madhusudhan Reddy

• Erstellt einen visuell interaktiven Chatbot, der wie ein Mensch interagieren kann. • Es ist eine Kombination aus Computer Vision und NLP • Tools: Tensorflow , Pytorch ,Transformers / Hugging face library.

• Die Masterarbeit konzentrierte sich auf die Entwicklung von Software zur Automatisieren Optimierung eines Getriebe Zahnfuß Systems mit Hilfe von Techniken des Maschinellen Lernens. • Die Software umfasst einen Algorithmus zur Regression neuronale Netze, Algorithmen zum maschinellen Lernen (wie k-Means Clustering-Techniken und Genetischen Algorithmus), einen numerischen Finite Elemente Algorithmus, 3D-Geometrieerzeugung und Daten-visualisierung. • Tools: Python, C++ and Isight.

• Ein Maschinelles Lernmodell wurde entwickelt, um die ausgefallenen Halbleitersensoren in der Produktionslinie vorherzusagen. • Die Daten wurden inspiziert, bereinigt, transformiert und gruppiert. • Der Ensemble Methoden für ein binäres Klassifikationsproblem ausgeführt. • Tools: Python and Matlab.

• Entwicklung eines tieferen Lernens auf der Grundlage einer Convolutional neuronales Netzwerk - Architektur zur Beschleunigung der Strukturoptimierung und zur Bestimmung der optimalen Berechnung Strategie für deren Einsatz. • Ein Feed Forward neuronales Netze wurde zur Vorhersage des Ertragspotentials des Materials implementiert. • Technischer Bericht, Dokumentation und Präsentation der Ergebnisse wurde vorbereitet.. • Tools: Python(Tensor flow and Keras libraries) ,Matlab und Excel

• Ein dreidimensionales Topologieoptimierung Problem wurde in C geschrieben,um die beste Probenform für ein gegebenes Szenario vorherzusagen und zu entwickeln. • PETSc ist das Framework für paralleles Rechnen für schnellere Lösungen. • Die Nachbearbeitung der Ergebnisse erfolgte mit Python. • Form Visualisierungen wurden mit Paraview durchgeführt.

• Entwickelte ein Convolutional Layers neuronales Netze Model zur Extraktion und Klassifizierung von Merkmalen aus einem Röntgenbild einer Brust, um zu entscheiden, ob eine Person mit einer Lungenentzündung infiziert ist. • Daten-Augmentationen durchgeführt, um die Validierungs- und Klassifikations-Genauigkeit zu verbessern.

• Ein Modell zur Voraussage der Kreditmerkmale erstellt wurde, die zur Identifizierung der guten oder schlechten Kreditrisiken für die gegebene Kundendatenbank verwendet werden. • Ein Verkauf Prognosemodell wurde zur Schätzung der verschiedenen Werbeaktivitäten für Autoverkäufe entwickelt. • Techniken des Maschinellen Lernens wie Logistische Regression, XGBoost and Random Forest wurden zur Lösung der gegebenen Probleme implementiert. • Tools: Python,R,SQL und Hadoop(Hive)

Machine Learning,Scientific Programming,Parallel Computing,Simulation Techniques and Data analysis & Visualization