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

- Stipendiat im interdisziplinären Graduiertenkolleg 2193 "Anpassungsintelligenz von Fabriken im komplexen und dynamischen Umfeld"
- Absatzprognose für große Industriedatensätze (Kooperation mit Joyson Safety Systems)
- Clustering von Zeitreihen und Ensemble Learning
- Glaubwürdige Absatzprognose, vertrauenswürdige Berechnung von Kennzahlen der Prognosegenauigkeit
- 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
- 2020
CES-Förderpreis des Vereins Deutscher Ingenieure e.V. (VDI) für Masterarbeit - 2016 - 2019
Frauenförderprogramm Female Talents in Accounting and Finance
- 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-

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.

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.
