Institutsseminar/2022-04-29 (2. Raum): Unterschied zwischen den Versionen

Aus SDQ-Institutsseminar
(Die Seite wurde neu angelegt: „{{Termin |datum=2022-04-29T11:30:00.000Z |raum=Raum 010 (Gebäude 50.34) }}“)
 
Keine Bearbeitungszusammenfassung
 
Zeile 2: Zeile 2:
|datum=2022-04-29T11:30:00.000Z
|datum=2022-04-29T11:30:00.000Z
|raum=Raum 010 (Gebäude 50.34)
|raum=Raum 010 (Gebäude 50.34)
|online=https://kit-lecture.zoom.us/j/67744231815
}}
}}

Aktuelle Version vom 27. April 2022, 11:50 Uhr

Termin (Alle Termine)
Datum Freitag, 29. April 2022
Uhrzeit 11:30 – 12:40 Uhr (Dauer: 70 min)
Ort Raum 010 (Gebäude 50.34)
Webkonferenz https://kit-lecture.zoom.us/j/67744231815
Vorheriger Termin Fr 22. April 2022
Nächster Termin Fr 6. Mai 2022

Termin in Kalender importieren: iCal (Download)

Vorträge

Vortragende(r) Anton Winter
Titel Reducing Measurements of Voltage Sensitivity via Uncertainty-Aware Predictions
Vortragstyp Bachelorarbeit
Betreuer(in) Bela Böhnke
Vortragsmodus in Präsenz
Kurzfassung Due to the energy transition towards weather-dependent electricity sources like wind and solar energy, as well as new notable loads like electric vehicle charging, the voltage quality of the electrical grid suffers. So-called Smart Transformers (ST) can use Voltage Sensitivity (VS) information to control voltage, frequency, and phase in order to enhance the voltage quality. Acquiring this VS information is currently costly, since you have to synthetically create an output variability in the grid, disturbing the grid even further. In this thesis, I propose a method based on Kalman Filters and Neural Networks to predict the VS, while giving a confidence interval of my prediction at any given time. The data for my prediction derives from a grid simulation provided by Dr. De Carne from the research center Energy Lab 2.0.
Vortragende(r) Thomas Frank
Titel Tabular Data Augmentation for Mixed Data
Vortragstyp Proposal
Betreuer(in) Federico Matteucci
Vortragsmodus in Präsenz
Kurzfassung Augmentation techniques can be helpful, for instance, to improve the performance of a weak predictor or to satisfy privacy constraints. Our plan is to devise and compare augmentation pipelines on mixed data.
Vortragende(r) Elizaveta Danilova
Titel Wichtigkeit von Merkmalen für die Klassifikation von SAT-Instanzen (Proposal)
Vortragstyp Proposal
Betreuer(in) Jakob Bach
Vortragsmodus in Präsenz
Kurzfassung SAT gehört zu den wichtigsten NP-schweren Problemen der theoretischen Informatik, weshalb die Forschung vor allem daran interessiert ist, besonders effiziente Lösungsverfahren dafür zu finden. Deswegen wird eine Klassifizierung vorgenommen, indem ähnliche Probleminstanzen zu Instanzfamilien gruppiert werden, die man mithilfe von Verfahren des maschinellen Lernens automatisieren will. Die Bachelorarbeit beschäftigt sich unter anderem mit folgenden Themen: Mit welchen (wichtigsten) Eigenschaften kann eine Instanz einer bestimmten Familie zugeordnet werden? Wie erstellt man einen guten Klassifikator für dieses Problem? Welche Gemeinsamkeiten haben Instanzen, die oft fehlklassifiziert werden? Wie sieht eine sinnvolle Familieneinteilung aus?
Neuen Vortrag erstellen

Hinweise