Data Driven Engineering 1: Machine Learning for Dynamical Systems

V
5
Thermische Strömungsmaschinen (its)
Ates, Bauer
KIT-Fakultät für Maschinenbau
Institut für Thermische Strömungsmaschinen
WS 23/24
WS 22/23
WS 21/22
WS 20/21
VVZ Vorlesungsaufzeichnung

Schwerpunkt der Vorlesung sind die Grundlagen zu den Begriffen der Intelligenz und des maschinellen Lernens (ML) sowie deren Anwendung zur Lösung klassischer Ingenieursprobleme. Zielgruppe sind Diplom- und MasterstudentInnen sowie wissenschaftliche MitarbeiterInnen des Maschinenbaus, des Chemieingenieurswesen sowie der Umweltwissenschaften. Im Laufe des Semesters erlenen die Teilnehmer die grundsätzlichen Fähigkeiten zur Entwicklung intelligenter Lösungen zur Mustererkennung in experimentellen oder numerischen Datensätzen, zur Modellabstraktion, sowie der Optimierung und Prozessregelung. Darüber hinaus soll den Teilnehmer die Möglichkeit gegeben werden, ein solides wissenschaftliches Grundverständnis hinsichtlich des aktuellen Potentials, sowie der Herausforderungen und Möglichkeiten im ML zu entwickeln. Durch wöchentliche Software Sitzungen mit TensorFlow sammeln die Teilnehmer Praxiserfahrung, die dann in einem finalen, eigenständigen und vollständigen ML Projekt angewandt werden kann.

Inhalte:

  1. Introduction to Data Driven Engineering
  2. Basics of Learning
  3. Analysis of Static Datasets I: Classification and Regression
  4. Analysis of Static Datasets II: Clustering and Dimensionality Reduction
  5. Deep Learning for Dynamical Systems
  6. Sequence Modeling
  7. Generative Modeling
  8. Machine Learning Control
  9. Emerging Concepts and the Outlook
  10. Project Sessions

Veranstaltungsart:

Vorlesung: 45 min; Übung: 45 min

Arbeitsaufwand:

Präsenzzeit: 21 h
Selbststudium: 42 h

Lernziele:

Teilnehmer erlangen die Fähigkeiten:

  • unterschiedliche Methoden des Lernens zu unterscheiden (information, similarity, probability, error-based) und entsprechend geeignete Strategien und Algorithmen auszuwählen,
  • mit große Datensätze zu arbeiten, mit Qualitätsprobleme in Rohdaten umzugehen und die Daten für die weitere Verarbeitung vorzubereiten,
  • das Vorgehen von ML Algorithmen zu erklären,
  • unterschiedliche Methoden zur Analyse gleichbleibender Datensätze zu bewerten und anzuwenden,
  • Methoden für große dynamische Systeme mittels Deep Learning zu analysieren und auszuwerten,
  • ein ML Projekt von Anfang bis Ende zu planen und durchzuführen,
  • auf ML basierende Lösungen für vorliegende Probleme zu erstellen und anwendungsrelevante Ingenieursprobleme mit ML zu lösen.

Leistungskontrolle:

Mündliche Prüfung: 30 min

Empfehlungen:

Für die erfolgreiche Teilnahme an der Vorlesung sind Grundlagen der Höheren Mathematik und Programmierkenntnisse entsprechend eines Bachelorabschlusses im Maschinenbau vorausgesetzt. Es wird empfohlen, die Vorlesung in Kombination mit der Vorlesung „Data Driven Engineering 2: Advanced Topics“ zu wählen.

 

Kommentare

Bitte logge dich ein, um Kommentare lesen zu können.

Bewertungen

(1)

Bitte logge dich ein, um Bewertungen sehen zu können.