Maschinelles Lernen für die Produktentwicklung (ML4PD)

Ziel der Vorlesung ist es, ein allgemeines Verständnis verschiedener Methoden des maschinellen Lernens und deren Implementierung für die Produktentwicklung zu vermitteln. Die Studierenden lernen außerdem die Grundlagen der Wahrscheinlichkeitstheorie kennen und wie sie diese auf verschiedene Produktentwicklungsaufgaben anwenden können. Nach der Teilnahme am Modul sind die Studierenden in der Lage, • die Grundlagen des maschinellen Lernens zu verstehen, • diese Grundlagen gezielt anzuwenden, um unterschiedliche Designs schnell bewerten zu können, • mit einem Design verbundene Unsicherheiten zu analysieren, • Wahrscheinlichkeitsmodelle für vorausschauende Wartung und Experimente zu verwenden und • gelernte Methoden auf Modellgeneratoren anzuwenden, um Entwurfsvorschläge zu erhalten.

Maschinelles Lernen wird in der Informatik genutzt, um beispielsweise Bilder zu klassifizieren, das autonome Fahren zu ermöglichen oder neue Texte zu generieren. Die Auswirkungen des maschinellen Lernens mit seinen Vorteilen und Anwendungen sind in diesen Bereichen wohlbekannt. Für Ingenieure ist es jedoch oft schwierig zu verstehen, wie Methoden des maschinellen Lernens für die Entwicklung mechanischer Systeme genutzt werden können und wo ihre Grenzen liegen. In dieser Vorlesung werden verschiedene Methoden des maschinellen Lernens demonstriert, die zur Modellierung, Charakterisierung, Optimierung und Überwachung mechanischer Systeme verwendet werden können. Verschiedene Szenarien werden beleuchtet und als vereinfachte Beispiele in Computerübungen untersucht.

Kenntnisse in der linearen Algebra und der Wahrscheinlichkeitstheorie aus dem Grundstudium sowie Grundkenntnisse im Programmieren (bevorzugt in MATLAB oder Python).

Die theoretischen Grundlagen werden anhand von Vorlesungsfolien in der Vorlesung vermittelt. Komplexere Herleitungen werden zusätzlich mithilfe handschriftlicher Notizen am Tablet-PC aufgezeigt und veranschaulicht, die tiefere Einblicke in die Grundlagen des maschinellen Lernens ermöglichen. Mentimeter und Zeit für Fragen sind während der Vorlesung eingebaut, was den Studierenden ermöglicht, sich zu Wort zu melden, mit dem Dozenten zu interagieren und komplexe Probleme zu diskutieren. Dadurch wird schnell ein Verständnis für die Grundlagen des maschinellen Lernens aufgebaut und die Studierenden erwerben gleichzeitig die Fähigkeit, das erworbene Know-how auf andere Anwendungen zu übertragen. Darüber hinaus werden in der Lehrveranstaltung kleine Beispiele programmiert und Übungen zum Selbststudium zur Verfügung gestellt, damit die Studierenden praktische Erfahrungen sammeln und ihr in der Vorlesung erworbenes Wissen vertiefen. Die Übungen sind überwiegend aus dem mechanischen Ingenieurskontext entnommen, um die Studierenden mit den bei der Produktentwicklung auftretenden Problemen vertraut zu machen. Durch die Besprechung jeder Übung während der wöchentlichen Sprechstunden können die Studierenden unterschiedliche Lösungen vorschlagen und ihr Verständnis für verschiedene Konzepte vertiefen. Insgesamt werden die Studierenden eine Vielfalt an praktischen Umsetzungen der Theorie sehen und Erfahrungen in der Anwendung der im Unterricht vermittelten Methoden sammeln, was zentrale Lernergebnisse dieses Moduls sind.

Die Kenntnisse der Studierenden werden durch eine benotete Übungsleistung mit Programmieraufgaben einschließlich eines schriftlichen Berichts am Ende des Semesters überprüft. Die Übungsleistung besteht aus mehreren kleineren Aufgaben, die ähnlich jedoch umfangreicher als die im Semester bearbeiteten Übungen sind. Die Gewichtung der Modulnote erfolgt nach der Punktzahl der einzelnen Aufgaben. Darüber hinaus basieren 7% der Note auf dem Format, dem Stil der Ergebnisdarstellung und der Lesbarkeit des Berichts. Im Bericht zeigen die Studierenden, dass sie in der Lage sind, (1) Machine-Learning-Aufgaben im Kontext der Produktentwicklung zu lösen, (2) ihre Ergebnisse klar darzustellen und (3) die Ergebnisse zu diskutieren. Die Frist zur Abgabe des Berichts wird in der Vorlesung bekannt gegeben. Sie liegt in der Regel 1-2 Wochen nach der letzten Vorlesungseinheit. Alle Hilfsmittel, wie z. B. Vorlesungsunterlagen, Laptops und Codes, sind zugelassen.

C. Bishop, Pattern Recognition and Machine Learning, Springer Berlin, 2006.