Abschlussarbeiten
Auf dieser Seite sind die offenen Themen der Arbeitsgruppe Process Analytics aufgelistet. Bei Interesse melden Sie sich direkt beim Betreuer oder der Betreuerin:
Multi-Kamera Tracking und Aktivitätserkennung (geeignet für: Bachelor/Master)
Im Rahmen dieses Themas soll ein bestehender Ansatz für Process Mining auf Videodaten erweitert werden. Der bestehende Ansatz unterstützt die bereits die Verarbeitung einer einzelnen Kameraperspektive und soll so erweitert werden, dass Aktivitäten simultan aus mehreren Kameraperspektiven analysiert werden können.
Kompetenzen: Python, Process Mining, Computer Vision
Kontakt: Arvid Lepsien (ale@informatik.uni-kiel.de)
Unsichere Event Logs (geeignet für: Bachelor/Master)
Das zentrale Datenformat für die Prozessanalyse mittels Process-Mining sind sog. Ereignislogs. In der Regel wird davon ausgegangen, dass alle Informationen in einem Ereignislog sicher sind. Ziel der Abschlussarbeit ist, Unsicherheiten in Ereignislogs auf Datenebene zu modellieren und in die darauf basierende Prozessanalyse miteinzubeziehen. Je nach Interesse und Vorwissen können im Themenbereich verschiedene Schwerpunkte (Programmierung, Probabilistische Methoden, Statistik, Literaturrecherche, ...) gesetzt werden.
Kompetenzen: Process Mining, je nach Ausgestaltung des Themas: Literaursuche & -analyse, Python, Ähnlichkeitssuche, Statistik, …
Kontakt: Arvid Lepsien (ale@informatik.uni-kiel.de)
Synthetische Event Logs mittels Generative Adversarial Networks (GANs) (geeignet für: Bachelor/Master)
Für die Forschung werden zumeist geeignete Datensätze benötigt. In der Abschlussarbeit „Synthetische Event Logs mittels Generative Adversarial Networks (GANs)“ soll untersucht werden, ob sich mithilfe eines GANs Daten für das Process Mining generieren lassen. Ein GAN besteht aus zwei Komponenten: Der Discriminator wurde zuvor auf echten Daten trainiert und kann somit echte von fiktiven Daten unterscheiden. Der Generator „erfindet“ Daten und legt sie dem Discriminator zur Beurteilung vor. Auf diese Weise hilft der Discriminator dem Generator, im Generieren synthetischer Daten kontinuierlich besser zu werden. Die Evaluation kann anschließend untersuchen, wie sehr sich synthetische und echte Daten unterscheiden, ob Process Mining Techniken weiterhin anwendbar sind oder ob synthetische Daten noch zum Modell der originalen Daten passen.
Kontakt: Yorck Zisgen (yorck.zisgen@uni-bayreuth.de)
Process Discovery von Aktivitäten aus Sensordaten (geeignet für: Bachelor/Master)
Kontakt: Milda Aleknonytė-Resch (mar@informatik.uni-kiel.de)
Statistisches Process Mining (Systematische Literaturrecherche) (geeignet für: Bachelor)
Kontakt: Milda Aleknonytė-Resch (mar@informatik.uni-kiel.de)
Process Mining im Gesundheitswesen (Systematische Literaturrecherche) (geeignet für: Bachelor)
Kontakt: Milda Aleknonytė-Resch (mar@informatik.uni-kiel.de)