Maschinelles Lernen für Mechatronische und Dynamische Systeme

Vorlesung: Die Vorlesung führt in die Grundlagen des Maschinellen Lernens, mit einem Schwerpunkt auf Anwendungen im Bereich mechatronischer und dynamischer Systeme. Sie betrachtet Fragen des Maschinellen Lernens für die datengetriebene und hybride Modellierung, Simulation, der Überwachung, der Planung, der Entscheidungsfindung, der Optimierung und Regelung. Content: Maschinelles Lernen im Bereich mechatronischer und dynamischer Systeme?; Grundlagen des Maschinellen Lernens; Zusammenfassung dynamische Systeme mit einer Maschinellen Lernen Perspektive; Maschinelles Lernen – eine Optimierungsperspektive; Regression; “Features”; Clustering (regressionsbasiert und nicht regressionsbasiert); Support Vektor Maschinen; Gaußsche Prozesse; Interferenz; Neuronale Netzwerke (Feed-forward Netzwerke; Rekurrente Netzwerke; Training neuronaler Netzwerke, Deep Learning); Re-Enforcement Learning; Optimale Regelung und Re-Enforcement Learning; Maschinelles Lernen für eingebettete Systeme; Sicherheit und Zuverlässigkeit des Maschinellen Lernens für dynamische Systeme; Anwendungsbeispiele für die Modellierung, Überwachung; Fehlererkennung; Simulation, Optimierung komplexer mechatronischer und dynamischer Systeme, Robotik, Planung, autonomen Fahren. Gruppenübung/Gruppenarbeit: In eine Gruppenarbeit wenden die Studierenden die erlernten Konzepte und Methoden auf mechatronische und dynamische Systeme an. Die Gruppenarbeit umfasst eine Übersicht über State-of-the-Art Ansätze für die ausgewählte Aufgabe, die Auswahl geeigneter Methoden für die betrachtete Fragestellung, und die Umsetzung in Python/Matlab. Sie beinhaltet einen Bericht und eine Präsentation. Das Modul wird gemeinsam durch Prof. Rolf Findeisen, Prof. Jürgen Adamy, Prof. Jan Peters angeboten.