Zum Inhalt springen
Technische Universität Berlin English
Vorlesungsverzeichnis und Modultransfersystem

Projekt Neuronale ZeitreihenmodellierungModulbeschreibung #51211 / Version 1

← Zur Modulseite English version
Modul / Version#51211 / #1
GültigkeitSeit WiSe 2026/27
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 66
Ansprechpartner*inStender, Merten
E-Mail-Adressemerten.stender@tu-berlin.de
Webseitehttps://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.

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

Modulbestandteile

Pflichtbereich

Die folgenden Veranstaltungen sind für das Modul obligatorisch:

LehrveranstaltungenArtNummerTurnusSpracheSWSVVZ
Neural Time Series ModellingProjekt Wintersemester[en]4 ISIS

Veranstaltungen im Vorlesungsverzeichnis

Veranstaltungen, die aus den Lehrveranstaltungen dieses Moduls angelegt wurden.

WiSe 2026/27 (1)

Neural Time Series Modelling (Projekt) 1

Alle Gruppen dieser Lehrveranstaltung im Verzeichnis

Arbeitsaufwand und Leistungspunkte

Neural Time Series Modelling (Projekt)

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit152 h30 h
Vor-/Nachbereitung101 h10 h
Selbstständige Projektarbeit190 h90 h
Konzeptskizze120 h20 h
Prototypenentwicklung120 h20 h
Vorbereitung Abschlusspräsentation110 h10 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

BenotungBenotet
PrüfungsformPortfolioprüfung
Art der Portfolioprüfung100 Punkte insgesamt
SpracheEnglisch, Deutsch

Prüfungselemente

NamePunkte/GewichtKategorieDauer/Umfang
Konzeptskizze30schriftlich2 Seiten
Softwareprototyp und Dokumentation40praktischLauffähige Web-Anwendung einschließlich Quellcode
Abschlusspräsentation30mündlich15min

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.

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