Hauptinhalt überspringenNavigation überspringenFooter überspringen
Logo der Fachhochschule Nordwestschweiz
Studium
Weiterbildung
Forschung und Dienstleistungen
Internationales
Die FHNW
De
Standorte und KontaktBibliothek FHNWKarriere an der FHNWMedien

      Logo der Fachhochschule Nordwestschweiz
      • Studium
      • Weiterbildung
      • Forschung und Dienstleistungen
      • Internationales
      • Die FHNW
      De
      Standorte und KontaktBibliothek FHNWKarriere an der FHNWMedien
      Module
      Machine Learning für die Analyse von Messdaten

      Machine Learning für die Analyse von Messdaten

      Nummer
      mlam
      ECTS
      3.0
      Anspruchsniveau
      intermediate
      Inhalt

      Machine Learning revolutioniert die Analyse von Messdaten, indem es Muster erkennt, Anomalien aufdeckt und Vorhersagen ermöglicht. Dieses Blockmodul zeigt, wie Machine Learning-Methoden sinnvoll für die Datenanalyse eingesetzt werden können. Von Data Wrangling über die Modellierung bis zur Interpretation werden zentrale Schritte erläutert und durch Anwendungsbeispiele veranschaulicht. Eigene Datensätze und Fragestellungen (falls vorhanden) aus eigenen Projekten werden mit Python-Werkzeugen analysiert - so wird das Gelernte direkt auf die eigene Praxis übertragen und wirksam nutzbar gemacht.

      Lernziele

      Nach dem Besuch des Blockmoduls können Sie:

      • klassische statistische Methoden wie Hypothesentests und Regressionsanalysen anwenden, um Zusammenhänge zwischen Messgrössen zu identifizieren,
      • mit Messunsicherheiten umgehen und diese z. B. durch Fehlerfortpflanzung quantifizieren,
      • Verfahren zur Detektion von Ausreissern einsetzen, um Datenqualität sicherzustellen und robuste Modelle zu erstellen (z. B. robuste Regression),
      • Methoden des maschinellen Lernens - insbesondere aus dem Bereich des supervised und unsupervised Learnings - wie Decision Trees, k-Nearest Neighbors, Support Vector Machines und Clustering-Verfahren (z. B. k-Means) anwenden und bewerten,
      • Convolutional Neural Networks (CNN) zur Analyse strukturierter Daten wie Bilder oder zeitabhängiger Messreihen einsetzen,
      • den gesamten Analyseprozess von Data Wrangling über Modellierung bis zur Interpretation praktisch umsetzen,
      • eigene Datensätze und Fragestellungen aus den Projekten P1–P6 mit Python-basierten Werkzeugen analysieren und die erlernten Verfahren darauf anwenden.
      Empfohlene vorkenntnisse

      Grundkenntnisse in:

      • Analysis
      • Wahrscheinlichkeitsrechnung und Statistik
      • Lineare Algebra
      • Python.
      Leistungsbewertung
      Erfahrungsnote
      Zusatzinformationen

      Eine Anwesenheit von 60% wird empfohlen. Der Rest kann im Selbststudium erarbeitet werden.

      Studium

      Angebot

      • Studium
      • Weiterbildung
      • Forschung & Dienstleistungen

      Über die FHNW

      • Hochschulen
      • Organisation
      • Leitung
      • Facts and Figures

      Hinweise

      • Datenschutz
      • Accessibility
      • Impressum

      Support & Intranet

      • IT Support
      • Login Inside-FHNW

      Member of: