✅ Gutes Feedback:

"Deine Forschungsfrage ist sehr spannend und klar formuliert! Die Literaturauswahl zeigt, dass du dich bereits gut eingelesen hast. Was mir besonders gut gefallen hat, ist deine realistische Zeitplanung mit Puffern. Was noch mehr sein könnte: Die Methodik könnte noch etwas detaillierter beschrieben werden - vielleicht könntest du konkrete Tools oder Frameworks nennen, die du verwenden möchtest?"

❌ Weniger hilfreich:

"Die Forschungsfrage ist zu breit. Die Zeitplanung ist unrealistisch. Du hast zu wenig Quellen."

→ Das ist zu negativ und bietet keine konkreten Verbesserungsvorschläge!

🎤

Wer möchte beginnen?

(Freiwillige vor, dann alphabetisch/zufällig)

Arbeitstitel:

"Entwicklung und Evaluation eines Machine-Learning-basierten Empfehlungssystems für eine E-Commerce-Plattform"

Problemstellung & Motivation:

E-Commerce-Plattformen stehen vor der Herausforderung, aus einer großen Produktauswahl relevante Artikel für jeden Nutzer zu identifizieren. Traditionelle regelbasierte Empfehlungssysteme erreichen oft nur geringe Conversion-Rates von ca. 2-3%. Machine Learning bietet das Potenzial, personalisierte Empfehlungen zu generieren und die User Experience signifikant zu verbessern. Studien zeigen, dass effektive Empfehlungssysteme die Conversion-Rate um bis zu 30% steigern können [1][2].

Forschungsfrage:

"Wie kann ein Collaborative Filtering-Algorithmus implementiert werden, um die Genauigkeit von Produktempfehlungen in einer E-Commerce-Plattform zu verbessern, und welche Performance-Metriken (Precision, Recall, F1-Score) werden im Vergleich zu einem regelbasierten Ansatz erreicht?"

Zielsetzung:

• Implementierung eines Collaborative Filtering-Algorithmus (User-based und Item-based)
• Integration in eine bestehende E-Commerce-Plattform
• Evaluation der Performance anhand realer Nutzerdaten
• Vergleich mit einem regelbasierten Baseline-System

Stand der Forschung (Auszug):

Grundlagen: Collaborative Filtering wurde erstmals von Resnick et al. (1994) vorgestellt [1]. Aktuelle Ansätze nutzen Deep Learning (He et al., 2017) [2] und Hybrid-Methoden (Burke, 2002) [3].

Relevante Studien: Sarwar et al. (2001) zeigen, dass Item-based CF bessere Skalierbarkeit bietet [4]. Koren et al. (2009) erreichten mit Matrix Factorization state-of-the-art Ergebnisse beim Netflix Prize [5].

[1] Resnick et al. (1994), [2] He et al. (2017), [3] Burke (2002), [4] Sarwar et al. (2001), [5] Koren et al. (2009), ... (10+ Quellen insgesamt)

Methodik / Vorgehensweise:

1. Literaturrecherche: Systematische Analyse von Empfehlungsalgorithmen
2. Anforderungsanalyse: Untersuchung der Plattform-Anforderungen
3. Implementierung: Entwicklung mit Python (Scikit-learn, Surprise Library)
4. Datenaufbereitung: Bereinigung und Strukturierung der Nutzerdaten
5. Training & Testing: 80/20 Split, Cross-Validation
6. Evaluation: Messung von Precision@K, Recall@K, F1-Score
7. Vergleich: A/B-Testing gegen Baseline-System
8. Dokumentation: Ergebnisse und Learnings

Vorläufige Gliederung:

1. Einleitung
2. Grundlagen (Recommender Systems, Collaborative Filtering, Machine Learning)
3. Anforderungsanalyse und Konzeption
4. Implementierung des Empfehlungssystems
5. Evaluation und Ergebnisse
6. Diskussion und Ausblick
7. Fazit

Zeitplan (12 Wochen):

📍 Wo finden?

Direktlink zu Overleaf:
https://www.overleaf.com/latex/templates/awesome-cv/dfnvtnhzhhbm

Oder suchen Sie auf Overleaf nach "Awesome CV"

1. Persönliche Daten ändern:

% In cv.tex - Header Section:
\name{Ihr}{Name}
\position{Software Developer{\enskip\cdotsep\enskip}Bachelor Student}
\address{Berlin, Deutschland}
\mobile{+49 123 456789}
\email{ihre.email@example.com}
\homepage{www.ihrewebsite.com}
\github{IhrGitHub}
\linkedin{IhrLinkedIn}

2. Farbschema wählen:

% Am Anfang von cv.tex:
\documentclass[11pt, a4paper]{awesome-cv}

% Farboptionen: awesome-emerald, awesome-skyblue,
%               awesome-red, awesome-pink, awesome-orange,
%               awesome-nephritis, awesome-concrete, awesome-darknight
\colorlet{awesome}{awesome-red}

3. Sektionen aktivieren/deaktivieren:

% In cv.tex - welche Sektionen sollen angezeigt werden:
\input{cv/summary.tex}      % Kurze Zusammenfassung
\input{cv/experience.tex}   % Berufserfahrung
\input{cv/education.tex}    % Ausbildung
\input{cv/skills.tex}       % Fähigkeiten
% \input{cv/extracurricular.tex}  % Optional

Beispiel-Code:

\cvsection{Experience}

\begin{cventries}

  \cventry
    {Software Developer (Werkstudent)} % Job title
    {TechStartup GmbH} % Organization
    {Berlin, Deutschland} % Location
    {Mär. 2024 - HEUTE} % Date(s)
    {
      \begin{cvitems}
        \item {Entwicklung einer E-Commerce-Plattform mit React und Node.js}
        \item {Implementierung von REST APIs und Datenbankanbindung (MongoDB)}
        \item {Code Reviews und Pair Programming im agilen Team}
        \item {Technologien: JavaScript, TypeScript, React, Express.js, Git}
      \end{cvitems}
    }

  \cventry
    {IT Support (Praktikum)} % Job title
    {FinanzFirma AG} % Organization
    {Berlin, Deutschland} % Location
    {Jul. 2023 - Sep. 2023} % Date(s)
    {
      \begin{cvitems}
        \item {User Support für 200+ Mitarbeiter}
        \item {Installation und Wartung von Soft- und Hardware}
        \item {Dokumentation von IT-Prozessen}
      \end{cvitems}
    }

\end{cventries}

Education Section:

\cvsection{Education}

\begin{cventries}
  \cventry
    {B.Sc. in Angewandter Informatik} % Degree
    {HTW Berlin} % Institution
    {Berlin, Deutschland} % Location
    {Okt. 2021 - HEUTE} % Date(s)
    {
      \begin{cvitems}
        \item {Schwerpunkte: Software Engineering, Algorithmen, Datenbanken}
        \item {Relevante Module: Web Development, Machine Learning, IT-Security}
        \item {GPA: 1.8} % Nur wenn gut!
        \item {Bachelorarbeit: "Machine Learning-basiertes Empfehlungssystem"}
      \end{cvitems}
    }
\end{cventries}

Skills Section:

\cvsection{Skills}

\begin{cvskills}
  \cvskill
    {Programmiersprachen} % Category
    {Python, Java, C, JavaScript, TypeScript} % Skills

  \cvskill
    {Web Development}
    {React, Node.js, Express, HTML/CSS, REST APIs}

  \cvskill
    {Tools \& Frameworks}
    {Git, Docker, MongoDB, MySQL, VS Code, LaTeX}

  \cvskill
    {Sprachen}
    {Deutsch (Muttersprache), Englisch (Fließend), Russisch (Grundkenntnisse)}
\end{cvskills}