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.