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

FB 8

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