TEJASWINI NALLANDHULA

Analysierte den großen Datensatz und führte eine explorative Datenanalyse (EDA) durch, um die Strukturen und Trends zu entdecken. Durchgeführtes Feature-Engineering und Feature-Extraktion mit SKlearn, Pandas, Numpy. Baute Modelle für maschinelles Lernen und erhöhte die Vorhersagequote um 20%. Verwendet SQL und Azure für die Datenverwaltung im cloud.

Das Hauptaugenmerk dieser Arbeit liegt auf der Identifizierung/Entwicklung einer Smart-Produktionsplanungsmethodik für personalisierbare Produkte, bei denen das Produkt mit Produktionssystemen kommunizieren kann, sowie auf der Integration des Kunden in die Produktionsplanung. Entwickelte eine smart Produktionsplanungsmethodik unter Verwendung von Industry 4.0-Technologien wie IoT, KI, Maschinelles Lernen, Tiefenlernen und schlug einen Prozess zur Integration von Produkt-Produktionssystem-Kunde vor.

Entwicklung von Konzepten und Strategien zum Management der Fabrikstruktur für ein Digitalisierung PLM Tool (Digital Twin der Fabrik, Industrie 4.0). Baute Maschinelles Lernen modells für die smarte Planung der Ofenproduktion unter Verwendung von Python und R. Optimierte das Montagelayout an einer semi-automatischen Montagestation unter Verwendung von DMAIC-Tools, um die Mobilität von Mensch und Material zu reduzieren, was zu einer Produktivitätssteigerung von 15% führte.

Sammelt, analysiert und interpretiert Raw-Daten von verschiedenen Websites unter Verwendung von Big-Data-Tools wie Spark. Erhöhte die Prädiktionsrate um 20 % durch die Ausführung von Feature Engineering und Erstellen von Modellen mit ausgewählten Features. Erstellte sublime Verkaufsvorhersagemodelle für Produkte in R mit einer accuracy rate von 99%. Durchführte Polyaxon-Experimente an mehreren Maschinelles Lernen Modellen, die mit XGBoost, Decision tree, Random forest classifiers erstellt wurden.