Dokument-Version: 4.017.05.2019sps

Fakultät Ingenieurwissenschaften

Masterstudiengang (EIM) - Wirtschaftsingenieurwesen (Elektrotechnik)

Maschinelles Lernen und naturinspirierte Problemlösung

Kennzahl 8806

Dozententeam

Wahlpflichtmodul 8806

verantwortlich: Prof. Dr.-Ing. Hendrik Richter
Prof. Dr.-Ing. Jens Jäkel
Regelsemester Sommersemester 2. Semester (jährlich)
Leistungspunkte *) 5   (Wichtung der LP =5)
Unterrichtssprache Deutsch
Arbeitsaufwand Vorlesung-Präsenz: 42 h; Vorlesung-Nacharbeit: 49 h; Projekt-Präsenz: 14 h; Projekt-Vorarbeit: 45 h;
Voraussetzungen für die Teilnahme Kenntnisse/Fähigkeiten: Ingenieurkenntnisse (Bachelor)
Lernziel/ Kompetenz Ziel: Vermittlung von vertieftem und erweitertem Fachwissen auf dem Gebiet des Maschinellen Lernens sowie der naturinspirierten Problemlöseverfahren.

Fach- und methodische Kompetenz: Problemlösungskompetenz im Bereich Innovation und Forschung zur Entwicklung neuer Verfahren und Gewinnung von Kenntnissen; Fähigkeit zur vertieften Informationsrecherche zur Entwicklung des Standes von Wissenschaft und Technik und zur Bewertung und Weiterentwicklung von Modellierungs-, Entwurfs- und Testmethoden. Hier: Problemanalyse und -modellierung, Auswahl und Umsetzung von Lösungsansätzen sowie Validierung von Resultaten bei der Verarbeitung experimenteller Daten.

Einbindung in die Berufsvorbereitung: Die Extraktion relevanter Informationen aus experimentellen Messdaten oder Prozessdaten spielt in den Naturwissenschaften und der Technik eine zunehmend wichtigere Rolle. Maschinelle Lernverfahren und naturinspirierte Problemlöseverfahren leisten hierbei einen wichtigen Beitrag.
Inhalt 1. Maschinelles Lernen

1. Statistische Grundlagen des Maschinellen Lernens (ML) 2. Probleme und Algorithmen des ML 3. Lineare Methoden für die Regression und Klassifikation 4. Ausblick auf nichtlineare Methoden: Neuronale Netze u. Kernel-Methoden 5. Unüberwachte Lernverfahren

2. Naturinspirierte Problemlöseverfahren

1. Evolutionäre Algorithmen (EA) 2. Ameisenalgorithmen 3. Schwarmintelligenz und schwarmbasierte Optimierungsalgorithmen 4. Künstliche Immunsysteme 5. Künstliches Leben

Prüfungsvorleistungen PVJ (erfolgreiche Projektbearbeitung)
Studien- und Prüfungsleistungen
Lehreinheiten SWS Prüfungsleistung Wichtung
V P
Maschinelles Lernen 1 1 PM (30 min) 5
Naturinspirierte Problemlöseverfahren 2 -
Medienformen Tafel, Folien (Overhead/Beamer), Rechnerübung, Begleitliteratur
Literatur Goldberg, D.: Genetic algorithms;

Weicker, K.: Evolutionary algorithms;

Bishop, C.M.: Pattern Recognition and Machine Learning;

Hastie, T. et al.: The Elements of Statistical Learning;

Kennedy, J.: Swarm intelligence;

Verwendbarkeit Das Modul ist in den Masterstudiengängen Elektrotechnik und Informationstechnik und Wirtschaftsingenieurwesen (Elektrotechnik) verwendbar.