Kurs Maschinelles Lernen und Datenanalyse in der Prüf- und Messtechnik

Kurs Maschinelles Lernen und Datenanalyse in der Soziologie

Ein Tandem Kurs für verschiedene Zielgruppen im Fachbereich 4 und 8!

Angaben

Wann: Wintersemester
VAK FB 8 Soziologie 08-29-5-FEM-1-c
VAK FB 4 Produktionstechnik 04-M09-AM-022
Zeit (Online, Sync.) FB 8 Soziologie Donnerstag: 14:00 - 16:00
Zeit (Online, Sync.) FB 4 Produktionstechnik Donnerstag: 10:00 - 12:00
Format Online synchron mit Live Stream und asynchron mit Videos und interaktiven Übungen
Umfang: 2/3 SWS
ECTS: 6 CP

Dozent

PD Dr. Stefan Bosse, Univ. Bremen, FB Mathematik und Informatik

Studiengänge

FB 4

Modulbereich: Bachelor und Master Vertiefung

19.2.2021: Vorlesungsskript und Modul I
18.2.2021: Update Übung 6-4
7.2.2021: Neue Übung 6
4.2.2021: Neuer Arbeitsauftrag
28.1.2021: Neue Kursmaterialien
24.1.2021: Neue Übugn5
19.1.2021: Neue Materialien
7.1.2021: Neues Vorlesungsmaterial und Übung 4
17.12.2020: Neue Vorlesungsmaterialien verfügbar
14.12.2020: Neue Übung 3 verfügbar!
9.12.2020: Neue Übungen mit Submissionfunktion Online!
6.12.2020: Neue Medien hochgeladen (Video Modul C).
3.12.2020: Übung 2 ist online

FB 8

19.2.2021: Vorlesungsskript und Modul I
8.2.2021: Neue Übung 6
4.2.2021: Neuer Arbeitsauftrag
28.1.2021: Neue Kursmaterialien
24.1.2021: Neue Übugn5
19.1.2021: Neue Materialien
7.1.2021: Neues Vorlesungsmaterial und Übung 4
17.12.2020: Neue Vorlesungsmaterialien verfügbar
14.12.2020: Neue Übung 3 verfügbar!
9.12.2020: Neue Übungen mit Submissionfunktion Online!
6.12.2020: Neue Medien hochgeladen (Video Modul C).
3.12.2020: Übung 2 ist online

Themen für Seminararbeiten

Klasse

  1. Rewviewartikel mit der Erarbeitung und Diskussion des Stand der Technik und Wissenschaft zu einer ausgewählten Fragestellung im Themengebiet ML und Datenanalyse/interpretation. Abgabe eines Arbeit im PDF im Umfang von min. 10 bis ca. 20 Seiten.

  2. Forschungsarbeit mit Programmierung und Diskussion von Ergebnissen mit einem ausgewählten Datensazu un einer Fragestellung im Themengebiet ML und Datenanalyse/interpretation (D.h., ML als Werkzeug, Verwendung ausschliesslich von ML Framework aus dem Kurs und den WorkBooks). Weiterhin Abgabe einer schriftlichen Arbeit im PDF im Umfang von min. 7 bis ca. 15 Seiten.

Fragestellungen/Themen

  1. Reviewartikel
  1. Forschungsarbeit

Referenzen

Medien FB 4

Medium Folien Datum Description
Video HTML 05.11.20 Überblick FB-4
Video HTML 12.11.20 Modul A: Daten und Sensoren, FB-4
Video HTML 19.11.20 Modul B: Datenanalyse und Selektion, FB-4
Video - 26.11.20 Übung Datenanalyse, Tutorial JS, FB-4
Video HTML 03.12.20 Modul C: Taxonomie des Maschinellen Lernens, FB-4
Video - 03.12.20 Tutorial Kategorische Kodierung und Übung
Video HTML 10.12.20 Modul D: Entscheidungsbäume, FB-4
Video HTML 17.12.20 Modul E: Künstliche Neuronale Netze, FB-4
Video HTML 07.01.21 Modul F: Schnittstellen, Fehleranalyse, Konfiguration, Frameworks, FB-4
Video HTML 21.01.21 Modul G: Daten- und Dimensionalitätsreduktion, FB-4
Video HTML 28.01.21 Modul H: SVM und LSTM, FB-4
Video HTML 18.02.21 Modul I: Rechnerarchitekturen für ML, FB-4

Medien FB 8

Medium Folien Datum Description
Video HTML 05.11.20 Überblick FB-8
Video HTML 12.11.20 Modul A: Daten und Sensoren, FB-8
Video HTML 19.11.20 Modul B: Datenanalyse und Selektion, FB-8
Video - 26.11.20 Übung Datenanalyse, Tutorial JS, FB-8
Video HTML 03.12.20 Modul C: Taxonomie des Maschinellen Lernens, FB-8
Video - 03.12.20 Tutorial Kategorische Kodierung und Übung
Video HTML 10.12.20 Modul D: Entscheidungsbäume, FB-8
Video HTML 17.12.20 Modul E: Künstliche Neuronale Netze, FB-8
Video HTML 07.01.21 Modul F: Schnittstellen, Fehleranalyse, Konfiguration, Frameworks, FB-8
Video HTML 21.01.21 Modul G: Daten- und Dimensionalitätsreduktion, FB-8
Video HTML 28.01.21 Modul H: Probalistisches Lernen und Textanalyse, FB-8
Video HTML 18.02.21 Modul I: Inverse Modellierung, FB-8

Materialien

File Version Description
javascript-handbook.pdf 2015 The JavaScript Handbook, Flavio Copes
Eloquent_JavaScript.pdf 2018 Eloquent JavaScript Handbook, Marijn Haverbeke
ml.pdf 2015 Kleine ML Referenz
PDF 18.2.2021 Vorlesungsskript FB4
PDF 18.2.2021 Vorlesungsskript FB8

Tutorials - Hinweise

Das System ist im experimentellen Stadium. Bei Problemen bitte melden!

Tutorials FB 4

Datei Revision Abgabe Description
tutorialJS1.html 16.11.2020 - Interaktive Übung Einführung JavaScript
lessonML1-4.html 09.12.2020 11.12.2020 Interaktive Übung Datenanalyse
lessonML2-4.html 09.12.2020 11.12.2020 Interaktive Übung Naiver Klassifikator
lessonML3-4.html 14.12.2020 07.01.2021 Interaktive Übung Entscheindungsbäume und C4.5 Klassifikator
lessonML4-4.html 07.01.2021 14.01.2021 Interaktive Übung Neuronale Netze
lessonML5.html 24.01.2021 - Interaktive Übung Datenreduktion und Clustering (Selbststudium)
lessonML6-4.html 18.02.2021 18.2.2021 Interaktive Übung Materialeigenschaften und Prädiktion

Tutorials FB 8

Datei Revision Abgabe Description
tutorialJS1.html 16.11.2020 - Interaktive Übung Einführung JavaScript
lessonML1-8.html 09.12.2020 11.12.2020 Interaktive Übung Datenanalyse
lessonML2-8.html 09.12.2020 11.12.2020 Interaktive Übung Naiver Klassifikator
lessonML3-8.html 14.12.2020 07.01.2021 Interaktive Übung Entscheindungsbäume und ID3/C4.5 Klassifikator
lessonML4-8.html 07.01.2021 14.01.2021 Interaktive Übung Neuronale Netze
lessonML5.html 24.01.2021 - Interaktive Übung Datenreduktion und Clustering (Selbststudium)
lessonML6-8.html 04.02.2021 18.02.2021 Interaktive Übung NLP

Inhalte FB 4

Diese Veranstaltung bietet einen praxisorientierten Einstieg in die Sensor- und Messdatenanalyse mit Maschinellen Lernverfahren für Produktionstechniker und Materialwissenschaftler. Neben Grundlagen des Maschinellen Lernens (vom Entscheidungsbaum bis zum künstlichen Neuronalen Netz), deren Anwendbarkeit und Probleme stehen praktische interaktive Übungen im Vordergrund. Der WEB Browser wird zum Labor! Die Veranstaltung findet digital und online statt. Es werden auch "hardwarenahe" Themen wie ML auf eingebetteten Systemen adressiert!

  1. Sensoren, Digitale Sensordaten, Big Data

    • Stark und schwach korrelierte Daten (Big Data?)
    • Frage nach den Modellen
    • Rauschen
  2. Grundlagen der Sensordatenerfassung und Verarbeitung

    • Sensornetzwerke
    • Labormessungen
    • Zerstörungsfreie Prüfverfahren - Art der Messdaten
    • Struktur- und Lastüberwachung (SHM)
    • Datenvorverarbeitung (Merkmalsselektion)
    • Principle Component Analysis (PCA)
  3. Grundlagen des Maschinellen Lernens (Metriken und Taxonomie)

    • Der Funktionale Ansatz: Das Black-Box Modell
    • Überwachtes Lernen - Der Experte ist gefragt!
    • Nichtüberwachtes Lernen, Clustering - Ich sehe etwas was Du nicht siehst?
    • Rückgekoppeltes Lernen - Belohnungen führen zum Ziel!
    • Inkrementelles Lernen - Lernen auf Datenströmen ist ein Problem?
    • Agentenbasiertes und verteiltes Lernen - Nicht hier, sondern überall!
  4. Algorithmen und Modelle

    • Entscheidungsbäume (C45, ID3, ICE), Random Forest Bäume - Einfach aber gut?
    • Support Vector Machines (binäre und multi-Klassen) - Der Klassiker!
    • Künstliche Neuronale Netze (Ein- und mehrlagig) - Warum kein Deep Learning?
    • Regressionsverfahren
    • Iterative, randomisierte, und evolutionäre Lernalgorithmen - Deterministische Modelle?
  5. Training, Lernen, Prädiktion, Test

    • Merkmalsextraktion - Information aus Daten
    • Ablaufdiagramme - Arbeitsvorschrift!
    • Testmethoden
    • Probleme
    • Überanpassung
    • Zu viel oder zu wenige Daten?
    • Qualität der Daten, Einfluss von Rauschen auf Lernen und Prädiktion
  6. Anwendungen, Demonstrationen, Beispiele, Laborübungen (integriert in 2-5)

Ziele FB 4

  1. Die Studenten sollen die Grundlagen von Maschinellen Lernen und deren Aufgaben, Ziele, und Anwendungen verstehen sowie Einblicke in Algorithmen und Datenmodelle erwerben. Wann Deep Learning, wann und warum nicht!

  2. Es soll der Unterschied zwischen Modell (Modellrepräsentation und Datenstrukturen) und den Lern- und Prädiktionsalgorithmen verstanden werden.

  3. Die Studenten sollen anhand einfacher Laborübungen mit einem WEB basierten ML Baukasten und Analysewerkzeug (Ausführung im WEB Browser oder mit node-webkit) auf einfache Weise verschiedene Lernverfahren auf verschiedene Trainingsdaten anwenden, unterscheiden und bewerten können.

  4. Verständnis und Anwendung der Datenvorverarbeitung und Bedeutung von Quantität und Qualität der Trainingsdaten.

  5. Es soll ein Verständnis der Probleme im Umgang und der Anwendung von ML Verfahren anhand von praktischen Beispielen und Übungen erworben werden. Dabei soll die Fähigkeit erworben werden, selbstständig geeignete ML Verfahren für eine bestimmte Problemstellung aus der Mess- und Prüftechnik auswählen zu können.

  6. Durch Praxisnähe sollen am Ende der Veranstaltung die Studenten in der Lage sein, Messdaten mit ML Verfahren sinnvoll und zielgerichtet verarbeiten zu können und den Nutzen und die Probleme beim Einsatz von ML realistisch bewerten können.

Voraussetzungen FB 4

Inhalte FB 8

Diese Veranstaltung bietet einen praxisorientierten Einstieg in die Datenanalyse mit Maschinellen Lernverfahren für Soziologen. Neben Grundlagen des Maschinellen Lernens (vom Entscheidungsbaum bis zum künstlichen Neuronalen Netz), deren Anwendbarkeit und Probleme stehen praktische interaktive Übungen im Vordergrund. Der WEB Browser wird zum Labor! Die Veranstaltung findet digital und online statt.

  1. Sensoren, Digitale Sensordaten, Big Data, Umfragen

    • Stark und schwach korrelierte Daten (Big Data?)
    • Frage nach den Modellen
    • Der Mensch als Sensor und Datenlieferant
    • Daten aus Umfragen und Erhebungen (Soziologie, Medizin)
    • Rauschen
  2. Grundlagen der Sensordatenerfassung und Verarbeitung

    • Umfragen, Crowd Sensing, (Mobile) Sensornetzwerke mit Smartphones
    • Datenvorverarbeitung (Merkmalsselektion)
    • Principle Component Analysis (PCA)
  3. Grundlagen des Maschinellen Lernens (Metriken und Taxonomie)

    • Der Funktionale Ansatz: Das Black-Box Modell
    • Überwachtes Lernen - Der Experte ist gefragt!
    • Nichtüberwachtes Lernen, Clustering - Ich sehe etwas was Du nicht siehst?
    • Rückgekoppeltes Lernen - Belohnungen führen zum Ziel!
    • Inkrementelles Lernen - Lernen auf Datenströmen ist ein Problem?
    • Agentenbasiertes und verteiltes Lernen - Nicht hier, sondern überall!
  4. Algorithmen und Modelle

    • Entscheidungsbäume (C45, ID3, ICE), Random Forest Bäume - Einfach aber gut?
    • Support Vector Machines (binäre und multi-Klassen) - Der Klassiker!
    • Künstliche Neuronale Netze (Ein- und mehrlagig) - Warum kein Deep Learning?
    • Regressionsverfahren
    • Iterative, randomisierte, und evolutionäre Lernalgorithmen - Deterministische Modelle?
  5. Training, Lernen, Prädiktion, Test

    • Merkmalsextraktion - Information aus Daten
    • Ablaufdiagramme - Arbeitsvorschrift!
    • Testmethoden
    • Probleme
    • Überanpassung
    • Zu viel oder zu wenige Daten?
    • Qualität der Daten, Einfluss von Rauschen auf Lernen und Prädiktion
  6. Anwendungen, Demonstrationen, Beispiele, Laborübungen (integriert in 2-5)

Ziele FB 8

  1. Die Studenten sollen die Grundlagen von Maschinellen Lernen und deren Aufgaben, Ziele, und Anwendungen verstehen sowie Einblicke in Algorithmen und Datenmodelle erwerben. Wieso Deep Learning, wann und wann nicht!

  2. Es soll der Unterschied zwischen Modell (Modellrepräsentation und Datenstrukturen) und den Lern- und Prädiktionsalgorithmen verstanden werden.

  3. Die Studenten sollen anhand einfacher Laborübungen mit einem WEB basierten ML Baukasten und Analysewerkzeug (Ausführung im WEB Browser oder mit node.js in der Kommandozeile) auf einfache Weise verschiedene Lernverfahren auf verschiedene Trainingsdaten anwenden, unterscheiden und bewerten können.

  4. Verständnis und Anwendung der Datenvorverarbeitung und Bedeutung von Quantität und Qualität der Trainingsdaten.

  5. Es soll ein Verständnis der Probleme im Umgang und der Anwendung von ML Verfahren anhand von praktischen Beispielen und Übungen erworben werden. Dabei soll die Fähigkeit erworben werden, selbstständig geeignete ML Verfahren für eine bestimmte Problemstellung aus der Soziologie auswählen zu können.

  6. Durch Praxisnähe sollen am Ende der Veranstaltung die Studenten in der Lage sein, Messdaten mit ML Verfahren sinnvoll und zielgerichtet verarbeiten zu können und den Nutzen und die Probleme beim Einsatz von ML realistisch bewerten können

Voraussetzungen FB 8