BWP529: Neuronale Netze für Ingenieuranwendungen (mit Praktikum)

Wahlpflichtmodule

BWP529: Neuronale Netze für Ingenieuranwendungen (mit Praktikum)

Kurzporträt BWP529: Neuronale Netze für Ingenieuranwendungen (mit Praktikum)
Worum geht es? In diesem Modul lernen Studierende, wie neuronale Netze für technische Daten entworfen, trainiert und bewertet werden. Studierende beschäftigen sich mit mathematischen und algorithmischen Grundlagen, Vorwärts- und Rückwärtspropagation, Training, Validierung, Regularisierung und ausgewählten Netzarchitekturen. Anwendungen beziehen sich auf Mess-, Bild-, Sensor- oder Zeitreihendaten aus dem Maschinenbau.
Wofür braucht man es? Diese Kompetenzen werden benötigt, um datenbasierte ingenieurwissenschaftliche Aufgaben fachlich fundiert mit neuronalen Modellen zu bearbeiten. Die Kompetenzen helfen dabei, Modellentscheidungen, Ergebnisse, Fehlerquellen und Grenzen nachvollziehbar zu beurteilen.
Wieso ist es interessant? Neuronale Netze können technische Daten nutzbar machen, wenn sie passend ausgewählt und sorgfältig bewertet werden. Das Modul zeigt, wie moderne KI-Methoden auf reale Ingenieuranwendungen übertragen werden.
Modulverantwortung

Prof. Dr.-Ing. Duc Duy Pham

Lehrperson(en)

Prof. Dr.-Ing. Duc Duy Pham

Verwendbarkeit
  • Bachelor Elektrotechnik
  • Bachelor Maschinenbau
  • Bachelor Mechatronik und Robotik
Fächergruppe

Ingenieurwissenschaften

Modultyp
Pflicht
Sprache

Deutsch

Angebot

Wintersemester

Dauer

1 Semester

Credits

5 ECTS

Benotung

Deutsche Notenskala 1-5

SWS

2 V | 1 Ü | 1 P | - SL

Workload
Präsenzstudium: 45 Std. Selbststudium: 90 Std.
Engl. Titel

Neural Networks for Engineering Applications

Empfohlene Voraussetzungen
  • BB007: Mathematische Grundlagen für Ingenieurwissenschaften: Analysis, Funktionen, Differential- und Integralrechnung.
  • BMB101: Lineare Algebra: lineare Algebra, Vektoren, Matrizen, Eigenwerte und Differenzialgleichungen.
  • BWP518: Stochastik und Versuchsplanung: Wahrscheinlichkeitsrechnung, Statistik, Korrelation, Regression und Versuchsplanung.
  • BET204: Data Science für Industrie 4.0: maschinelles Lernen, Datenaufbereitung, Feature Engineering und Modellbewertung.
Lernergebnisse / Kompetenzen
WAS

Mit erfolgreichem Abschluss des Moduls sind die Studierenden in der Lage, neuronale Netze für technische Daten methodisch begründet zu entwerfen, zu implementieren, zu trainieren und hinsichtlich ihrer Eignung für die jeweilige Aufgabenstellung zu bewerten.

WOMIT

Die Studierenden erreichen dieses Lernergebnis, indem sie

  • die mathematischen und algorithmischen Grundlagen künstlicher neuronaler Netze analysieren und zentrale Komponenten eigenständig implementieren,
  • neuronale Netze für technische Aufgabenstellungen auswählen oder gestalten, frameworkgestützt umsetzen und mit geeigneten Daten trainieren,
  • Trainings-, Validierungs- und Bewertungsverfahren methodisch anwenden und
  • Modellentscheidungen, Ergebnisse, Fehlerquellen und Grenzen anhand ingenieurwissenschaftlicher Anwendungen untersuchen und begründet beurteilen.
WOZU

Die Studierenden nutzen diese Kompetenz, um datenbasierte ingenieurwissenschaftliche Aufgaben im Maschinenbau fachlich fundiert und nachvollziehbar mit neuronalen Modellen zu bearbeiten.

Inhalte
  • Grundlagen, Funktionsweise und ausgewählte Architekturen künstlicher neuronaler Netze
  • Mathematische und algorithmische Grundlagen des Lernens, insbesondere Vorwärts- und Rückwärtspropagation
  • Eigenständige Implementierung grundlegender Netzkomponenten und Lernverfahren
  • Training, Validierung, Bewertung und Regularisierung neuronaler Netze
  • Neuronale Netze für räumlich oder zeitlich strukturierte technische Daten
  • Faltungsnetze und ausgewählte Verfahren der Merkmalsextraktion
  • Lernen geeigneter Merkmalsdarstellungen, insbesondere zur Dimensionsreduktion, Merkmalsextraktion und Rekonstruktion technischer Daten
  • Abgrenzung diskriminativer, rekonstruktiver und generativer Modellierungsansätze
  • Grundlagen aufmerksamkeitsbasierter Architekturen und Transformer
  • Frameworkgestützte Entwicklung und Untersuchung neuronaler Netze
  • Ausgewählte Anwendungen auf Mess-, Bild-, Sensor- oder Zeitreihendaten des Maschinenbaus
Prüfungsvorleistung

aktive Praktikumsteilnahme

Prüfungsleistung

digitale Klausur, 90 Minuten

Literatur
  • Goodfellow, Ian; Bengio, Yoshua; Courville, Aaron: Deep Learning. MIT Press, 2016.
  • Prince, Simon J. D.: Understanding Deep Learning. MIT Press, 2023.
  • Zhang, Aston et al.: Dive into Deep Learning. Cambridge University Press, 2023.
  • Bishop, Christopher M.; Bishop, Hugh: Deep Learning: Foundations and Concepts. Springer, 2024.