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 beschrieben und eine Übersicht zu aktuellen Entwicklungen gegeben sowie der Einfluss des maschinellen Lernens auf den Energiesektor diskutiert. Danach werden Grundlagen der numerischen Optimierung und linearen Algebra wiederholt. Darauf aufbauend werden Probleme des überwachten Lernens betrachtet und verschiedene Methoden für diese Problemklasse eingeführt (lineare Modelle, Trees, Random Forests, Nearest Neighbour, Kernel Methoden, Deep Learning). Anschließend werden Problemstellungen des unüberwachten Lernens aus einer probabilistischen Sicht betrachtet. Abschließend werden probabilistische grafische Modelle eingeführt.
Alle methodischen Schritte werden in Übungen auf Basis von Python vertieft.
Literatur
[list]
[*]K.P. Murphy: Machine Learning. A Probabilistic Perspective.
[*]C.M. Bishop: Pattern Recognition & Machine Learning
[*]J. Friedman, T. Hastie, R. Tibshirani: The elements of statistical learning
[*]D. Koller, N. Friedmann: Probabilistic Graphical Models. Principles and Techniques
[/list]
Voraussetzungen
[list]
[*]Gute Kenntnisse der linearen Algebra
[*]Grundlegende Kenntnisse in Statistik und numerischer Optimierung sind hilfreich
[*]Die aktive Nutzung von Python für die Übungen sollte kein Hindernis darstellen
[/list]
Online-Angebote
moodle
Stammraum Informationen
S115/133
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 beschrieben und eine Übersicht zu aktuellen Entwicklungen gegeben sowie der Einfluss des maschinellen Lernens auf den Energiesektor diskutiert. Danach werden Grundlagen der numerischen Optimierung und linearen Algebra wiederholt. Darauf aufbauend werden Probleme des überwachten Lernens betrachtet und verschiedene Methoden für diese Problemklasse eingeführt (lineare Modelle, Trees, Random Forests, Nearest Neighbour, Kernel Methoden, Deep Learning). Anschließend werden Problemstellungen des unüberwachten Lernens aus einer probabilistischen Sicht betrachtet. Abschließend werden probabilistische grafische Modelle eingeführt.
Alle methodischen Schritte werden in Übungen auf Basis von Python vertieft.
Literatur
[list]
[*]K.P. Murphy: Machine Learning. A Probabilistic Perspective.
[*]C.M. Bishop: Pattern Recognition & Machine Learning
[*]J. Friedman, T. Hastie, R. Tibshirani: The elements of statistical learning
[*]D. Koller, N. Friedmann: Probabilistic Graphical Models. Principles and Techniques
[/list]
Voraussetzungen
[list]
[*]Gute Kenntnisse der linearen Algebra
[*]Grundlegende Kenntnisse in Statistik und numerischer Optimierung sind hilfreich
[*]Die aktive Nutzung von Python für die Übungen sollte kein Hindernis darstellen
[/list]
Online-Angebote
moodle
Stammraum Informationen
S115/133
- Lehrende: Anonym
- Lehrende: Allan Santos
- Lehrende: Florian Steinke
Semester: WiSe 2021/22