Machine Learning für die Analyse von Messdaten

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.

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.

Grundkenntnisse in:

• Analysis
• Wahrscheinlichkeitsrechnung und Statistik
• Lineare Algebra
• Python.

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