MMB112: Maschinelles Lernen

Kernmodule Maschinenbau

MMB112: Maschinelles Lernen

Kurzporträt MMB112: Maschinelles Lernen
Worum geht es? In diesem Modul lernen Sie die grundlegenden Methoden des maschinellen Lernens kennen und wenden sie auf ingenieurwissenschaftliche Aufgaben an: von statistischer Datenanalyse über überwachte und unüberwachte Lernverfahren bis zu neuronalen Netzen, Gaußprozessen und Support Vector Machines. Sie implementieren die Algorithmen am Rechner, validieren sie und interpretieren die Ergebnisse fachlich.
Wofür braucht man es? Diese Kompetenzen werden benötigt, um Verfahren des maschinellen Lernens als allgemeines Werkzeug zur Lösung ingenieurwissenschaftlicher Aufgaben einzusetzen, zu modifizieren oder für neue Anwendungsfälle weiterzuentwickeln. Sie sind Grundlage für Module wie die KI-gestützte digitale Produktentwicklung, in denen lernende Modelle gezielt in Entwicklungsprozesse integriert werden.
Wieso ist es interessant? Maschinelles Lernen verändert, wie im Maschinenbau simuliert, ausgelegt und optimiert wird. Wer verstehen möchte, welche Annahmen und Grenzen hinter neuronalen Netzen, Gaußprozessen oder Clusterverfahren stecken, statt sie nur als fertige Werkzeuge zu nutzen, bekommt hier den methodisch fundierten Zugang dazu.
Modulverantwortung

Prof. Dr. Dirk Roos

Lehrperson(en)

Prof. Dr. Dirk Roos

Verwendbarkeit

Master Maschinenbau

Fächergruppe

Ingenieurwissenschaften

Modultyp
Wahlpflicht
Sprache

Deutsch

Angebot

Sommersemester

Dauer

1 Semester

Credits

5 ECTS

Benotung

Deutsche Notenskala 1-5

SWS

2 V | 1 Ü | 1 P | - S

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

Machine Learning

Empfohlene Voraussetzungen

Analysis (ANA), Lineare Algebra und Differenzialgleichungen (LAD), Numerik (NUM), Informatik (INF), Data Science (DSC)

Lernergebnisse / Kompetenzen
WAS

Die Studierenden können die grundlegenden Definitionen, Sätze und Methoden des maschinellen Lernens anwenden.

WOMIT

Die Studierenden erreichen dieses Lernergebnis, indem sie

  • an Beispielaufgaben die wesentlichen Begrifflichkeiten und Zusammenhänge identifizieren, diskutieren und veranschaulichen, die Methoden und Techniken einüben sowie die Algorithmen am Rechner umsetzen und damit ingenieurwissenschaftliche Aufgaben lösen,
  • Datensätze statistisch analysieren, aufbereiten und für Lernverfahren strukturieren,
  • überwachte und unüberwachte Lernverfahren für Regression, Klassifikation, Clusteranalyse sowie Anomalieerkennung auswählen und anwenden,
  • neuronale Netze, Gaußprozesse, Support Vector Machines und weitere Modelle hinsichtlich Annahmen, Leistungsfähigkeit und Grenzen vergleichen,
  • Verfahren der Sensitivitätsanalyse, Dimensionsreduktion, Autoencoder und Optimierung in ingenieurwissenschaftlichen Anwendungsfällen einsetzen,
  • Modelle rechnergestützt implementieren, validieren und die Ergebnisse fachlich interpretieren.
WOZU

um die erlernten Methoden in anderen Modulen des Studiums anzuwenden, Verfahren des maschinellen Lernens als allgemeines Mittel zur Lösung ingenieurwissenschaftlicher Aufgaben zu verinnerlichen und zu nutzen sowie numerische Methoden des maschinellen Lernens in praktischen Anwendungen anzuwenden, zu modifizieren oder neu zu entwickeln.

Inhalte
  • Statistische Datenanalyse
  • Neuronale Netzwerke, Gaußprozesse, Support Vector Machines
  • Überwachtes Lernen (Regression und Klassifikation)
  • Sensitivitätsanalyse, Dimensionsreduktion, Autoencoder
  • Unüberwachtes Lernen (Cluster-Analyse, Anomalie- und Ausreißerkennung)
  • Convolutional Neural Networks, Rekurrente neuronale Netzwerke
  • Evolutionary computation
  • Bayesian optimization
  • Softwaretools und Anwendungen
Prüfungsvorleistung

Keine

Prüfungsleistung

digitale Klausur, 90 Minuten

Literatur
  • Marc Peter Deisenroth; A. Aldo Faisal; Cheng Soon Ong: Mathematics for Machine Learning. Cambridge University Press, 2020.
  • Wolfgang Ertel: Grundkurs Künstliche Intelligenz. Springer Vieweg, 2021.
  • Christopher M. Bishop; Hugh Bishop: Deep Learning: Foundations and Concepts. Springer, 2024.
  • Christopher M. Bishop: Pattern Recognition and Machine Learning. Springer, 2006.
  • Ian Goodfellow; Yoshua Bengio; Aaron Courville: Deep Learning. MIT Press, 2016.
  • Carl Edward Rasmussen; Christopher K. I. Williams: Gaussian Processes for Machine Learning. MIT Press, 2006.
  • Ingrid Gerdes; Frank Klawonn; Rudolf Kruse: Evolutionäre Algorithmen. Vieweg, 2004.