# Maschinelles Lernen und Datenanalyse


## The Inner Space

* [[ml:contact]]
* [[ml:faq]]
* [[ml:literatur]]
* [[ml:live]]
* [[ml:news]]


## The Outer Space

* [edu-9.de](http://edu-9.de/Lehre/ml2k)

## Live Streaming

- Vorlesung Live hier: [[ml:live]]


## Fragen


- Fachliche Fragen  zur Veranstaltung können hier gestellt werden: [[ml:faq]]
- Administrative Fragen können auf dieser Seite unten gestellt werden! 
- Es gibt alternativ ein email Kontaktformular: [[ml:contact]]

## Medien

- Alle Medien (Videos, Foliensätze, Tutorials und Übungen) finden sich prmär hier: [[http://edu-9.de/Lehre/ml2k]]



## Maschinelles Lernen und Datenanalyse in der Mess- und Prüftechnik

### Zielgruppen

- Produktionstechniker
- Elektrotechniker
- Materialwissenschaftler
- Systemingenieure
- Informatiker 


### Inhalte

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) 
   + Statistische Datenanalyse

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, Regressionsbäume - Einfach aber gut?
   + Support Vector Machines (binäre und multi-Klassen) - Der Klassiker!
   + Künstliche Neuronale Netze (Ein- und mehrlagig) - Warum kein Deep Learning?
   + Klassifikations- und 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)

### News

- Neuigkeiten gibt es hier: [[ml:news]]



## Diskussionsforum

~~DISCUSSION|Diskussion und Fragen~~

> Hier adminstrative Fragen zu der Veranstaltung stellen!

**Besucher** Heute: {{counter|today}} - Gestern: {{counter|yesterday}} - Alle: {{counter|total}}