Zum Inhalt springen
Technische Universität Berlin English
Vorlesungsverzeichnis und Modultransfersystem

Angewandtes Maschinelles Lernen im IngenieurwesenModulbeschreibung #51049 / Version 5

← Zur Modulseite English version
Modul / Version#51049 / #5
GültigkeitSeit SoSe 2026
Verfügbare Sprache(n)Englisch, Deutsch
Leistungspunkte6
Modulverantwortliche*rStender, Merten
BenotungBenotet
PrüfungsformPortfolioprüfung
Lehrsprache(n)Englisch

Zugehörigkeit

FakultätFakultät V
InstitutInstitut für Maschinenkonstruktion und Systemtechnik (IMS)
Fachgebiet35352200 FG Cyber-Physical-Systems in Mechanical Engineering

Kontakt

SekretariatH 77
Ansprechpartner*inStender, Merten
E-Mail-Adressemerten.stender@tu-berlin.de
Webseitehttps://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

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

Modulbestandteile

Pflichtbereich

Die folgenden Veranstaltungen sind für das Modul obligatorisch:

LehrveranstaltungenArtNummerTurnusSpracheSWSVVZ
Applied Machine Learning in EngineeringVorlesung Sommersemester[en]2 ISIS
Applied Machine Learning in EngineeringÜbung Sommersemester[en]2 ISIS

Arbeitsaufwand und Leistungspunkte

Applied Machine Learning in Engineering (Vorlesung)

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit152 h30 h
Vor-/Nachbereitung153 h45 h
Machine Learning Projekt, Abgabe, Kommentierung115 h15 h
90 h

Applied Machine Learning in Engineering (Übung)

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit152 h30 h
Vor-/Nachbereitung154 h60 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

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)

Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:

Dieses Modul hat keine Prüfungsvoraussetzungen.

Abschluss des Moduls

BenotungBenotet
PrüfungsformPortfolioprüfung
Art der Portfolioprüfung100 Punkte insgesamt
SpracheEnglisch

Prüfungselemente

NamePunkte/GewichtKategorieDauer/Umfang
Einreichung Machine Learning Modell25praktisch10 Stunden
Evaluation und Kommentierung des Modells25flexibel4 Stunden
Schriftliche digitale Prüfung50schriftlich1 Stunde

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 / StuPOSemesterStudiengangsbereich
Automotive Systems
StuPO 2017
WiSe 2026/27Wahlpflichtbereich
Biomedizinische Technik
StuPO 2018
WiSe 2026/272. Wahlpflichtmodule › 2.2 Ingenieurwissenschaftliche Vertiefungen
Computational Engineering Science (Informationstechnik im Maschinenwesen)
StuPO 2018
WiSe 2026/275. Ingenieurwissenschaftliche Wahlpflichtmodule › 5.5 Informationstechnik
Computational Engineering Science (Informationstechnik im Maschinenwesen)
StuPO 2018 (17.01.2018)
WiSe 2026/271. Kernbereich 1: Informatik und Mathematik
Fahrzeugtechnik
StuPO 2017
WiSe 2026/272. Profilmodule › 2.3 Ingenieurtechnische Grundlagen und Methoden
Luft- und Raumfahrttechnik
StuPO 2018
WiSe 2026/271. Ingenieurwissenschaftliche Methoden › 1.4 Regelungstechnik, Elektronik und Software-Engineering
Maschinenbau
StuPO 2017
WiSe 2026/27Wahlpflichtmodule › Schwerpunktmodule › Methodenorientierung › Informationstechnische und rechnerunterstützte Modellierung
Maschinenbau
StuPO 2017
WiSe 2026/27Wahlpflichtmodule › Profilmodule › Informationstechnische und rechnergestützte Modellierung
Physikalische Ingenieurwissenschaft
StuPO 2020
WiSe 2026/272.1 Numerik und Simulation › 2.1b Ergänzungsbereich
Physikalische Ingenieurwissenschaft
StuPO 2020
WiSe 2026/27Wahlpflichtmodule › 6. Schwerpunkte › 6.3 Mechatronik › Wahlpflichtmodule
Regenerative Energiesysteme
StuPO 2023
WiSe 2026/27Wahlpflichtmodule › Computational Methods
Technomathematik
StuPO 2014
WiSe 2026/27Studienrichtungen › Maschinenbau › Maschinenbau › Profilmodule
Verkehrswesen
StuPO 2018
WiSe 2026/27A. Grundlagen › 2. Wahlpflichtbereich › 2.3.1 Informationstechnische Grundlagen
Wirtschaftsingenieurwesen
StuPO 2015
WiSe 2026/27Ingenieurwissenschaftliche Studienrichtungen/Engineering Majors › Informations- und Kommunikationssysteme/Information and Communication Systems (IKS) › Informations- und Kommunikationssysteme/Information and Communication Systems (Wahlpflicht/Compulsory-Elective) › Cognitive Systems
Wirtschaftsingenieurwesen
StuPO 2026
WiSe 2026/27Ingenieurwissenschaften / Studienrichtungen › Maschinenbau › Maschinenbau (Wahlpflicht) › Automation and Industrial Information Technology

Sonstiges

Die Studierenden werden gebeten, ihre eigenen Computer für die Programmieraufgaben zu verwenden.