Labor Machine Learning

Maschinen messen vieles und es entstehen grosse Datenmengen. Wie kann aus den Daten gelernt werden? Wie können daraus Entscheidungen abgeleitet werden oder der Produktionsprozess laufend verbessert werden? Die Methoden des Machine Learning ermöglichen, diese spannenden Aufgaben systematisch zu lösen. An Beispielen aus der industriellen Bildverarbeitung, Fehlerdiagnose, Optimierung und Qualitätsprüfung wird das Vorgehen erlernt. Inhalte:

• Machine Learning Workflow, Feature Engineering, Modellvalidierung
• Vorhersage kontinuierlicher Werte: Lineare und nichtlineare Regression, lokale Regression, Identifikation dynamischer Systeme
• Dimensionsreduktion, Hauptkomponentenanalyse, Clustering
• Klassifikatoren: K-nearest neighbor, Support-Vector-Methode, Entscheidungsbäume
• Ausreissererkennung
• Künstliche Neuronale Netze als Basistechnologie für viele Anwendungen der KI (Künstliche Intelligenz) Die Methoden werden in der Versuchsauswertung und für die Realisierung von industriellen Klassifikatoren (z.B. in der industriellen Bildverarbeitung, Fehlerdiagnose und Qualitätsprüfung) angewendet.

• Die Studierenden kennen die mathematischen Möglichkeiten der Datenanalyse und Modellierung und können datenbasierte Entscheidungen in der Automation realisieren.

• Lineare Algebra 1 (lalg1)
• Wahrscheinlichkeitstheorie und Statistik (wst)