Lehrinhalte
Theorie: Anwendungsorientierte Grundlagen des Machine Learning und verknüpfter Bereiche der Statistik (deskriptiv, explorativ, induktiv), Advanced Analytics, Data Mining, Data Science und Big Data; Grundlagen von Machine Learning Verfahren, Funktionsweisen und Algorithmen; Entwicklungsprozesse; Grundlegende Data Science Prinzipien und Techniken: Erörterung von betriebswirtschaftlichen Szenarien; Sammlung, Sichtung und Qualitätsbewertung von Daten; Datenvorbereitung, Feature Engineering; Anwendung von Verfahren und Entwicklungsumgebungen anhand Beispiele in Matlab und Python; Aufzeigen und Bewerten von Lösungsmöglichkeiten; Modellauswahl, Optimierung, Performanzbewertung; wesentliche Ideen zur Modellintegration in Entscheidungsprozesse, Handlungsempfehlungen, System of Systems; Beispiele aus der aktuellen Forschung, bspw. Predictive Maintenance in der Luftfahrt und in der Produktion;
Praktische Gruppenarbeit: Anwendung von Grundzügen einer Softwareentwicklungsmethodik (bspw. Scrum); Umsetzung der Theoriekenntnisse in einer kooperativen Entwicklungsaufgabe; praxisnahe Lösungsentwicklung einer Herausforderung der Industrie durch Programmierung und Datenauswertung (Implementierung); Dokumentation und Präsentation der Ergebnisse;
[b]Lernergebnisse[/b]
Nachdem Studierende die Lerneinheit erfolgreich abgeschlossen haben, sollten sie in der Lage sein:
[list=1]
[*]Grundlegende Entwicklungen und Einsatzmöglichkeiten künstlicher Intelligenz (Machine Learning) auf ingenieurstechnische Anwendungen (bspw. Maschinenbau) zu beurteilen
[*]Wesentliche Konzepte und (mathematische) Methoden im Machine Learning zu differenzieren und zu erklären
[*]Ausgewählte Algorithmen und Modelle (z. B. aus dem Bereich Diagnose/Prognose) hinsichtlich Ihrer Performanz, Robustheit und Qualität ingenieurswissenschaftlich zu evaluieren
[*]Erlernte Fertigkeiten in den Bereichen Datenakquisition und -verarbeitung, datenbasierte Modellbildung (Diagnosen und Prognosen) sowie Präskription anzuwenden
[*]Einfache und mittlere Analyseaufgaben mithilfe von Prozessmodellen (CRISP/OSA-CBM) selbstständig zu strukturieren, anhand von Daten umzusetzen und wirtschaftlich abzuschätzen
[/list]
Literatur
Vorlesungsmatetrialien werden semesterbegleitend auf Moodle zur Verfügung gestellt.
[list]
[*]Hastie, T.; Tibshirani, R.; Friedman, J.: The Elements of Statistical learning. Springer
[*]Ertel, W.: Grundkurs künstliche Intelligenz. Springer
[*]Mitchell T.: Machine Learning. McGraw Hill
[*]Bishop, C.M.: Recognition and Machine Learning. Springer
[*]Witten, I.: Data Mining, Elsevier
[/list]
Voraussetzungen
Programmierkenntnisse in Matlab / Python
Erwartete Teilnehmerzahl
ca. 150
Weitere Informationen
[b]Prüfungsform[/b]
Sonderform: 50 % Klausur (60 min) und 50 % praktische Gruppenarbeit (semesterbegleitend) einer kooperativen Entwicklungsaufgabe (Data Quest) inkl. Implementierung, Dokumentation und Präsentation (Extratermin)
Offizielle Kursbeschreibung
Die Forschung zu Künstlicher Intelligenz (KI) erfährt durch den gesellschaftlichen und wirtschaftlichen Stellenwert zurzeit einen erheblichen Antrieb. Vor allem der Fachbereich Informatik an der TU Darmstadt nimmt dabei national wie international eine der führenden Positionen ein: Algorithmen zur automatischen Bildanalyse für komplexe Verkehrssituationen, intelligente Such- und Rettungsroboter, Entwicklung von Lernverfahren zur Steuerung von Robotern und Maschinen für Echtzeitinteraktionen und Entwicklung von maschinellen Lernmethoden für den Einsatz in der Landwirtschaft zur Frage der Welternährung stellen nur einige herausragende Beispiele dar. Die Forschung in diesen Themen wird ergänzt durch ein grundlagenorientiertes Lehrangebot. Es fehlt jedoch ein anwendungsorientiertes Lehrangebot für Ingenieure. Aufgrund der immensen Interdisziplinarität dieses Schwerpunktthemas und Digitalisierungsstrategien wie Industrie 4.0 und Industrial Internet of Things (IIoT) in der Ingenieurwissenschaft sollten sich auch unsere angehenden Ingenieure von morgen diesem Thema unbedingt widmen.
Das Ziel der Veranstaltung ist die interaktive Vermittlung der Grundlagen im Machine Learning und die Erlangung praktischer Fertigkeiten im Maschinellen Lernen und in den damit verknüpften Bereichen Advanced Analytics, Data Science und Software Development an Studierende. Neben der Vermittlung der Theorie mit Übungen und Demonstrationen wird ein sogenannter Hackathon als Gruppenarbeit ein Teil an der Gesamtprüfung darstellen. Es handelt sich dabei um die Herausforderung, eine kooperative Software-Entwicklung mit Anwendung des Scrum-Vorgehensmodells zu bewerkstelligen, bei der Studierenden eine von einem Industriepartner gestellte Programmierungs- und Datenauswerteaufgabe gestellt bekommen. Das ermöglicht Studierenden, die Grundzüge der Softwareentwicklung mit praxisnahen Herausforderungen kreativ angehen und lösen zu können, Kontakt zu einem potentiellen Arbeitgeber zu knüpfen und die erzielten Ergebnisse mit dem Industriepartner im Rahmen einer Abschlussveranstaltung zu diskutieren.
Zusätzliche Informationen
Die Lehrveranstaltung findet unter Beteiligungen von Prof. Dr.-Ing. J. Metternich, Prof. Dr.-Ing. M. Weigold und Prof. Dr. K. Kersting (FB Informatik) statt.
Online-Angebote
moodle
Theorie: Anwendungsorientierte Grundlagen des Machine Learning und verknüpfter Bereiche der Statistik (deskriptiv, explorativ, induktiv), Advanced Analytics, Data Mining, Data Science und Big Data; Grundlagen von Machine Learning Verfahren, Funktionsweisen und Algorithmen; Entwicklungsprozesse; Grundlegende Data Science Prinzipien und Techniken: Erörterung von betriebswirtschaftlichen Szenarien; Sammlung, Sichtung und Qualitätsbewertung von Daten; Datenvorbereitung, Feature Engineering; Anwendung von Verfahren und Entwicklungsumgebungen anhand Beispiele in Matlab und Python; Aufzeigen und Bewerten von Lösungsmöglichkeiten; Modellauswahl, Optimierung, Performanzbewertung; wesentliche Ideen zur Modellintegration in Entscheidungsprozesse, Handlungsempfehlungen, System of Systems; Beispiele aus der aktuellen Forschung, bspw. Predictive Maintenance in der Luftfahrt und in der Produktion;
Praktische Gruppenarbeit: Anwendung von Grundzügen einer Softwareentwicklungsmethodik (bspw. Scrum); Umsetzung der Theoriekenntnisse in einer kooperativen Entwicklungsaufgabe; praxisnahe Lösungsentwicklung einer Herausforderung der Industrie durch Programmierung und Datenauswertung (Implementierung); Dokumentation und Präsentation der Ergebnisse;
[b]Lernergebnisse[/b]
Nachdem Studierende die Lerneinheit erfolgreich abgeschlossen haben, sollten sie in der Lage sein:
[list=1]
[*]Grundlegende Entwicklungen und Einsatzmöglichkeiten künstlicher Intelligenz (Machine Learning) auf ingenieurstechnische Anwendungen (bspw. Maschinenbau) zu beurteilen
[*]Wesentliche Konzepte und (mathematische) Methoden im Machine Learning zu differenzieren und zu erklären
[*]Ausgewählte Algorithmen und Modelle (z. B. aus dem Bereich Diagnose/Prognose) hinsichtlich Ihrer Performanz, Robustheit und Qualität ingenieurswissenschaftlich zu evaluieren
[*]Erlernte Fertigkeiten in den Bereichen Datenakquisition und -verarbeitung, datenbasierte Modellbildung (Diagnosen und Prognosen) sowie Präskription anzuwenden
[*]Einfache und mittlere Analyseaufgaben mithilfe von Prozessmodellen (CRISP/OSA-CBM) selbstständig zu strukturieren, anhand von Daten umzusetzen und wirtschaftlich abzuschätzen
[/list]
Literatur
Vorlesungsmatetrialien werden semesterbegleitend auf Moodle zur Verfügung gestellt.
[list]
[*]Hastie, T.; Tibshirani, R.; Friedman, J.: The Elements of Statistical learning. Springer
[*]Ertel, W.: Grundkurs künstliche Intelligenz. Springer
[*]Mitchell T.: Machine Learning. McGraw Hill
[*]Bishop, C.M.: Recognition and Machine Learning. Springer
[*]Witten, I.: Data Mining, Elsevier
[/list]
Voraussetzungen
Programmierkenntnisse in Matlab / Python
Erwartete Teilnehmerzahl
ca. 150
Weitere Informationen
[b]Prüfungsform[/b]
Sonderform: 50 % Klausur (60 min) und 50 % praktische Gruppenarbeit (semesterbegleitend) einer kooperativen Entwicklungsaufgabe (Data Quest) inkl. Implementierung, Dokumentation und Präsentation (Extratermin)
Offizielle Kursbeschreibung
Die Forschung zu Künstlicher Intelligenz (KI) erfährt durch den gesellschaftlichen und wirtschaftlichen Stellenwert zurzeit einen erheblichen Antrieb. Vor allem der Fachbereich Informatik an der TU Darmstadt nimmt dabei national wie international eine der führenden Positionen ein: Algorithmen zur automatischen Bildanalyse für komplexe Verkehrssituationen, intelligente Such- und Rettungsroboter, Entwicklung von Lernverfahren zur Steuerung von Robotern und Maschinen für Echtzeitinteraktionen und Entwicklung von maschinellen Lernmethoden für den Einsatz in der Landwirtschaft zur Frage der Welternährung stellen nur einige herausragende Beispiele dar. Die Forschung in diesen Themen wird ergänzt durch ein grundlagenorientiertes Lehrangebot. Es fehlt jedoch ein anwendungsorientiertes Lehrangebot für Ingenieure. Aufgrund der immensen Interdisziplinarität dieses Schwerpunktthemas und Digitalisierungsstrategien wie Industrie 4.0 und Industrial Internet of Things (IIoT) in der Ingenieurwissenschaft sollten sich auch unsere angehenden Ingenieure von morgen diesem Thema unbedingt widmen.
Das Ziel der Veranstaltung ist die interaktive Vermittlung der Grundlagen im Machine Learning und die Erlangung praktischer Fertigkeiten im Maschinellen Lernen und in den damit verknüpften Bereichen Advanced Analytics, Data Science und Software Development an Studierende. Neben der Vermittlung der Theorie mit Übungen und Demonstrationen wird ein sogenannter Hackathon als Gruppenarbeit ein Teil an der Gesamtprüfung darstellen. Es handelt sich dabei um die Herausforderung, eine kooperative Software-Entwicklung mit Anwendung des Scrum-Vorgehensmodells zu bewerkstelligen, bei der Studierenden eine von einem Industriepartner gestellte Programmierungs- und Datenauswerteaufgabe gestellt bekommen. Das ermöglicht Studierenden, die Grundzüge der Softwareentwicklung mit praxisnahen Herausforderungen kreativ angehen und lösen zu können, Kontakt zu einem potentiellen Arbeitgeber zu knüpfen und die erzielten Ergebnisse mit dem Industriepartner im Rahmen einer Abschlussveranstaltung zu diskutieren.
Zusätzliche Informationen
Die Lehrveranstaltung findet unter Beteiligungen von Prof. Dr.-Ing. J. Metternich, Prof. Dr.-Ing. M. Weigold und Prof. Dr. K. Kersting (FB Informatik) statt.
Online-Angebote
moodle
- Lehrende: Uwe Klingauf
Semester: WiSe 2022/23