Veranstaltungsarten (SWS)
Vorlesung: 1 │ Übung: 0 │ Praktikum: 0 │ Seminar: 3
Prüfungsnummer:
Prüfungskennung:
Lehrform:
Sprache: Englisch
Turnus: SS
ECTS: 6
Prüfungsleistung Klausur (90 min.)
zugeordnete Studiengänge
zugeordnete Personen
zugeordnete Module
Informationen
Beschreibung:

Die Studierenden werden mit den nachfolgenden Zusammenhängen vertraut gemacht (auch wenn sie in nachfolgenden unterschiedlichen Einzelveranstaltungen wiederholt und vertieft werden):

 

Grundlegende Einordnung Künstliche Intelligenz – Maschinelles Lernen – Lernen – Intelligenz

Einteilung der Methoden und Zusammenhänge

Nutzung am Beispiel FD/FDI

Mathematische Strukturen und Modelle

Probleme der Anpassung durch zu wenige/zu viele Details

Relation, Attribute, Trees, Tabellen

Nicht/lineare Beschreibung durch Gleichungen: Regression

Nutzung von Kernels

Instanzenbasierte Abbildung

Multivariable Statistik: Kernels, Dichte, Distanzen

Datentransformation: u.a. Warping

Adaption von Abbildung: überwachtes und nicht überwachtes Lernen

Lossfunktionen, Overfitting, Underfitting, Crossvalidation, Bootstrapping

Ergebnisvergleich: ROC, PR, ACC, DR, RC, …

Methoden: SVM, RF, DT, NN, k-means

Entscheidungsfusion

Lernziele:

Die Studierenden erlernen im Kontext ingenieurwissenschaftlicher Nutzung die grundlegenden Begriffe (ML, AI, Lernen) und zu nutzen. Methodenunabhängig lernen die Studierenden die Grundidee der Modellierung datenbasierter Ansätze durch geeignete mathematische und algorithmische Strukturen kennen. Sie erkennen, dass die Adaption von Strukturen und Gleichungen an Daten die Abbildung von inhärenten Zusammenhängen erlaubt und lernen die Möglichkeiten kennen sich grundsätzlich beliebige eigene Modellstrukturen zu generieren und diese anzupassen. Die hierzu notwendigen Grundkonzepte werden vermittelt. Konkrete und übliche Methoden werden weitergehend erkannt und die Nutzung wird gelernt. Neben den grundsätzlichen theoretischen Zusammenhängen lernen die Studieren mittels der Nutzung von einschlägigen Programmsystemen (hier: Matlab/Simulink) die schnelle Nutzung von Tools für unterschiedliche Anwendung kennen. Die Studierenden sind im Anschluss an diesen Kurs in der Lage eigenständig Aufgabenstellungen mit Hilfe üblicher Programmsysteme (hier: Matlab/Simulink) selbstständig umzusetzen und zu erweitern.

Literatur:

Witten, I. H.;  Eibe, F.; Hall, M.A.: Data mining - practical machine learning tools and  techniques. 3 rd ed., Elsevier 2011

Hastie, T.; Tibshirani, R.; Friedman, J.: Data Mining, Inference, and Prediction - The Elements of Statistical Learning, Second Edition, Springer, 2009

James, G.; Witten, D.; Hastie, J.; Tibshirani, R.: An Introduction to Statistical Learning with Applications in R, Springer, 2013

Chao, W.L.: Machine Learning Tutorial, DISP Lab, Graduate Institute of Communication Engineering, National Taiwan University, Taiwan, 2011

Carrazza, S.: Lectures on Machine Learning, European Organization for Nuclear Research (CERN), TAE2018, 2018

Mohri, M.: Introduction to Machine Learning, Lecture material, Courant Institute, New York State University and Google Research, 2011.

Zisserman, A.: Machine Learning. Lecture material, Oxford University, UK,2015.

Vorleistung:
Infolink:
Bemerkung:
Description:

Students will become familiar with the following contexts (even if they are repeated and deepened in subsequent different individual courses):

Basics: Artificial Intelligence - Machine Learning - Learning – Intelligence Classification of methods and contexts Motivation: Application for FD/FDI tasks Mathematical structures and models Problems of adaptation by too few/too many details Relation, attributes, trees, tables Non/linear description by equations: Regression Use of kernels Instance-based mapping Multivariable statistics: kernels, density, distances Data transformation: e.g. warping Adaptation of mapping: supervised and unsupervised learning Loss functions, overfitting, underfitting, crossvalidation, bootstrapping Comparison of results: ROC, PR, ACC, DR, RC, ... Methods: SVM, RF, DT, NN, k-means Decision fusion

Learning Targets:

In the context of engineering use, students learn the basic concepts (ML, AI, learning) and how to use them. Independently of methods, students learn the basic ideas of modeling data-based approaches using appropriate mathematical and algorithmic structures. They recognize that the adaptation of structures and equations using data allows the mapping of inherent relationships and learn about the possibilities to basically generate their own model structures and to adapt them. The basic concepts necessary for this are taught. Concrete and common methods are further recognized and the use is learned. In addition to the basic theoretical contexts, the students learn how to quickly use tools for different applications by using relevant program systems (here: Matlab/Simulink). After this course, the students are able to independently implement and extend tasks using common program systems (here: Matlab/Simulink).

Literature:

Witten, I. H.;  Eibe, F.; Hall, M.A.: Data mining - practical machine learning tools and  techniques. 3 rd ed., Elsevier 2011

Hastie, T.; Tibshirani, R.; Friedman, J.: Data Mining, Inference, and Prediction - The Elements of Statistical Learning, Second Edition, Springer, 2009

James, G.; Witten, D.; Hastie, J.; Tibshirani, R.: An Introduction to Statistical Learning with Applications in R, Springer, 2013

Chao, W.L.: Machine Learning Tutorial, DISP Lab, Graduate Institute of Communication Engineering, National Taiwan University, Taiwan, 2011

Carrazza, S.: Lectures on Machine Learning, European Organization for Nuclear Research (CERN), TAE2018, 2018

Mohri, M.: Introduction to Machine Learning, Lecture material, Courant Institute, New York State University and Google Research, 2011.

Zisserman, A.: Machine Learning. Lecture material, Oxford University, UK,2015.

Pre-Qualifications:
Info Link:
Notice: