Daniel Boiar, M.Sc., studierte Informatik an der TU Dortmund. Nach seiner Studienzeit arbeitete er als Wissenschaftlicher Mitarbeiter am Lehrstuhl für künstlicher Intelligenz der TU Dortmund. Sein Forschungsschwerpunkt am IPS liegt bei der Zeitreihenanalyse im industriellen Umfeld unter Verwendung von künstlicher Intelligenz.

• Automatisierte THT-Bestückung mittels Robotik
• Zeitreihenanalyse
• Künst­liche In­tel­li­genz im in­dus­tri­el­len Umfeld

• Be­treu­ung von Projekt- und Ab­schluss­ar­bei­ten
• Durchführung von Vorlesungs­reihe(n) des IPS
• Durchführung von Übungen zu den Vorlesungen des IPS

• Operativer Ein­satz von IoT-Technologien in in­dus­tri­el­len Use Cases
• Erstellung von Zeitreihenanalysen industrieller Anlagen und Produkte
• Datengetriebene Ver­bes­se­rung der Prozesseffizienz

• Boiar, Daniel; Liebig, Thomas; Schubert, Erich (2022). LOSDD: Leave-Out Support Vector Data Description for Outlier Detection. arXiv preprint arXiv:2212.13626.
• Boiar, Daniel; Killich, Nils and Schulte, Lukas; Moreno, Victor Hernandez; Deuse, Jochen; Liebig, Thomas (2022). Forecasting Algae Growth in Photo-Bioreactors using Attention LSTMs. In Proceedings of the Workshop on Artificial Intelligence for Engineering Applications 2022, Seiten (accepted), Springer, 2022.
• Sachweh, Timon; Boiar, Daniel; Liebig, Thomas (2022). Distributed LSTM-Learning from Differentially Private Label Proportions. In Data Mining Workshops, 2022. ICDMW'22. IEEE International Conference on, Seiten (accepted), IEEE, 2022.
• Sachweh, Timon; Boiar, Daniel; Liebig, Thomas (2021). Differentially Private Learning from Label Proportions. In Proceedings of the ECML Workshop on Parallel, Distributed, and Federated Learning, Seiten (accepted), 2021.
• Boiar, Daniel (2018). Realzeitliche Vorhersagen mit Hoeffding-Trees im Tunnelbau. TU Dortmund, 2018.