Kursinformation

Voraussetzungen
Programmierkenntnisse in Matlab / Python

Erwartete Teilnehmerzahl
ca. 150

Weitere Informationen
Prüfungsform: 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 und Prof. Dr.-Ing. M. Weigold statt.

Online-Angebote
moodle

• Assess and evaluate basic developments and possible uses of artificial intelligence (machine learning) in engineering applications (e. g. mechanical engineering)
• Differentiate and explain key concepts and (mathematical) methods of machine learning
• Evaluate selected algorithms and models (e.g. from the diagnostic/prognostic domain) with regard to their performance, robustness and quality from an engineering point of view
• Apply learned competencies in the areas of data acquisition and processing, data-based modelling (diagnosis and prognosis) and prescription
• Structure simple and medium analytical tasks independently by means of standardized processes (CRISP/OSA-CBM), realize them with given data and estimate their economic impact   (business value)

Literature
Lecture materials are made available throughout the semester on Moodle.

• Hastie, T.; Tibshirani, R.; Friedman, J.: The Elements of Statistical learning. Springer
• James, G.; Witten, D.; Hastie, T.;Tibshirani, R.: An Introduction To 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

Preconditions
Programming knowledge in Matlab and/or Python

Expected Number of Participants
approx. 150

Further Grading Information
Assessment methods: 50 % written exam (60 min) and 50 % documentation, program code and oral exam (presentation of results) of a cooperative development task (" Data Quest")

Official Course Description
Research on artificial intelligence (AI) is currently experiencing a considerable drive due to its social and economic significance. The Department of Computer Science at TU Darmstadt in particular occupies one of the leading positions in this field, both nationally and internationally: Algorithms for automatic image analysis for complex traffic situations, intelligent search and rescue robots, development of learning methods for controlling robots and machines for real-time interactions, and development of machine learning methods for use in agriculture to address the issue of world nutrition represent just a few outstanding examples. Research in these topics is complemented by a basic research-oriented teaching program. However, there is a lack of application-oriented teaching for engineers. Due to the immense interdisciplinarity of this key topic and digitization strategies such as Industry 4.0 and Industrial Internet of Things (IIoT) in engineering, our budding engineers of tomorrow should also definitely dedicate themselves to this topic.

The goal of the course is to interactively teach students the theoretical basics and practical skills in Machine Learning and related areas of Advanced Analytics, Data Science and Software Development. In addition to the teaching of theory with exercises and demonstrations, a so-called hackathon as group work will be a part of the overall examination. This is a challenge to accomplish a cooperative software development using the Scrum approach model, where students are given a programming and data analysis task provided by an industry partner. This enables students to creatively approach and solve the basic principles of software development with practical challenges, to establish contact with a potential employer and to discuss the results achieved with the industry partner at a final event.

Additional Information
The lecture is held under participation of Prof. Dr.-Ing. J. Metternich and Prof. Dr.-Ing. M. Weigold.

Online Offerings
moodle