Projekt Neuronale ZeitreihenmodellierungModulbeschreibung #51211 / Version 1
- 6 LP
- Portfolioprüfung
- Benotet
- Wintersemester
- Englisch
| Modul / Version | #51211 / #1 |
|---|---|
| Gültigkeit | Seit WiSe 2026/27 |
| Verfügbare Sprache(n) | Englisch, Deutsch |
| Leistungspunkte | 6 |
| Modulverantwortliche*r | Stender, Merten |
| Benotung | Benotet |
| Prüfungsform | Portfolioprüfung |
| 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 66 |
|---|---|
| Ansprechpartner*in | Stender, Merten |
| E-Mail-Adresse | merten.stender@tu-berlin.de |
| Webseite | https://www.tu.berlin/en/cpsme |
Lernergebnisse
Nach erfolgreichem Abschluss des Moduls sind die Studierenden in der Lage:
- Zeitreihenprobleme aus ingenieurwissenschaftlichen Anwendungen als datengetriebene Lernaufgaben formulieren.
- Zeitliche Strukturen wie Autokorrelation, Nichtstationarität und Saisonalität erkennen und bei Modellierung und Evaluation berücksichtigen.
- Mathematische Grundlagen gängiger Zeitreihenmodelle erläutern und anwenden.
- Geeignete Methoden von klassischen statistischen Ansätzen bis zu neuronalen Architekturen auswählen und begründen.
- Modelle hinsichtlich Leistungsfähigkeit, Generalisierbarkeit, Annahmen, Grenzen und methodischer Verzerrungen bewerten.
- Relevante wissenschaftliche Publikationen identifizieren und auswerten sowie diese zur Begründung methodischer Entscheidungen heranziehen.
- Zeitreihenmodelle selbstständig in Python und PyTorch implementieren, trainieren und evaluieren.
- Erkenntnisse und Fachwissen zu einer begründeten Modellierungsstrategie verbinden.
- Zeitreihenprobleme aus ingenieurwissenschaftlichen Anwendungen als datengetriebene Lernaufgaben formulieren.
- Zeitliche Strukturen wie Autokorrelation, Nichtstationarität und Saisonalität erkennen und bei Modellierung und Evaluation berücksichtigen.
- Mathematische Grundlagen gängiger Zeitreihenmodelle erläutern und anwenden.
- Geeignete Methoden von klassischen statistischen Ansätzen bis zu neuronalen Architekturen auswählen und begründen.
- Modelle hinsichtlich Leistungsfähigkeit, Generalisierbarkeit, Annahmen, Grenzen und methodischer Verzerrungen bewerten.
- Relevante wissenschaftliche Publikationen identifizieren und auswerten sowie diese zur Begründung methodischer Entscheidungen heranziehen.
- Zeitreihenmodelle selbstständig in Python und PyTorch implementieren, trainieren und evaluieren.
- Erkenntnisse und Fachwissen zu einer begründeten Modellierungsstrategie verbinden.
Lehrinhalte
Grundlegende Modellierungsansätze:
- Zeitreihenregression (Sequenz-zu-Sequenz-Modellierung)
- Zeitreihenprognose (Einschritt- und Mehrschrittvorhersagen, autoregressive Verfahren)
- Klassifikation von Zeitreihen, Anomalieerkennung, Merkmalsextraktion
- Lernen von Zeitreihenrepräsentationen (Embeddings)
Methodenfamilien:
- klassische statistische Modelle (ARIMA)
- zustandslose und Attention-basierende Modelle (faltende Netzwerke, Transformer)
- zustandsbehaftete Modelle (rekurrente Netzwerke, Mamba)
- alternative Ansätze (Reservoir Computing, neuromorphes Computing)
- physikinformierte Modelle, Kernel-Methoden
- Foundation Modelle für Zeitreihen
Domänen:
- univariate und multivariate Zeitreihen
- deterministische (regulär, irregulär) und stochastische Prozesse (NARMA)
- zeitliche Mehrskalendynamik und raumzeitliche Prozesse
- Limitationen im Small-Data-Regime
Anwendungen:
- Energiesysteme, Fertigung, Produktion
- Strukturdynamik (elektro-) mechanischer Systeme
- Aerodynamik, Robotik und Regelungstechnik
- Zeitreihenregression (Sequenz-zu-Sequenz-Modellierung)
- Zeitreihenprognose (Einschritt- und Mehrschrittvorhersagen, autoregressive Verfahren)
- Klassifikation von Zeitreihen, Anomalieerkennung, Merkmalsextraktion
- Lernen von Zeitreihenrepräsentationen (Embeddings)
Methodenfamilien:
- klassische statistische Modelle (ARIMA)
- zustandslose und Attention-basierende Modelle (faltende Netzwerke, Transformer)
- zustandsbehaftete Modelle (rekurrente Netzwerke, Mamba)
- alternative Ansätze (Reservoir Computing, neuromorphes Computing)
- physikinformierte Modelle, Kernel-Methoden
- Foundation Modelle für Zeitreihen
Domänen:
- univariate und multivariate Zeitreihen
- deterministische (regulär, irregulär) und stochastische Prozesse (NARMA)
- zeitliche Mehrskalendynamik und raumzeitliche Prozesse
- Limitationen im Small-Data-Regime
Anwendungen:
- Energiesysteme, Fertigung, Produktion
- Strukturdynamik (elektro-) mechanischer Systeme
- Aerodynamik, Robotik und Regelungstechnik
Modulbestandteile
Pflichtbereich
Die folgenden Veranstaltungen sind für das Modul obligatorisch:
| Lehrveranstaltungen | Art | Nummer | Turnus | Sprache | SWS | VVZ |
|---|---|---|---|---|---|---|
| Neural Time Series Modelling | Projekt | Wintersemester | [en] | 4 | WiSe 2026/27 (1) ISIS |
Veranstaltungen im Vorlesungsverzeichnis
Veranstaltungen, die aus den Lehrveranstaltungen dieses Moduls angelegt wurden.
WiSe 2026/27 (1)
Neural Time Series Modelling (Projekt) 1
- Neural Time Series Modelling (Projekt) Termingruppe 1
Arbeitsaufwand und Leistungspunkte
Neural Time Series Modelling (Projekt)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 10 | 1 h | 10 h |
| Selbstständige Projektarbeit | 1 | 90 h | 90 h |
| Konzeptskizze | 1 | 20 h | 20 h |
| Prototypenentwicklung | 1 | 20 h | 20 h |
| Vorbereitung Abschlusspräsentation | 1 | 10 h | 10 h |
| 180 h | |||
Der Aufwand des Moduls summiert sich zu 180 Stunden. Damit umfasst das Modul 6 Leistungspunkte.
Beschreibung der Lehr- und Lernformen
Die Veranstaltung verknüpft Vorlesungseinheiten mit projektbasiertem Lernen. Die Vorlesungen vermitteln grundlegende und weiterführende Ansätze der Zeitreihenmodellierung und bilden damit die methodische Grundlage für die Projektarbeit. Im Anschluss bearbeiten die Studierenden einzeln oder in Kleingruppen eigene Projekte, die im Rahmen wöchentlicher Konsultationen durch die Lehrenden betreut werden und sich an klar definierten Meilensteinen orientieren, darunter Anforderungsspezifikation (Konzeptskizze), Implementierung, Evaluation und Dokumentation. Im Rahmen der Projektarbeit identifizieren die Studierenden eine geeignete Problemstellung der Zeitreihenmodellierung, führen eine Datenanalyse durch, wählen ein geeignetes Modell aus, trainieren dieses und evaluieren dessen Güte. Darauf aufbauend entwickeln sie einen einsatzfähigen Prototyp inklusive produktiver Benutzeroberfläche und schließen die Veranstaltung mit einer Abschlusspräsentation ihres methodischen Vorgehens und ihrer Ergebnisse ab.
Voraussetzungen für die Teilnahme / Prüfung
Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:
Von den Studierenden wird erwartet, dass sie einen Einführungskurs in maschinellem Lernen oder Deep Learning absolviert haben und in der Lage sind, ein einfaches neuronales Netzwerk in Python zu implementieren und zu trainieren. Vorkenntnisse in PyTorch, JAX, Keras oder TensorFlow werden dringend empfohlen.
Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:
Dieses Modul hat keine Prüfungsvoraussetzungen.
Abschluss des Moduls
| Benotung | Benotet |
|---|---|
| Prüfungsform | Portfolioprüfung |
| Art der Portfolioprüfung | 100 Punkte insgesamt |
| Sprache | Englisch, Deutsch |
Prüfungselemente
| Name | Punkte/Gewicht | Kategorie | Dauer/Umfang |
|---|---|---|---|
| Konzeptskizze | 30 | schriftlich | 2 Seiten |
| Softwareprototyp und Dokumentation | 40 | praktisch | Lauffähige Web-Anwendung einschließlich Quellcode |
| Abschlusspräsentation | 30 | mündlich | 15min |
Prüfungsbeschreibung (Abschluss des Moduls)
Portfolioprüfung, bestehend aus drei semesterbegleitenden Prüfungselementen unterschiedlicher Form:
- (1) Konzeptskizze (schriftliche Ausarbeitung, 2 Seiten: Beschreibung der Modellierungsaufgabe, Baseline-Ergebnisse, Metrikauswahl, 30%),
- (2) Prototyp (protokollierte praktische Leistung: lauffähige Web-Anwendung zur Inferenz auf einem selbst trainierten PyTorch-Modell, 40%),
- (3) Abschlusspräsentation (Vortrag, 15 Minuten, 30%).
Die Modulnote ergibt sich aus dem Punktesystem und Notenschlüssel. Alle Einzelleistungen werden individuell abgelegt.
- (1) Konzeptskizze (schriftliche Ausarbeitung, 2 Seiten: Beschreibung der Modellierungsaufgabe, Baseline-Ergebnisse, Metrikauswahl, 30%),
- (2) Prototyp (protokollierte praktische Leistung: lauffähige Web-Anwendung zur Inferenz auf einem selbst trainierten PyTorch-Modell, 40%),
- (3) Abschlusspräsentation (Vortrag, 15 Minuten, 30%).
Die Modulnote ergibt sich aus dem Punktesystem und Notenschlüssel. Alle Einzelleistungen werden individuell abgelegt.
Dauer des Moduls
Für Belegung und Abschluss des Moduls ist folgende Semesteranzahl veranschlagt: 1 Semester.
Dieses Modul kann in folgenden Semestern begonnen werden: Wintersemester.
Maximale teilnehmende Personen
Die maximale Teilnehmerzahl beträgt 30.
Anmeldeformalitäten
Anmeldung über ISIS-Kurs, Zulassung zu Modulprüfung über Moses. Bei mehr Anmeldungen als verfügbaren Prüfungs-Plätzen erfolgt die Auswahl gemäß § 48 Abs. 3 AllgStuPO nach Rangklassen. Teilnahme ohne Ablegen einer Prüfungsleistung möglich.
Literaturhinweise, Skripte
Skript in Papierform
nicht verfügbar
Skript in elektronischer Form
verfügbar – Präsentations-Folien, Jupyter Notebooks
Empfohlene Literatur
- Goodfellow, Bengio, Courville: Deep Learning (MIT Press, free online access)
- Hyndman, Athanasopoulos: Forecasting: Principles and Practice (3rd ed., free online access)
- Lim, Zohren: Time Series Forecasting With Deep Learning: A Survey (Phil. Trans. R. Soc. A, open access)
- Prince: Understanding Deep Learning (MIT Press, free PDF + print)
Zugeordnete Studiengänge
Dieses Modul findet in keinem Studiengang Verwendung.
Sonstiges
Keine Angabe