Wie Sie uns weiterbringen
* Explorative Analyse und Strukturierung großer realer Telematik-Datensätze aus Fahrzeugflotten
* Entwicklung und Bewertung geeigneter Features zur Beschreibung von Batteriezustand und Degradation
* Entwicklung, Anwendung und Vergleich von Machine-Learning- und Zeitreihenmodellen zur SOH-Schätzung
* Untersuchung der Übertragbarkeit von Labor- auf reale Flottendaten (z. B. Transfer Learning)
* Konzeption und Umsetzung von Validierungsstrategien bei fehlender Ground Truth
* Visualisierung und Interpretation von Degradationsverläufen innerhalb der Fahrzeugflotte
* Entwicklung eines prototypischen datengetriebenen Ansatzes zur Batteriezustandsschätzung
* Wissenschaftliche Dokumentation und Bewertung der Ergebnisse
Was wir an Ihnen schätzen
* Abgeschlossenes Studium oder fortgeschrittene Studienphase in Informatik, Statistik, Maschinenbau, Physik oder einem verwandten Fachgebiet
* Kenntnisse in Machine Learning, statistischer Modellierung oder Zeitreihenanalyse
* Erfahrung in Python (insbesondere NumPy, pandas, scikit-learn; optional PyTorch/TensorFlow)
* Fähigkeit zur strukturierten Analyse komplexer, realer Datensätze
* Selbstständige, methodisch saubere und lösungsorientierte Arbeitsweise
* Interesse an datengetriebenen Fragestellungen im Kontext Elektromobilität und Fahrzeugtechnik
* Vorteilhaft: Grundkenntnisse in Batterietechnologie oder Telematikdatenanalyse
Starten Sie mit uns durch, wir freuen uns auf Sie!
Erste Fragen beantwortet Ihnen gerne Frau Katharina Müller (katharina.mueller@dat.de).
Bitte bewerben Sie sich direkt über das Onlineformular.