Machine Learning Applications

Vorlesungsinhalte: Anwendungsorientierte Grundlagen des Machine Learning und verknüpfter Bereiche der Statistik (deskriptiv, explorativ, induktiv), Advanced Analytics, Data Mining, Data Science und Big Data Grundlagen von Machine Learning Verfahren, Funktionsweisen und Algorithmen Entwicklungsprozesse Grundlegende Data Science Prinzipien und Techniken: Erörterung von betriebswirtschaftlichen Szenarien Sammlung, Sichtung und Qualitätsbewertung von Daten Datenvorbereitung, Feature Engineering Anwendung von Verfahren anhand von Beispielen in Python Aufzeigen und Bewerten von Lösungsmöglichkeiten Modellauswahl, Optimierung, Performanzbewertung Wesentliche Ideen zur Modellintegration in Entscheidungsprozesse, Handlungsempfehlungen, System of Systems Beispiele aus der aktuellen Forschung, bspw. Predictive Maintenance in der Luftfahrt und in der Produktion Lernergebnisse Nachdem Studierende die Lerneinheit erfolgreich abgeschlossen haben, sollten sie in der Lage sein: Grundlegende Entwicklungen und Einsatzmöglichkeiten künstlicher Intelligenz (Machine Learning) in ingenieurstechnischen Anwendungen (bspw. Maschinenbau) zu beurteilen Wesentliche Konzepte und (mathematische) Methoden im Machine Learning zu differenzieren und zu erklären Ausgewählte Algorithmen und Modelle (z. B. aus dem Bereich Diagnose/Prognose) hinsichtlich Ihrer Performanz, Robustheit und Qualität ingenieurswissenschaftlich zu evaluieren Erlernte Fertigkeiten in den Bereichen Datenakquisition und -verarbeitung, datenbasierte Modellbildung (Diagnosen und Prognosen) sowie Präskription anzuwenden Einfache und mittlere Analyseaufgaben mithilfe von Prozessmodellen (CRISP/OSA-CBM) selbstständig zu strukturieren, anhand von Daten umzusetzen und wirtschaftlich abzuschätzen