Lehrende: Prof. Dr. rer. nat. Florian Steinke; M.Sc. Allan Santos
Veranstaltungsart: Praktikum
Orga-Einheit: FB18 Elektrotechnik und Informationstechnik
Anzeige im Stundenplan: PR ML & Energy
Fach:
Anrechenbar für:
Semesterwochenstunden: 1
Unterrichtssprache: Englisch
Min. | Max. Teilnehmerzahl: - | -
Lehrinhalte: Auch für Ingenieure wird die Analyse und Interpretation von Daten immer wichtiger. Unter den Schlagworten Digitalisierung und Smart Grid entwickeln sich viele neue datenbasierter Dienste im Energiebereich. Das Modul stellt diese Entwicklung und die zugehörigen technischen Grundlagen des maschinellen Lernens dar. Zuerst werden die verschiedenen Problemstellungen des maschinellen Lernens beschrieben und eine Übersicht zu aktuellen Entwicklungen gegeben sowie der Einfluss des maschinellen Lernens auf den Energiesektor diskutiert. Danach werden Grundlagen der numerischen Optimierung und linearen Algebra wiederholt. Darauf aufbauend werden Probleme des überwachten Lernens betrachtet und verschiedene Methoden für diese Problemklasse eingeführt (lineare Modelle, Trees, Random Forests, Nearest Neighbour, Kernel Methoden, Deep Learning). Anschließend werden Problemstellungen des unüberwachten Lernens aus einer probabilistischen Sicht betrachtet. Abschließend werden probabilistische grafische Modelle eingeführt. Alle methodischen Schritte werden in Übungen auf Basis von Python vertieft.
Literatur:
Voraussetzungen:
Nachhaltigkeitsbezug der Veranstaltungsinhalte: Optimierung Energieverwendung/-ausnutzung