Zum Inhalt
Abschlussarbeiten

am Fachgebiet "Statistical Methods for Big Data"

Laufende Abschlussarbeiten

  • Tim Schmale (2023): An Introduction to Mixed Models and a Longitudinal Application on Cognitive Decline during Parkinson's Disease (BA)
  • Neele Malin Hormann (2023): Statistische Modellierung und Vorhersage der FIFA WM 2022 mittels Random Forest (BA)

Abgeschlossene Abschlussarbeiten

  • Rik Amann (2022): Statistische Modellierung und Vorhersage von Mehrkampf-Leistungsdaten in der Leichtathletik auf Basis von generalisierten additiven Modellen (BA)
  • Jordi Walder (2022): Customer Churn Prediction in ERP Software Provider (BA)
  • Max Ullmann (2022): Pech oder Konsequenz? Statistische Modellierung der Verletzungsfehltage des BVB im Bundesligavergleich (BA)
  • Jan Lennartz (2022): Road Slope Estimation: A Machine Learning Aided Signal Correction Approach (MA)
  • Dominik Niedziela (2022): Evaluierung verschiedener Methoden zur Überwachung von chemischen Batchprozessen (BA)
  • Leon-Patrick Heuer (2022): Ist Startup-Erfolg modellier- und vorhersagbar? - Ein Vergleich von Logistischer Regression und Random Forest (BA)
  • Tim Westphal (2022): Eine statistische Analyse von Einflussfaktoren für den Ausgang des Eurovision Song Contests auf Grundlage des Zeitraums 2014 bis 2019 (BA)
  • Susanne Stock (2022): Zeitvariierende Effekte in generalisierten additiven Modellen am Beispiel von Vornamen in den USA zwischen 1880 und 2020 (BA)
  • Marie Punsmann (2022): Kundenschreiben in der Lebensversicherung - eine Analyse mit Methoden aus der Textdatenanalyse und Klassifikation (MA)
  • Stella Mathilda Ebbrecht (2022): Ein Plädoyer für Post- und Relaxed-LASSO Regularisierungen anhand einer Simulationsstudie (BA)
  • Jonas Glowinski (2022): Explainable Anomaly Detection in Property Insurance Claims Data (MA)
  • Franziska Popp (2021): Modellierung und Vorhersage der UEFA EURO 2020 mittels Verfahren des statistischen Lernens (MA)
  • Philipp Hülk (2021): Modellierung nicht-linearer Einflüsse mittels additiver Regression: Eine Analyse realer E-Scooter-Mobilitätsdaten (BA)
  • Jonas Heiner (2021): A statistical analysis of Bundesliga match event data (MA)
  • Jannes Rick (2021): Eine statistische Analyse der Auswirkungen der Covid19-Pandemie auf die sportliche Aktivität von Studierenden (BA)
  • Joshua Oehmen (2021): Anwendung statistischer Modelle zur Prognose von Headisergebnissen (BA)
  • Philip Buczak (2021): Einsatz sequentieller Verfahren im Hyperparameter-Tuning (MA)
  • Tim Grabo (2021): Modellselektion für die nicht-lineare Modellierung des Einflusses von Luftschadstoffen, Temperatur und deren Interaktion auf Lungenfunktionsparameter in der SALIA-Studie (BA)
  • Faysal Ntafh (2021): Erkennung von Anomalien in den Daten aus dem Beherbergungsgewerbe mit Hilfe von KI Methoden (MA)
  • Patrick Lorenz (2020): Modellierung von Strafyards im American Football im Rahmen von generalisierten linearen gemischten Modellen (BA)
  • Cartsen Wasserfuhr (2021): Analyse des Stornoverhaltens von Lebensversicherungsverträgen mit Hilfe verschiedener statistischer Modelle und Lernverfahren (MA)
  • Lars Lobers (2021): Modellierung von 100 Meter Sprintzeiten mithilfe von Generalisierten Additiven Gemischten Modellen (MA)
  • Tom Pflugbeil (2021): Regularisierungsverfahren zur Modellierung der deutschen Baseball-Bundesliga (BA)
  • Lionel Fotie (2020): Kategorisierung von Domänen mittels Clusterverfahren (BA)
  • Sven Teschke (2020): A Statistical Analysis of the Klopp-Effect (MA)
  • Ilona Maske (2020): Ein Vergleich herkömmlicher Regressionsverfahren mit modernen Machine Learning Techniken für binäre Zielvariablen in komplexen Datensituationen (MA)
  • Philip Buczak (2020): Einsatz sequenzieller Verfahren im Hyperparameter-Tuning (MA)
  • Eugene Edmond Nantchouang Tefong (2020): Eine Analyse der Post-LASSO Technik im Linearen Modell (BA)
  • Niklas Dombrink (2020): Untersuchung der Einflussfaktoren auf die Passgenauigkeit im professionellen Fußball mittels eines Generalisierten Additiven Gemischten Modells (MA)
  • Marc Schmieder (2020): Multilabel-Klassifizierung von Nachrichten Schlagzeilen. Vergleich zwischen neurolanen Netzen und baumbasierten Algorithmen auf verschiedenen Repräsentationen von Wörtern (MA)
  • Thi Ngoc Tien Tran (2020): Untersuchung von Random Forests bzgl. Overfitting (MA)
  • Jan Lennartz (2019): Ein Vergleich von verschiedenen Vorhersagemodellen im internationalen Tischtennis (BA)
  • Philipp Steinhauer (2019): Vergleich von Clusterverfahren auf Basis von Handball-Bundesliga Daten (BA)
  • Sujin Park (2019): Implementierung eines Kreuzvalidierungsverfahrens für die Funktion glmmLasso aus dem gleichnamigen R-Paket (BA)
  • Jonas Heiner (2019): Prediction of Handball World Cup results (BA)
  • Jacob Grytzka (2019): Vergleich verschiedener Optimierungsverfahren in generalisierten linearen Modellen (BA)
  • Philip Buczak (2019): Modellierung und Vorhersage von Fußballbundesligaspielen mittels Random Forest (BA)
  • Susanne Brunner (2019): Modellierung und Vorhersage von Tennisspielen bei Grand Slam Turnieren (BA)
  • Sheila Görz (2018): Vergleich verschiedener Verfahren zur Bestimmung des Glättungsparameters in Generalisierten Additiven Modellen (BA)
  • Maxime Faymonville (2018): Statistische Modellierung des Elfmeterschießens anhand des DFB-Pokals (BA)
  • Steffen Maletz (2018): Wahl von Knoten und Basisfunktionen in Generalisierten Additiven Modellen (BA)

Anfahrt & Lageplan

Der Campus der Technischen Universität Dortmund liegt in der Nähe des Autobahnkreuzes Dortmund West, wo die Sauerlandlinie A45 den Ruhrschnellweg B1/A40 kreuzt. Die Abfahrt Dortmund-Eichlinghofen auf der A45 führt zum Campus Süd, die Abfahrt Dortmund-Dorstfeld auf der A40 zum Campus-Nord. An beiden Ausfahrten ist die Universität ausgeschildert.

Direkt auf dem Campus Nord befindet sich die S-Bahn-Station „Dortmund Universität“. Von dort fährt die S-Bahn-Linie S1 im 15- oder 30-Minuten-Takt zum Hauptbahnhof Dortmund und in der Gegenrichtung zum Hauptbahnhof Düsseldorf über Bochum, Essen und Duisburg. Außerdem ist die Universität mit den Buslinien 445, 447 und 462 zu erreichen. Eine Fahrplanauskunft findet sich auf der Homepage des Verkehrsverbundes Rhein-Ruhr, außerdem bieten die DSW21 einen interaktiven Liniennetzplan an.
 

Zu den Wahrzeichen der TU Dortmund gehört die H-Bahn. Linie 1 verkehrt im 10-Minuten-Takt zwischen Dortmund Eichlinghofen und dem Technologiezentrum über Campus Süd und Dortmund Universität S, Linie 2 pendelt im 5-Minuten-Takt zwischen Campus Nord und Campus Süd. Diese Strecke legt sie in zwei Minuten zurück.

Vom Flughafen Dortmund aus gelangt man mit dem AirportExpress innerhalb von gut 20 Minuten zum Dortmunder Hauptbahnhof und von dort mit der S-Bahn zur Universität. Ein größeres Angebot an internationalen Flugverbindungen bietet der etwa 60 Kilometer entfernte Flughafen Düsseldorf, der direkt mit der S-Bahn vom Bahnhof der Universität zu erreichen ist.