The language was changed to English.

Course Type (SWS)
Lecture: 2 │ Exercise: 2 │ Lab: 0 │ Seminar: 0
Exam Number:
Exam Code:
Type of Lecture:

Presentation / Tutorials / E-Learning / Webinar / Projects

Language: English
Cycle: WS
ECTS: 6
Exam Type Oral Exam
Projektarbeit
Written Exam (120 min.)
assigned Study Courses
assigned People
assigned Modules
Information
Beschreibung:

Überblick über Techniken und Anwendungen der Datenwissenschaft und des maschinellen Lernens in den Ingenieurwissenschaften

  - Einführung in Programmiersprachen (Python, Matlab) als Voraussetzung für maschinelles Lernen

 - Neural Network: Konzept, Feed-Forward NN, Aktivierungsfunktionen, Training

 - Anwendung von neuronalen Netzen zur Erkennung handgeschriebener Zahlen und zur Bildklassifikation

 - Neural Network in der Computational Mechanics (numerische Methoden) mit Anwendungsbeispiel

  - Tiefgehende Lernbibliotheken in Python / Matlab (z.B. Keras)

  - Erweiterungen: Convolutional NN, Recurrent NN, Deep Learning, Data Mining, Bayes- und regressionsbasierte Algorithmen, etc.

Lernziele:

Die Studierenden haben ein allgemeines Verständnis für maschinelle Lernverfahren und deren Anwendung auf typische technische Probleme. Sie können das Konzept Neural Network erklären und sind in der Lage, ein eigenes Feed-Forward-Neural net für eine einfache Anwendung aus der Computational Mechanics oder dem Bauingenieurwesen zu programmieren.

Literatur:
  1. Tariq Rashid, Make your own neural network, CreateSpace Independent Publishing Platform, 2016. ISBN 978-1-53082660-5.
  2. Francois Chollet, Deep learning with Python, Shelter Island: Manning, 2018. ISBN: 9781617294433. 384 pages
  3. Andrew Trask, Grokking Deep Learning, Manning Publications Co. 2019. ISBN: 978-1-61729-370-2. 336 pages
Vorleistung:
Infolink:
Bemerkung:
Description:

Overview of data science and machine learning techniques and applications in engineering

  -  Introduction to programming languages (Python, Matlab)  as a prerequisite to machine learning

 -  Neural networks: concept, feed-forward NN, activation functions, training

 -  Application of neural networks to handwritten number recognition and image classification

 -  Neural networks in computational mechanics (numerical methods) with application example

  -  Deep learning libraries in Python / Matlab (e.g.  Keras)

  -  Extensions: convolutional NN, recurrent NN, deep learning, data mining, Bayes and regression based algorithms, etc.

Learning Targets:

Students have a general understanding of machine learning techniques and their applications to typical engineering problems. They can explain the concept of neural networks and are able to program their own feed forward neural network for a simple application originating from computational mechanics or civil engineering.

Literature:
  1. Tariq Rashid, Make your own neural network, CreateSpace Independent Publishing Platform, 2016. ISBN 978-1-53082660-5.
  2. Francois Chollet, Deep learning with Python, Shelter Island: Manning, 2018. ISBN: 9781617294433. 384 pages
  3. Andrew Trask, Grokking Deep Learning, Manning Publications Co. 2019. ISBN: 978-1-61729-370-2. 336 pages
Pre-Qualifications:
Info Link:
Notice: