Die Bachelorarbeit befasst sich mit der Analyse von Konzepten zur automatischen Erstellung eines, nach bestimmten Kriterien, optimalen Zeitplans für die Satelliten-zu-Bodenstation-Kommunikation innerhalb eines Netzwerks aus mehreren Bodenstationen und mehreren Satelliten. Die Optimalität eines Zeitplans muss definiert werden. Dafür werden Kriterien ermittelt, bewertet und aus ihnen die Zielfunktion als Optimierungsziel aufgestellt. Es werden unterschiedliche Schedulingalgorithmen getestet, ausgewertet und verglichen. Unter anderem soll Optimierung des Gesamtproblems mit einer Kombination von optimierten Teilproblemen szenarienbasiert verglichen und diskutiert werden. Diese Fragestellung ist von Relevanz, wenn es darum geht, verschiedene Entitäten mit Eigeninteressen zu einem Gesamtnetzwerk zu kombinieren. Hierfür dienen Parameter realer Netzwerke als Grundlage.

The technical analysis of the trading in stock and financial markets, whether in traditional stocks or cryptocurrencies, is driven by strategies and indicators, where backtesting is an essential tool for evaluating these strategies by applying them to historical data. It allows traders to assess the performance of strategies such as the relative strength index (RSI), stochastic RSI, moving averages, Bollinger bands, MACD (moving average convergence divergence), Pi cycle indicator, and Fibonacci retracement levels. These strategies are commonly applied in both the stock and cryptocurrency markets, making their analysis highly relevant in the current financial landscape. The objective is to determine their profitability, risk-adjusted returns, and reliability. The dynamic and volatile nature of financial markets, which encompass both traditional stocks and cryptocurrencies, requires robust methods for evaluating trading strategies. Backtesting, an essential tool in financial analysis, enables traders and researchers to simulate the performance of trading strategies based on historical data. This process not only tests the viability of strategies but also provides insights into their potential profitability and risk. By applying strategies to historical market data, traders can identify patterns, assess their robustness, and make informed decisions before applying them in live markets.

Ensemble-Techniken sind sehr erfolgreich darin, Fälle von Kreditkartenbetrug in Datensätzen von Transaktionsdaten zu finden. Hierbei handelt es sich in der Regel um Algorithmen aus dem Bereich des überwachten Lernens, die unter die Methoden des Baggings und des Boostings einzuordnen sind. Die beiden Paradigmen des Ensemble-Lernens sind zur Anwendung in der Erkennung von Kreditkartenbetrug bereits weit erforscht, dasselbe gilt allerdings nicht für Ensemble-Algorithmen aus den Bereichen des halbüberwachten und unüberwachten Lernens. In dieser Arbeit wird das Potenzial von unüberwachten bzw. halbüberwachten Lernmodellen, die in Ensembles trainiert werden, für den Anwendungsfall der Betrugserkennung untersucht und mit Alternativen aus dem Bereich des überwachten Lernens verglichen.

Die vorliegende Arbeit beschäftigt sich mit erfolgreichen Comedy-Serienformaten. Hierbei werden die Sitcom und die Mockumentary-Sitcom thematisiert. Im Fokus des Erkenntnisinteresses steht die Frage, welche Merkmale diese beiden Formen aufweisen und welche Unterschiede und Gemeinsamkeiten sich anhand der Beispielserien Modern Family und Brooklyn Nine-Nine feststellen lassen. Die Verfasserin führt dazu eine Analyse der inhaltlichen und gestalterischen Aspekte der Serien Modern Family und Brooklyn Nine-Nine durch. Die Analyse hat gezeigt, dass es sowohl Gemeinsamkeiten als auch Unterschiede im Inhalt, bei der Erzeugung von Humor sowie bei der Gestaltung auf der Bild- und Tonebene gibt. Außerdem konnte gezeigt werden, dass in der Theorie aufgeführte Merkmale der Mockumentary und der Sitcom in den Serien vermischt werden und die in der Theorie zugeordneten Merkmale nicht zwangsläufig erfüllt sind.

Diese Bachelorarbeit untersucht die Leistungsfähigkeit von Super-Recognizern und KI-basierten Gesichtserkennungssystemen. Der Schwerpunkt der Untersuchung liegt auf der Genauigkeit der Gesichtserkennung unter verschiedenen Bedingungen, wie der Identifikation von Personen mit Snapchat-Filtern modifizierten Gesichtern und die Erkennung von Geschwisterpaaren. Dabei werden sowohl die Stärken als auch die Schwächen der menschlichen Fähigkeiten im Vergleich zu maschinellen Verfahren thematisiert. Zusätzlich wird der Einfluss von verschiedenen Faktoren auf die Leistungsfähigkeit der Super-Recognizer und KI-basierten Gesichtserkennungssysteme betrachtet. Diese Arbeit hebt die Bedeutung der kontinuierlichen Weiterentwicklung von Gesichtserkennungstechnologien hervor und diskutiert ihre Anwendbarkeit. Ziel der Arbeit ist es, ein fundiertes Verständnis für das Zusammenspiel von menschlicher und maschineller Gesichtserkennung zu schaffen und Impulse für zukünftige Untersuchungen zur Integration und Verbesserung dieser Systeme zu geben.