Lehrinhalte
Auch für Ingenieure wird die Analyse und Interpretation von Daten immer wichtiger. Unter den Schlagworten Digitalisierung und Smart Grid entwickeln sich viele neue datenbasierter Dienste im Energiebereich. Das Modul stellt diese Entwicklung und die zugehörigen technischen Grundlagen des maschinellen Lernens dar.
Zuerst werden die verschiedenen Problemstellungen des maschinellen Lernens strukturiert dargestellt (Klassifikation, Regression, Gruppierung, Dimensionsreduktion, Zeitserienmodelle, ), und es wird gezeigt, wie jede Problemklasse in aktuellen Fragestellungen der Energietechnik ihre Anwendung findet (Vorhersage von Preisen, erneuerbaren Energien und Verbrauchsmustern in multimodalen Systemen, Fehlererkennung und -prädiktion, Datenvisualisierung in komplexen Umgebungen, robuste Investitionsrechnung, Kundenanalyse, probabilistische Netzrechnung, ).
Danach werden Grundlagen der Optimierung und Wahrscheinlichkeitsrechnung wiederholt sowie probabilistische graphische Modelle eingeführt. Auf dieser Basis werden dann für jede Problemklasse des maschinellen Lernens verschiedene Verfahren in Tiefe vorgestellt und anhand von Anwendungsbeispielen aus dem Energiebereich diskutiert. Es werden klassische Verfahren wie lineare Regression, k-Means, Hauptkomponentenanalyse ebenso wie moderne Verfahren (u.a. SVMs, Deep Learning, Collaborative filtering, ) dargestellt. Alle methodischen Schritte werden in Übungen / einem Praktikum auf Basis von Matlab vertieft (Das Fachgebiet bietet in der Woche vor Vorlesungsbeginn einen einwöchigen Matlabkurs an, in dem die nötigen Grundlagen zur Programmierung in Matlab erarbeitet werden).
Literatur
[list]
[*]A Géron: Hands on Machine Learning with scikit-learn and Tensorflow, 2017
[*]Friedman, Hastie, Tibshirani: The elements of statistical learning, 2001
[*]Koller, Friedmann: Graphical Models, 2009
[/list]
Voraussetzungen
[list]
[*]Gute Kenntnisse der linearen Algebra und Grundlagen der numerischen Optimierung (z.B. aus dem Kurs 18-st-2010 Energiemanagement & Optimierung)
[*]Die aktive Nutzung von Matlab für die Übungen sollte kein Hindernis darstellen. Als Vorübung kann der Kurzkurs 18-st-2030 Matlab Grundkurs besucht werden.
[/list]
Online-Angebote
moodle
Auch für Ingenieure wird die Analyse und Interpretation von Daten immer wichtiger. Unter den Schlagworten Digitalisierung und Smart Grid entwickeln sich viele neue datenbasierter Dienste im Energiebereich. Das Modul stellt diese Entwicklung und die zugehörigen technischen Grundlagen des maschinellen Lernens dar.
Zuerst werden die verschiedenen Problemstellungen des maschinellen Lernens strukturiert dargestellt (Klassifikation, Regression, Gruppierung, Dimensionsreduktion, Zeitserienmodelle, ), und es wird gezeigt, wie jede Problemklasse in aktuellen Fragestellungen der Energietechnik ihre Anwendung findet (Vorhersage von Preisen, erneuerbaren Energien und Verbrauchsmustern in multimodalen Systemen, Fehlererkennung und -prädiktion, Datenvisualisierung in komplexen Umgebungen, robuste Investitionsrechnung, Kundenanalyse, probabilistische Netzrechnung, ).
Danach werden Grundlagen der Optimierung und Wahrscheinlichkeitsrechnung wiederholt sowie probabilistische graphische Modelle eingeführt. Auf dieser Basis werden dann für jede Problemklasse des maschinellen Lernens verschiedene Verfahren in Tiefe vorgestellt und anhand von Anwendungsbeispielen aus dem Energiebereich diskutiert. Es werden klassische Verfahren wie lineare Regression, k-Means, Hauptkomponentenanalyse ebenso wie moderne Verfahren (u.a. SVMs, Deep Learning, Collaborative filtering, ) dargestellt. Alle methodischen Schritte werden in Übungen / einem Praktikum auf Basis von Matlab vertieft (Das Fachgebiet bietet in der Woche vor Vorlesungsbeginn einen einwöchigen Matlabkurs an, in dem die nötigen Grundlagen zur Programmierung in Matlab erarbeitet werden).
Literatur
[list]
[*]A Géron: Hands on Machine Learning with scikit-learn and Tensorflow, 2017
[*]Friedman, Hastie, Tibshirani: The elements of statistical learning, 2001
[*]Koller, Friedmann: Graphical Models, 2009
[/list]
Voraussetzungen
[list]
[*]Gute Kenntnisse der linearen Algebra und Grundlagen der numerischen Optimierung (z.B. aus dem Kurs 18-st-2010 Energiemanagement & Optimierung)
[*]Die aktive Nutzung von Matlab für die Übungen sollte kein Hindernis darstellen. Als Vorübung kann der Kurzkurs 18-st-2030 Matlab Grundkurs besucht werden.
[/list]
Online-Angebote
moodle
- Lehrende: Anonym
- Lehrende: Florian Steinke
Semester: WiSe 2019/20