Einführung in die datengetriebene Modellierung

Grundprinzipien der datenbasierten Modellbildung / des maschinellen Lernens: die Rolle von Modellen, verschiedene Metriken und Bewertungsmethoden Grundlegende Aufgabenstellungen und Methoden (deterministische und probabilistische Ansätze): Regression (k-NN, lineare Regression / LASSO, tiefe neuronale Netze) Klassifikation (Trees & Forests, logistische Regression, tiefe neuronale Netze) Unsupervised learning (k-means, PCA, mixture models, Autoencoder) Vertiefende Themen: Experimentaldesign & dynamische Modelle Anwendungsbeispiele aus der Elektrotechnik und Informationstechnik (Energiesysteme, Kommunikationssysteme, Automatisierungstechnik) Ausblick auf probabilistische graphische Modelle als vereinheitlichendes Framework Alle methodischen Schritte werden in Übungen auf Basis von Python vertieft.