu finden; Sie arbeiten selbstständig und dokumentieren Ihre Ergebnisse stets klar und verständlich
• Arbeitsroutine: Büropräsenz erforderlich
• Sprachen: verhandlungssicher in Englisch und Deutsch