1. Modulverzeichnis (MTS)
  2. Module
  3. Modulbeschreibung anzeigen

Angewandtes Maschinelles Lernen im Ingenieurwesen

Zur Modulseite PDF generieren

#51049 / #2

WiSe 2023/24 - SoSe 2024

Englisch

Applied Machine Learning in Engineering
Angewandtes Maschinelles Lernen im Ingenieurwesen

6

Stender, Merten

Benotet

Schriftliche Prüfung

Englisch

Zugehörigkeit


Fakultät V

Institut für Maschinenkonstruktion und Systemtechnik (IMS)

35352200 FG Cyber-Physical-Systems in Mechanical Engineering

Maschinenbau

Kontakt


H 66

Stender, Merten

merten.stender@tu-berlin.de

https://www.tu.berlin/cpsme

Lernergebnisse

Alle Ingenieurdisziplinen brauchen heute Maschinelles Lernen für die Überwachung von Systemen und die Analyse bei Fehlfunktionen, für datenbasierte Entscheidungsunterstützung sowie für das Heben neuer Potentiale im Umfeld großer Datenmengen. Dieses Modul vermittelt die Grundlagen des Maschinellen Lernens sowie die programmtechnische Umsetzung mit Standard-Bibliotheken in der Programmiersprache Python anhand von realen Praxisbeispielen aus dem Ingenieurwesen. Der Fokus liegt dabei auf dem kompletten Data Science Prozess von der Datenexploration über die Modellierung bis hin zur Inferenz und Produktion. Die Studierende verfügen nach erfolgreichem Bestehen des Moduls über folgende Kenntnisse: - Verständnis grundlegender Verfahren des (un-) überwachten maschinellen Lernens und deren Aufbau sowie Funktionsweise - Kenntnis des Aufbaus und der Konzeption von künstlichen neuronalen Netzwerken - Einblick in die grundlegende Funktionsweise der Fehlerrückführung und Optimierung Fertigkeiten: - Statistische Charakterisierung und Bewertung von großen und hochdimensionalen tabellarischen Datensätzen - Erkennung von Ausreißern und Anomalien - Geeignete visuelle Darstellung von großen und hochdimensionalen Datensätzen - Programmiertechnische Umsetzung grundlegender Operationen und Implementierung von Regressions- und Clustering-Modellen - Bedienung bekannter Programmbibliotheken per Programmiersprache Python Kompetenzen: - Explorative Untersuchung von (großen) multivariaten tabellarischen Datensätzen - Auswahl von maschinellen Lernverfahren, die dem Vorhersagezweck und der Komplexität der Vorhersageaufgabe entsprechen - Bewertung von maschinellen Lernverfahren hinsichtlich Güte, Anpassung und Generalisierbarkeit - Diskussion von Risiken und Technikfolgenabschätzung Die Veranstaltung vermittelt: 60% Wissen & Verstehen, 20% Analyse & Methodik, 20% Programmierung

Lehrinhalte

- Einführung in datenbasierte Verfahren und deren Anwendungen im Ingenieurswesen - Explorative Datenanalyse - Überwachte Regressionsmodelle - Unüberwachte Clustering-Methoden - Entscheidungsbäume - Mehrlagige Perzeptren und künstliche neuronale Netzwerke - Gradientenverfahren, Fehlerrückführung und Trainingsprozesse - Auswertung und Bewertung von maschinellen Lernverfahren - Praxisbeispiele aus Ingenieursdisziplinen - Programmier-Aufgaben und Implementierung in der Programmiersprache Python - Risiko- und Technikfolgenabschätzung

Modulbestandteile

Pflichtbereich

Die folgenden Veranstaltungen sind für das Modul obligatorisch:

LehrveranstaltungenArtNummerTurnusSpracheSWS ISIS VVZ
Applied Machine Learning in EngineeringVLSoSeen2
Applied Machine Learning in EngineeringUESoSeen2
ISIS-Kurssuche nach Veranstaltungen des Moduls

Arbeitsaufwand und Leistungspunkte

Applied Machine Learning in Engineering (VL):

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit15.02.0h30.0h
Vor-/Nachbereitung15.04.0h60.0h
90.0h(~3 LP)

Applied Machine Learning in Engineering (UE):

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit15.02.0h30.0h
Vor-/Nachbereitung15.04.0h60.0h
90.0h(~3 LP)
Der Aufwand des Moduls summiert sich zu 180.0 Stunden. Damit umfasst das Modul 6 Leistungspunkte.

Beschreibung der Lehr- und Lernformen

- Vorlesung: Veranstaltung in einer Großgruppe zur Vermittlung der Lehrinhalte und Zusammenhänge mit vielen Beispielen aus der Praxis und interaktiven Fragen - Übung: praktische und angeleitete Umsetzung von Programmieraufgaben in der Programmiersprache Python sowie Übungen in Kleingruppen zur Vertiefung und Anwendung des Vorlesungsstoffes

Voraussetzungen für die Teilnahme / Prüfung

Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:

- Grundlegende Statistik - Fortgeschrittene Analysis (partielle Differenziation, Gradientenberechnung) und lineare Algebra (Matrix- und Tensor-Multiplikation, Projektionsverfahren, Matrix-Zerlegung) - Grundlegende Konzepte und Methoden der sequentiellen/objektorientierten Programmierung, optimalerweise in Python oder Matlab

Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:

Dieses Modul hat keine Prüfungsvoraussetzungen.

Abschluss des Moduls

Benotung

Benotet

Prüfungsform

Schriftliche Prüfung

Sprache(n)

Englisch

Dauer/Umfang

(Digitale) schriftliche Prüfung mit verschiedenen Fragetypen und kleinen Python-Programmieraufgaben

Prüfungsbeschreibung (Abschluss des Moduls)

Die Portfolio-Prüfung besteht aus einer mündlichen Prüfung (am Ende des Semesters) und zwei Hausaufgaben (die während des Semesters abzugeben sind). Hausaufgabe 1: Explorative Datenanalyse eines den Studierenden zur Verfügung gestellten Datensatzes. Ein schriftlicher Bericht von 3 Seiten (Satzvorlage wird zur Verfügung gestellt) mit einer kurzen textlichen Diskussion und grafischen Visualisierungen ist innerhalb von 3 Wochen nach Bekanntgabe abzugeben. Hausaufgabe 2: Implementierung einer grundlegenden Modellierungstechnik in der Programmiersprache Python und Auswertung auf einem vorgegebenen Datensatz. Ein schriftlicher Bericht von 3 Seiten (Satzvorlage wird zur Verfügung gestellt) mit einer kurzen textlichen Erörterung, Codezeilen, und einer grafischen Visualisierung des Ergebnisses ist innerhalb von 3 Wochen nach der Ankündigung einzureichen. Mündliche Prüfung: Prüfung der Vorlesungsinhalte, allgemeine Konzepte, Kategorisierung von Machine-Learning-Konzepten, Diskussion von Elementen des Machine-Learning-Lebenszyklusprozesses.

Dauer des Moduls

Für Belegung und Abschluss des Moduls ist folgende Semesteranzahl veranschlagt:
1 Semester.

Dieses Modul kann in folgenden Semestern begonnen werden:
Wintersemester.

Maximale teilnehmende Personen

Dieses Modul ist nicht auf eine Anzahl Studierender begrenzt.

Anmeldeformalitäten

Anmeldung zur Prüfung gemäß AllgStuPO in QISPOS. Zugang zu Lehrmaterial und Anmeldung zur Lehrveranstaltung erfolgt über die E-Learning Plattform ISIS.

Literaturhinweise, Skripte

Skript in Papierform

Verfügbarkeit:  nicht verfügbar

 

Skript in elektronischer Form

Verfügbarkeit:  verfügbar

 

Literatur

Empfohlene Literatur
Keine empfohlene Literatur angegeben

Zugeordnete Studiengänge


Diese Modulversion wird in folgenden Studiengängen verwendet:

Studiengang / StuPOStuPOsVerwendungenErste VerwendungLetzte Verwendung
Dieses Modul findet in keinem Studiengang Verwendung.

Sonstiges

Die Studierenden werden gebeten, ihre eigenen Computer für die Programmieraufgaben zu verwenden.