Zum Inhalt
Fakultät für Informatik

Alina Timmermann, M.Sc.

Telefon und E-Mail
Tel.: (+49) 231 755 - 5427
E-Mail: alina.timmermann (at) cs.tu-dortmund.de

Büro
Raum 207 / Raum 214
Otto-Hahn-Str. 16

Postanschrift
Lehrstuhl Informatik 4
TU Dortmund
Otto-Hahn-Straße 16
44227 Dortmund
Deutschland

Portrait Alina Timmermann © LS4​/​TU Dortmund
  • A. Timmermann, M. Abdulgader, L. Hagen, M. P. Milz, A. Wirtz, D. Biermann, W. Tillmann, F. Walther (2021), "Characterisation of arc-sprayed corrosion protection coatings post-treated by means of “machine hammer peening”", Thermal Spray Bulletin, Issue 01 (2021) Volume 14
  • J. Baumann, A. Timmermann, D. Biermann (2021), "Generation of Predetermined Surface Structures by Simulation Based Process and Tool Design When Milling Free-Formed Surfaces", Sheet Bulk Metal Forming - TCRC73 2020. Lecture Notes in Production Engineering, Springer, DOI
  • A. Timmermann, M. Abdulgader, L. Hagen, A. Koch, P. Wittke, D. Biermann, W. Tillmann, F. Walther (2020), "Effect of machine hammer peening on the surface integrity of a ZnAl-based corrosion protective coating", MATEC Web of Conferences 318 (4):01008, DOI
  • D. Biermann, M. Tilger, A. Timmermann (2019), "Echtzeit-Aufnahme der Oberflächenrauheit im Rahmen einer zweistufigen Microfinishbearbeitung", Diamond Business, 70 (3), ISSN 1619-5558

01/2023

Nachfrageprognose mit Künstlichen Neuronalen Netzen bei limitierter Datenverfügbarkeit

Mohammad Sukkar

08/2023

Klassifizierung von Kundenloyalität mifhilfe maschinellen Lernens

Lars-Ole Eppert

09/2023

Implementierung des Shifting-Bottleneck Verfahrens zum Scheduling in Job-Shops

Daniel Foot

 

  • seit 04/2022
     Wissenschaftliche Mitarbeiterin und Doktorandin, Graduiertenkolleg 2193, Lehrstuhl IV: Modellierung und Simulation, Fakultät Informatik, Technische Universität Dortmund
  • 01/2022 - 03/2022 
    Wissenschaftliche Hilfskraft, Lehrstuhl IV: Modellierung und Simulation, Fakultät Informatik, Technische Universität Dortmund
  • 01/2021 - 12/2021
    Wissenschaftliche Hilfskraft, Lehrstuhl VIII: Künstliche Intelligenz, Fakultät Informatik, Technische Universität Dortmund
  • 01/2020 - 12/2020
    Wissenschaftliche Mitarbeiterin und Doktorandin, Institut für Spanende Fertigung (ISF), Fakultät Maschinenbau, Technische Universität    Dortmund
  • 05/2016-09/2019
    Master of Science, Wirtschaftsingenieurwesen, Technische Universität Dortmund
  • 2015
    Fachpraktikum bei Captrain Deutschland GmbH, Hecker Glastechnik GmbH, Microsonic GmbH (12 Wochen)
  • 2013
    Grundpraktikum bei Dr. Diestel GmbH (8 Wochen)
  • 10/2012-04/2016
    Bachelor of Science, Wirtschaftsingenieurwesen, Technische Universität Dortmund
  • 2021-2023
    Ratsmitglied im Studierendenwohnheim Studentendorf: Organisation von Events für Studierende
  • 2018
    Schülerpaten e.V. Ehrenamtliche Nachhilfe für SchülerInnen mit Migrations- oder Fluchthintergrund
  • 2015
    Mentoring Programm für Erasmus Studierende der TU Dortmund

Ausgeschriebene Abschlussarbeitsthemen (Stand 19.09.2023)

Was wird erwartet?
  • Selbstständiges Arbeiten
  • Hohe Eigenmotivation, Bereitschaft und Neugierde, sich in Themenfeld einzuarbeiten
  • Grundlegende Programmierkenntnisse
Was wird geboten?
  • Ausgiebige Betreuung durch die Betreuerin, in Form von 2 Treffen je Monat und Hilfsbereitschaft bei Fragen/Problemen
  • Förderung von eigenen Ideen, Kreativität und Fähigkeiten des Studierenden

Charakterisierung und Gruppierung von Zeitreihen mit Clustering und weiteren Verfahren

-ohne Beschreibung-

© opensource

Generierung von Konfidenzintervallen für Cluster von Zeitreihen

Konfidenzintervalle geben die Genauigkeit der Lageschätzung eines Parameters in einem Intervall an. Geläufig sind 95 % Konfidenzniveaus, welche aussagen, dass der wahre Wert eines Parameters mit 95 % Wahrscheinlichkeit innerhalb des Intervalls liegt. 

Das Clustering von Zeitreihen dient ihrer Kategorisierung und Analyse. Dabei werden diese in Cluster gruppiert, sodass sich die Zeitreihen innerhalb eines Clusters ähnlicher sind als zu denen anderer Cluster. Bei der Produktprognose gibt es die Strategie, Zeitreihen von Produkten zu clustern, und für die Cluster anschließend Konfidenzintervalle für die Prognosegenauigkeit oder weitere Metriken zu berechnen.

Ziel dieser Abschlussarbeit ist die Entwicklung von Ansätzen zur Konfidenzintervallberechnung im Anwendungsfall der Produktprognose. Dazu erhält der Studierende verschiedene Clustering- und Prognoseergebnisse, generiert aus Realdaten an Zeitreihen von Produkten. Aufgabe des Studierenden ist es, für die Cluster Konfidenzintervalle mit verschiedenen Methoden für unterschiedliche Metriken zu berechnen. Die Implementierung und Validierung dieses Vorhabens sollen in Python erfolgen.

© opensource

Vergleich und Visualisierung von Metriken der Prognosegenauigkeit für Zeitreihen

Zur Prognose von zukünftigen Werten einer Zeitreihe ist die Angabe geeigneter Metriken der Prognosegenauigkeit unerlässlich.

Es existiert eine Vielzahl solcher Metriken mit verschiedenen Vor- und Nachteilen. Z. B. können Metriken skalenabhängig oder -unabhängig sein, standardisiert oder nicht standardisiert, sich auf die Abweichung der Einzelzeitpunkte fokussieren, oder auf die Abweichung der aggregierten Zeitreihe. Entsprechend dem Anwendungsfall sind unterschiedliche Metriken relevant. Für den zu erforschenden Fall der Absatzprognose

Ziel dieser Abschlussarbeit ist es, die Vielzahl an bestehenden Metriken zur Prognosegüte zusammenzufassen, zu vergleichen und anhand realer Daten auf den Anwendungsfall der Absatzprognose zu testen. Die Implementierung und Validierung sollen in Python erfolgen.

© opensource