Machine Learning und Deep Learning in der Automatisierungstechnik

Aktuelle Information: Die Veranstaltung findet im SoSe 2020 rein digital statt. Alle weiteren Informationen finden Sie im zugehörigen Moodle-Kurs.

Vorlesung V2
Termin: Do, 17:10 – 18:50
Ort: S306/052
Sprache: Deutsch
Dozent: Dr.-Ing. Michael Vogt
ECTS: 3CP
Prüfung
Ansprechpartner: Dr.-Ing. Michael Vogt
Prüfungsform: Klausur, 90 min. (optional mündlich)
Erlaubte Hilfsmittel: Keine
Weitere Informationen: siehe TuCan

Inhalt

  • Konzepte des Machine Learning
  • Lineare Verfahren
  • Support Vector Machines
  • Bäume und Ensembles
  • Training und Bewertung
  • Unüberwachtes Lernen
  • Neuronale Netze und Deep Learning
  • Faltende Neuronale Netze (CNNs)
  • CNN-Anwendungen
  • Rekurrente Neuronale Netze (RNNs)

Lernziele

Studierende erhalten einen breiten und praxisnahen Überblick über das Gebiet des maschinellen Lernens. Es werden zunächst die wichtigsten Algorithmen-Klassen des überwachten und unüberwachten Lernens besprochen. Danach befasst sich die Veranstaltung mit tiefen neuronalen Netzen, die viele aktuelle Anwendungen der Bild- und Signalverarbeitung ermöglichen. Die grundlegenden Eigenschaften aller Algorithmen werden erarbeitet und anhand von Programmbeispielen demonstriert. Studierende sind danach in der Lage, die Verfahren zu beurteilen und auf praktische Aufgabenstellungen anzuwenden.

Unterlagen und allgemeine Literaturhinweise

  • T. Hastie et al.: The Elements of Statistical Learning. 2. Aufl., Springer, 2008
  • I. Goodfellow et al.: Deep Learning. MIT Press, 2016
  • A. Géron: Hands-On Machine Learning with Scikit-Learn, Keras and TensorFlow. 2. Aufl., O’Reilly, 2019