Lehrveranstaltungen

Einführung in Machine Learning und Anwendungen in der Hydraulik und Hydromorphologie

Vortragende/r (Mitwirkende/r)
Nummer0000003207
Art
Umfang4 SWS
SemesterSommersemester 2022
UnterrichtsspracheEnglisch
Stellung in StudienplänenSiehe TUMonline
TermineSiehe TUMonline

Teilnahmekriterien

Lernziele

Am Ende des Moduls verstehen die Studierenden das grundlegende Prinzip von Machine Learning (ML) Modellen und sind in der Lage, einfache ML-Modelle mit Hilfe von MATLAB zu programmieren. Darüber hinaus können die Studierenden ein ML-Modell auf einen realen Problemfall aus dem Bereich der Hydraulik und Hydromorphologie anwenden und selbstständig ein Lösungskonzept für eine Problemstellung erstellen

Beschreibung

Das Modul umfasst die folgenden Themen: - Erforderliche mathematische Vorkenntnisse - Erforderliche Programmierkenntnisse in MATLAB - Einführung in das maschinelle Lernen - Regression vs. Klassifikation - Neuronale Netze: Architekturen, Algorithmen, Anwendungen - ML-Modellaufbau in MATLAB - ML-Anwendungen im Bereich der Hydraulik und Hydromorphologie - Aufbau von ML-Modellen für Problemfälle in Hydraulik und Hydromorphologie

Inhaltliche Voraussetzungen

Bachelor-Abschluss in Bau- oder Umweltingenieurwesen mit Grundkenntnissen in Hydraulik und Hydromorphologie. Dies ist ein Einführungskurs in maschinelles Lernen und erfordert keine Vorkenntnisse in maschinellem Lernen und Programmieren. Ein Grundverständnis von MATLAB ist jedoch hilfreich, aber nicht notwendig.

Lehr- und Lernmethoden

Das Modul besteht aus Vorlesungen, praktischen Übungen im Computerlabor und Gruppenarbeiten. Es umfasst synchronen Online-Unterricht mit Vorlesungen inkl. Computerlabor und zusätzliche Sprechstunden und Foren für die Betreuung der Projektarbeiten. Während des Kurses müssen die Studierenden individuell kleine Problemstellungen und eine Projektarbeit (in einer Gruppe von max. 2 Studierenden) bearbeiten.

Studien-, Prüfungsleistung

Die Prüfung besteht aus der Erstellung eines schriftlichen Berichts, der die Prozessschritte und Ergebnisse einer Projektarbeit enthält (40%), einem 15minütigen Vortrag über die Projektergebnisse mit anschließender Diskussion (40%) und regelmäßigen Diskussionen über Problemstellungen mit dem Dozenten während der Lehrveranstaltung (20%).

Empfohlene Literatur

Reading List: 1. Hagan et al. Neural Network Design, 2nd edition, 2014; Online version: https://hagan.okstate.edu/nnd.html 2. Abu-Mostafa et al. Learning from Data, a Short Course, 2012. 3. Mathworks, Neural Network Toolbox User‘s Guide, 2017.

Links