Angewandtes Maschinelles Lernen im IngenieurwesenModulbeschreibung #51049 / Version 3
- 6 LP
- Schriftliche Prüfung
- Benotet
- Sommersemester
- Englisch
Diese Modulbeschreibung gilt nicht im aktuellen Semester (WiSe 2026/27).
Zur aktuellen Version (v5)
| Modul / Version | #51049 / #3 |
|---|---|
| Gültigkeit | WiSe 2024/25 – WiSe 2024/25 |
| Verfügbare Sprache(n) | Englisch |
| Leistungspunkte | 6 |
| Modulverantwortliche*r | Stender, Merten |
| Benotung | Benotet |
| Prüfungsform | Schriftliche Prüfung |
| Lehrsprache(n) | Englisch |
Zugehörigkeit
| Fakultät | Fakultät V |
|---|---|
| Institut | Institut für Maschinenkonstruktion und Systemtechnik (IMS) |
| Fachgebiet | 35352200 FG Cyber-Physical-Systems in Mechanical Engineering |
Kontakt
| Sekretariat | H 77 |
|---|---|
| Ansprechpartner*in | Stender, Merten |
| E-Mail-Adresse | merten.stender@tu-berlin.de |
| Webseite | https://www.tu.berlin/cpsme |
Lernergebnisse
Alle Ingenieurdisziplinen brauchen heute Maschinelles Lernen für die Überwachung von Systemen und die Analyse bei Fehlfunktionen, für datenbasierte Entscheidungsunterstützung sowie für das Heben neuer Potentiale im Umfeld großer Datenmengen. Dieses Modul vermittelt die Grundlagen des Maschinellen Lernens sowie die programmtechnische Umsetzung mit Standard-Bibliotheken in der Programmiersprache Python anhand von realen Praxisbeispielen aus dem Ingenieurwesen. Der Fokus liegt dabei auf dem kompletten Data Science Prozess von der Datenexploration über die Modellierung bis hin zur Inferenz und Produktion.
Die Studierende verfügen nach erfolgreichem Bestehen des Moduls über folgende
Kenntnisse:
- Verständnis grundlegender Verfahren des (un-) überwachten maschinellen Lernens und deren Aufbau sowie Funktionsweise
- Kenntnis des Aufbaus und der Konzeption von künstlichen neuronalen Netzwerken
- Einblick in die grundlegende Funktionsweise der Fehlerrückführung und Optimierung
Fertigkeiten:
- Statistische Charakterisierung und Bewertung von großen und hochdimensionalen tabellarischen Datensätzen
- Erkennung von Ausreißern und Anomalien
- Geeignete visuelle Darstellung von großen und hochdimensionalen Datensätzen
- Programmiertechnische Umsetzung grundlegender Operationen und Implementierung von Regressions- und Clustering-Modellen
- Bedienung bekannter Programmbibliotheken per Programmiersprache Python
Kompetenzen:
- Explorative Untersuchung von (großen) multivariaten tabellarischen Datensätzen
- Auswahl von maschinellen Lernverfahren, die dem Vorhersagezweck und der Komplexität der Vorhersageaufgabe entsprechen
- Bewertung von maschinellen Lernverfahren hinsichtlich Güte, Anpassung und Generalisierbarkeit
- Diskussion von Risiken und Technikfolgenabschätzung
Die Veranstaltung vermittelt: 60% Wissen & Verstehen, 20% Analyse & Methodik, 20% Programmierung
Die Studierende verfügen nach erfolgreichem Bestehen des Moduls über folgende
Kenntnisse:
- Verständnis grundlegender Verfahren des (un-) überwachten maschinellen Lernens und deren Aufbau sowie Funktionsweise
- Kenntnis des Aufbaus und der Konzeption von künstlichen neuronalen Netzwerken
- Einblick in die grundlegende Funktionsweise der Fehlerrückführung und Optimierung
Fertigkeiten:
- Statistische Charakterisierung und Bewertung von großen und hochdimensionalen tabellarischen Datensätzen
- Erkennung von Ausreißern und Anomalien
- Geeignete visuelle Darstellung von großen und hochdimensionalen Datensätzen
- Programmiertechnische Umsetzung grundlegender Operationen und Implementierung von Regressions- und Clustering-Modellen
- Bedienung bekannter Programmbibliotheken per Programmiersprache Python
Kompetenzen:
- Explorative Untersuchung von (großen) multivariaten tabellarischen Datensätzen
- Auswahl von maschinellen Lernverfahren, die dem Vorhersagezweck und der Komplexität der Vorhersageaufgabe entsprechen
- Bewertung von maschinellen Lernverfahren hinsichtlich Güte, Anpassung und Generalisierbarkeit
- Diskussion von Risiken und Technikfolgenabschätzung
Die Veranstaltung vermittelt: 60% Wissen & Verstehen, 20% Analyse & Methodik, 20% Programmierung
Lehrinhalte
- Einführung in datenbasierte Verfahren und deren Anwendungen im Ingenieurswesen
- Explorative Datenanalyse
- Überwachte Regressionsmodelle
- Unüberwachte Clustering-Methoden
- Entscheidungsbäume
- Mehrlagige Perzeptren und künstliche neuronale Netzwerke
- Gradientenverfahren, Fehlerrückführung und Trainingsprozesse
- Auswertung und Bewertung von maschinellen Lernverfahren
- Praxisbeispiele aus Ingenieursdisziplinen
- Programmier-Aufgaben und Implementierung in der Programmiersprache Python
- Risiko- und Technikfolgenabschätzung
- Explorative Datenanalyse
- Überwachte Regressionsmodelle
- Unüberwachte Clustering-Methoden
- Entscheidungsbäume
- Mehrlagige Perzeptren und künstliche neuronale Netzwerke
- Gradientenverfahren, Fehlerrückführung und Trainingsprozesse
- Auswertung und Bewertung von maschinellen Lernverfahren
- Praxisbeispiele aus Ingenieursdisziplinen
- Programmier-Aufgaben und Implementierung in der Programmiersprache Python
- Risiko- und Technikfolgenabschätzung
Modulbestandteile
Pflichtbereich
Die folgenden Veranstaltungen sind für das Modul obligatorisch:
Arbeitsaufwand und Leistungspunkte
Applied Machine Learning in Engineering (Vorlesung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Applied Machine Learning in Engineering (Übung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Der Aufwand des Moduls summiert sich zu 180 Stunden. Damit umfasst das Modul 6 Leistungspunkte.
Beschreibung der Lehr- und Lernformen
- Vorlesung: Veranstaltung in einer Großgruppe zur Vermittlung der Lehrinhalte und Zusammenhänge mit vielen Beispielen aus der Praxis und interaktiven Fragen
- Übung: praktische und angeleitete Umsetzung von Programmieraufgaben in der Programmiersprache Python sowie Übungen in Kleingruppen zur Vertiefung und Anwendung des Vorlesungsstoffes
- Übung: praktische und angeleitete Umsetzung von Programmieraufgaben in der Programmiersprache Python sowie Übungen in Kleingruppen zur Vertiefung und Anwendung des Vorlesungsstoffes
Voraussetzungen für die Teilnahme / Prüfung
Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:
- Grundlegende Statistik
- Fortgeschrittene Analysis (partielle Differenziation, Gradientenberechnung) und lineare Algebra (Matrix- und Tensor-Multiplikation, Projektionsverfahren, Matrix-Zerlegung)
- Grundlegende Konzepte und Methoden der sequentiellen/objektorientierten Programmierung, optimalerweise in Python oder Matlab
- Fortgeschrittene Analysis (partielle Differenziation, Gradientenberechnung) und lineare Algebra (Matrix- und Tensor-Multiplikation, Projektionsverfahren, Matrix-Zerlegung)
- Grundlegende Konzepte und Methoden der sequentiellen/objektorientierten Programmierung, optimalerweise in Python oder Matlab
Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:
Dieses Modul hat keine Prüfungsvoraussetzungen.
Abschluss des Moduls
| Benotung | Benotet |
|---|---|
| Prüfungsform | Schriftliche Prüfung |
| Sprache | Englisch |
| Dauer/Umfang | (Digitale) schriftliche Prüfung mit verschiedenen Fragetypen und kleinen Python-Programmieraufgaben |
Prüfungsbeschreibung (Abschluss des Moduls)
Die Portfolio-Prüfung besteht aus einer mündlichen Prüfung (am Ende des Semesters) und zwei Hausaufgaben (die während des Semesters abzugeben sind).
Hausaufgabe 1: Explorative Datenanalyse eines den Studierenden zur Verfügung gestellten Datensatzes. Ein schriftlicher Bericht von 3 Seiten (Satzvorlage wird zur Verfügung gestellt) mit einer kurzen textlichen Diskussion und grafischen Visualisierungen ist innerhalb von 3 Wochen nach Bekanntgabe abzugeben.
Hausaufgabe 2: Implementierung einer grundlegenden Modellierungstechnik in der Programmiersprache Python und Auswertung auf einem vorgegebenen Datensatz. Ein schriftlicher Bericht von 3 Seiten (Satzvorlage wird zur Verfügung gestellt) mit einer kurzen textlichen Erörterung, Codezeilen, und einer grafischen Visualisierung des Ergebnisses ist innerhalb von 3 Wochen nach der Ankündigung einzureichen.
Mündliche Prüfung: Prüfung der Vorlesungsinhalte, allgemeine Konzepte, Kategorisierung von Machine-Learning-Konzepten, Diskussion von Elementen des Machine-Learning-Lebenszyklusprozesses.
Hausaufgabe 1: Explorative Datenanalyse eines den Studierenden zur Verfügung gestellten Datensatzes. Ein schriftlicher Bericht von 3 Seiten (Satzvorlage wird zur Verfügung gestellt) mit einer kurzen textlichen Diskussion und grafischen Visualisierungen ist innerhalb von 3 Wochen nach Bekanntgabe abzugeben.
Hausaufgabe 2: Implementierung einer grundlegenden Modellierungstechnik in der Programmiersprache Python und Auswertung auf einem vorgegebenen Datensatz. Ein schriftlicher Bericht von 3 Seiten (Satzvorlage wird zur Verfügung gestellt) mit einer kurzen textlichen Erörterung, Codezeilen, und einer grafischen Visualisierung des Ergebnisses ist innerhalb von 3 Wochen nach der Ankündigung einzureichen.
Mündliche Prüfung: Prüfung der Vorlesungsinhalte, allgemeine Konzepte, Kategorisierung von Machine-Learning-Konzepten, Diskussion von Elementen des Machine-Learning-Lebenszyklusprozesses.
Dauer des Moduls
Für Belegung und Abschluss des Moduls ist folgende Semesteranzahl veranschlagt: 1 Semester.
Dieses Modul kann in folgenden Semestern begonnen werden: Sommersemester.
Maximale teilnehmende Personen
Dieses Modul ist nicht auf eine Anzahl Studierender begrenzt.
Anmeldeformalitäten
Anmeldung zur Prüfung gemäß AllgStuPO in QISPOS. Zugang zu Lehrmaterial und Anmeldung zur Lehrveranstaltung erfolgt über die E-Learning Plattform ISIS.
Literaturhinweise, Skripte
Skript in Papierform
nicht verfügbar
Skript in elektronischer Form
verfügbar
Empfohlene Literatur
Keine empfohlene Literatur angegeben
Zugeordnete Studiengänge
Dieses Modul findet in keinem Studiengang Verwendung.
Sonstiges
Die Studierenden werden gebeten, ihre eigenen Computer für die Programmieraufgaben zu verwenden.