Unsupervised Learning of Threshold Trees for Sensor-Based Indoor Positioning on Microcontrollers

Brake particle emission predictions using Deep Learning

Machine Learning Adaptation to Bio-Electromagnetic Compatibility Problem

Hands-on Machine Learning Basics: Gaussian Processes and Artificial Neural Networks

Development of a Conversational Interface Based on Institution-Specific Documentation Through LLM Finetuning

Auf Youtube wurde ein neues Video zu Arbeiten der TUHH über maschinelles Lernen für Mikrocontroller zur Indoor-Ortung in Produktionsprozessen veröffentlicht. Im Video beschreibt Dr. Marcus Venzke diese Arbeiten, die im Rahmen des Projektes “WinOSens” mit den mittelständischen Unternehmen M2M-Germany und Osapiens durchgeführt wurden. Mit Hilfe von Sensoren wird der Ort von sog. Sonderladungsträgern in industriellen Produktionsprozessen verfolgt, ohne klassische Ortungstechnologien wie GPS zu verwenden oder eine Ortungsinfrastruktur zu installieren. Stattdessen werden Spezifika der Sensordaten entlang von Wegen durch Gebäude gelernt, wie z. B. Luftdruckänderungen bei Fahrstuhlfahrten oder Magnetfeldschwankungen durch metallische Strukturen am Weg. Im Video werden verschiedene ML-Verfahren für supervised Learning verglichen. Ein neu entwickeltes Verfahren für unsupervised Learning wird vorgestellt und praktisch vorgeführt. Das Video finden Sie unter: https://www.youtube.com/watch?v=AHIMf4QN7-I

vom 18. bis 22. März 2024

Development of a black-box soft sensor for a fluidization process

Parameter Efficient Fine Tuning for a Domain-Specific Automatic Speech Recognition

Refinement of Simulations in Particle Physics