Angewandtes Maschinelles Lernen im IngenieurwesenModulbeschreibung #51049 / Version 4
- 6 LP
- Schriftliche Prüfung
- Benotet
- Sommersemester
- Englisch
Diese Modulbeschreibung gilt nicht im aktuellen Semester (WiSe 2026/27).
Zur aktuellen Version (v5)
| Modul / Version | #51049 / #4 |
|---|---|
| Gültigkeit | SoSe 2025 – WiSe 2025/26 |
| Verfügbare Sprache(n) | Englisch, Deutsch |
| 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
- 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
- Fortgeschrittene Analysis (partielle Differenziation, Gradientenberechnung) und lineare Algebra (Matrix- und Tensor-Multiplikation, Projektionsverfahren, Matrix-Zerlegung)
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 |
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 MOSES. 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
- Introduction to Data Mining (Tan, Steinbach)
- The 100-page MachineLearning Book (Andriy Burkov)
Zugeordnete Studiengänge
Diese Modulversion wird in folgenden Studiengängen verwendet:
| Studiengang / StuPO | Semester | Studiengangsbereich |
|---|---|---|
| Automotive Systems StuPO 2017 | SoSe 2026 | Wahlpflichtbereich |
| Biomedizinische Technik StuPO 2018 | SoSe 2025 | 2. Wahlpflichtmodule › 2.2 Ingenieurwissenschaftliche Vertiefungen |
| WiSe 2025/26 | 2. Wahlpflichtmodule › 2.2 Ingenieurwissenschaftliche Vertiefungen | |
| SoSe 2026 | 2. Wahlpflichtmodule › 2.2 Ingenieurwissenschaftliche Vertiefungen | |
| Computational Engineering Science (Informationstechnik im Maschinenwesen) StuPO 2018 | SoSe 2025 | 5. Ingenieurwissenschaftliche Wahlpflichtmodule › 5.5 Informationstechnik |
| WiSe 2025/26 | 5. Ingenieurwissenschaftliche Wahlpflichtmodule › 5.5 Informationstechnik | |
| SoSe 2026 | 5. Ingenieurwissenschaftliche Wahlpflichtmodule › 5.5 Informationstechnik | |
| Computational Engineering Science (Informationstechnik im Maschinenwesen) StuPO 2018 (17.01.2018) | SoSe 2025 | 1. Kernbereich 1: Informatik und Mathematik |
| WiSe 2025/26 | 1. Kernbereich 1: Informatik und Mathematik | |
| SoSe 2026 | 1. Kernbereich 1: Informatik und Mathematik | |
| Fahrzeugtechnik StuPO 2017 | SoSe 2025 | 2. Profilmodule › 2.3 Ingenieurtechnische Grundlagen und Methoden |
| WiSe 2025/26 | 2. Profilmodule › 2.3 Ingenieurtechnische Grundlagen und Methoden | |
| SoSe 2026 | 2. Profilmodule › 2.3 Ingenieurtechnische Grundlagen und Methoden | |
| Luft- und Raumfahrttechnik StuPO 2018 | SoSe 2025 | 1. Ingenieurwissenschaftliche Methoden › 1.4 Regelungstechnik, Elektronik und Software-Engineering |
| WiSe 2025/26 | 1. Ingenieurwissenschaftliche Methoden › 1.4 Regelungstechnik, Elektronik und Software-Engineering | |
| SoSe 2026 | 1. Ingenieurwissenschaftliche Methoden › 1.4 Regelungstechnik, Elektronik und Software-Engineering | |
| Maschinenbau StuPO 2017 | SoSe 2025 | Wahlpflichtmodule › Schwerpunktmodule › Methodenorientierung › Informationstechnische und rechnerunterstützte Modellierung |
| WiSe 2025/26 | Wahlpflichtmodule › Schwerpunktmodule › Methodenorientierung › Informationstechnische und rechnerunterstützte Modellierung | |
| SoSe 2026 | Wahlpflichtmodule › Schwerpunktmodule › Methodenorientierung › Informationstechnische und rechnerunterstützte Modellierung | |
| Maschinenbau StuPO 2017 | SoSe 2025 | Wahlpflichtmodule › Profilmodule › Informationstechnische und rechnergestützte Modellierung |
| WiSe 2025/26 | Wahlpflichtmodule › Profilmodule › Informationstechnische und rechnergestützte Modellierung | |
| SoSe 2026 | Wahlpflichtmodule › Profilmodule › Informationstechnische und rechnergestützte Modellierung | |
| Physikalische Ingenieurwissenschaft StuPO 09.01.2012 | SoSe 2025 | 06. Schwerpunkte › 6.3 Mechatronik › Wahlpflichtmodule |
| WiSe 2025/26 | 06. Schwerpunkte › 6.3 Mechatronik › Wahlpflichtmodule | |
| SoSe 2026 | 06. Schwerpunkte › 6.3 Mechatronik › Wahlpflichtmodule | |
| Physikalische Ingenieurwissenschaft StuPO 2007 (19.12.2007) | SoSe 2025 | 2.1 Numerik und Simulation › 2.1b Ergänzungsbereich |
| WiSe 2025/26 | 2.1 Numerik und Simulation › 2.1b Ergänzungsbereich | |
| SoSe 2026 | 2.1 Numerik und Simulation › 2.1b Ergänzungsbereich | |
| Physikalische Ingenieurwissenschaft StuPO 2020 | SoSe 2025 | 2.1 Numerik und Simulation › 2.1b Ergänzungsbereich |
| WiSe 2025/26 | 2.1 Numerik und Simulation › 2.1b Ergänzungsbereich | |
| SoSe 2026 | 2.1 Numerik und Simulation › 2.1b Ergänzungsbereich | |
| Physikalische Ingenieurwissenschaft StuPO 2020 | SoSe 2025 | Wahlpflichtmodule › 6. Schwerpunkte › 6.3 Mechatronik › Wahlpflichtmodule |
| WiSe 2025/26 | Wahlpflichtmodule › 6. Schwerpunkte › 6.3 Mechatronik › Wahlpflichtmodule | |
| SoSe 2026 | Wahlpflichtmodule › 6. Schwerpunkte › 6.3 Mechatronik › Wahlpflichtmodule | |
| Regenerative Energiesysteme StuPO 2023 | SoSe 2026 | Wahlpflichtmodule › Computational Methods |
| Technomathematik StuPO 2014 | SoSe 2025 | Studienrichtungen › Maschinenbau › Maschinenbau › Profilmodule |
| WiSe 2025/26 | Studienrichtungen › Maschinenbau › Maschinenbau › Profilmodule | |
| SoSe 2026 | Studienrichtungen › Maschinenbau › Maschinenbau › Profilmodule | |
| Verkehrswesen StuPO 2018 | SoSe 2025 | A. Grundlagen › 2. Wahlpflichtbereich › 2.3.1 Informationstechnische Grundlagen |
| WiSe 2025/26 | A. Grundlagen › 2. Wahlpflichtbereich › 2.3.1 Informationstechnische Grundlagen | |
| SoSe 2026 | A. Grundlagen › 2. Wahlpflichtbereich › 2.3.1 Informationstechnische Grundlagen | |
| Wirtschaftsingenieurwesen StuPO 2015 | SoSe 2026 | Ingenieurwissenschaftliche Studienrichtungen/Engineering Majors › Maschinenbau/Mechanical Engineering (MB) › Maschinenbau/Mechanical Engineering (Wahlpflicht/Compulsory-Elective) › Automation and Industrial Information Technology |
Sonstiges
Die Studierenden werden gebeten, ihre eigenen Computer für die Programmieraufgaben zu verwenden.