Lehrende:
Prof. Dr. Florian Steinke, M. Sc. Benedikt Grüger, M. Sc. Andrei Eliseev

Inhalt:

Die Analyse und Interpretation von Daten gewinnt auch in den Ingenieurwissenschaften immer mehr an Bedeutung. In vielen Anwendungen stellt die datengetriebene Modellierung (aka maschinelles Lernen) eine attraktive Alternative zu den klassischen, auf physikalischen Gesetzen basierenden Modellierungsansätzen dar.

In der Vorlesung stellen wir zunächst verschiedene Problemstellungen vor, die mit Methoden des maschinellen Lernens bearbeitet werden können, geben einen Überblick über die jüngsten Entwicklungen auf diesem Gebiet und bewerten die Auswirkungen dieser Methoden auf Ingenieuranwendungen. Wir wiederholen Grundlagen der linearen Algebra und der numerischen Optimierung, die für das maschinelle Lernen benötigt werden. Wir diskutieren wir verschiedene Problemstellungen des überwachten Lernens (Supervised Learning: Regression & Klassifikation) und stellen verschiedene Methoden zur Lösung vor (lineare Modelle, Bäume, Random Forests, Nearest Neighbour, Deep Learning). Anschließend nutzen wir eine wahrscheinlichkeitsbasierte Sichtweise um Problemstellungen des unüberwachten Lernens zu untersuchen. Schließlich geben wir eine Einführung in probabilistische grafische Modelle. Während des gesamten Semesters diskutieren wir beispielhafte Anwendungen des maschinellen Lernens in den Ingenieurwissenschaften. 

Programmierübungen mittels Python vertiefen das Verständnis des Kursmaterials und ermöglichen es den Studierenden, aktiv anwendbare Fähigkeiten zu erwerben. 

Am Ende des Kurses kennen die Studierenden wichtige Problemstellungen des maschinellen Lernens und die wichtigsten Methoden zur Lösung der jeweiligen Aufgabenklasse. Darüber hinaus werden die Studierenden in der Lage sein, die erlernten Methoden auf neue Anwendungen in den Ingenieurwissenschaften und darüber hinaus anzuwenden.  

Format: 2 SWS Vorlesung + 3 SWS Programmierübungen

Sprache: Deutsch

Daten: Di 9:50 - 11:30 (Vorlesung) und Do 8:55 - 11:30 (Übung)

Literatur: 

• K.P. Murphy: Machine Learning. A Probabilisitic Perspective
• C.M. Bishop: Pattern Recognition and Machine Learning
• J. Friedman, T. Hastie, R Tibshirani: The elements of statistical learning
• D. Koller, N. Friedmann: Probabilistic Graphical Models. Principles and Techniques

Voraussetzungen für eine erfolgreiche Teilnahme:

Gute Kenntnisse der linearen Algebra sind erforderlich. Grundkenntnisse in Statistik und Optimierung sind hilfreich. Die Verwendung von Python zur Programmierung der praktischen Beispiele sollte keine Schwierigkeiten bereiten. 

TUCAN ID: 18-st-1030