Applied Machine Learning
„Es gibt kein Pauschalrezept für Machine Learning, kein Schema F. Wir müssen erstmal ein Problem verstehen, und daraus ableiten, wie man Daten sammelt, speichert, repräsentiert, bereinigt und evaluiert. Wie baue ich ein Verständnis für diese Daten auf, wie gehe ich am besten dabei vor? Das besteht aus sehr viel impliziertem Expertenwissen“, erklärt Hasan Tercan, Wissenschaftlicher Mitarbeiter und Doktorand am Lehrstuhl für Technologien und Management der Digitalen Transformation. Er leitet die Übung zur Vorlesung von Prof. Dr.-Ing. Tobias Meisen.
Die Herausforderung dabei: Wie schaffe ich es, ein sehr komplexes Thema etwas spielerisch und ein-leuchtend zu vermitteln? Hasan Tercan: „Ich finde es sehr schön, meine eigenen Erfahrungen mit den Studierenden zu teilen, über den Tellerrand zu blicken und etwas über meine bisherigen Projekterfah-rungen zu berichten. Dafür ist diese Veranstaltung sehr gut geeignet. Wir diskutieren eigene Anwen-dungsfälle und können viel davon berichten.“
All diese einzelnen Schritte führen zu einem erfolgreichen Ergebnis und das soll in Vorlesung und Übung vermittelt werden – und zwar immer angewandt. Gezeigt werden sowohl die Funktionsweise der Verfahren als auch die Herausforderungen bei ihrer Anwendung. Reale Use Cases, die in der Lehrveranstaltung behandelt werden, sind beispielsweise die Fehlererkennung in der Weichenstellung, Bilddatenklassifikation oder Qualitätsvorhersagen in der Produktion. Bei letzterem geht’s um Sensordaten aus dem Prozess, die erstmal selektiert und bereinigt werden müssen, bevor man die relevanten Daten rausziehen und darauf ein Modell zur Qualitätsvorhersage trainieren kann. „Da 95% des Prozesses schon von sehr hoher Qualität sind, geht es darum, die ganz wenigen negativen Fälle zu identifizieren. Das ist eine große Herausforderung im Machine Learning,“ gibt Herr Tercan weitere Einblicke.
Grundkenntnisse im Programmieren sind also durchaus von Vorteil. Ziel der Veranstaltung: Studierende können die Grundlagen des Machine Learning und wissen gleichzeitig, wie sie das in Python umsetzen.
Die Übung startet am 21. April 2021 von 12.15 bis 13.45 Uhr, die Vorlesung am 22. April 2021 von 12.15 bis 13.45 Uhr.
Alle Infos dazu in unserem TMDT Lernraum in Moodle und auf unserer Website.
