KI und neuronale Netze in der Automation

advanced

Einführung in KI und Neuronale Netze in der Automation

• Packende Beispiele und Anwendungen (Motivation schaffen)
• Workflow: Datenaufbereitung, Training, Validierung

Grundlagen anwendungsorientiert

• Funktionsprinzip
• Optimierung Netzparameter (Optionen verstehen): Einfluss Batch Size,
• Early Stopping, Einfluss LearnRate, Backpropagation Methoden Katalog
• Layerelemente: Transformer, Convolution, Recurrent
• Strukturen: Recurrent, GRU, LSTN, Encoder/Decoder, Attention
• Transfer learning

Software Frameworks

• Einfacher Workflow für Keras
• Erwähnen der Alternativen

Bildverarbeitung

• Bild Klassifikation
• Bild Segmentation
• Object detection, object tracking
• Pose estimation
• Sicherheit (Anwesenheitsprüfung)

Datenanalyse

• PiNN
• Zeitreihenanalyse-/Prognose

Reinforcement learning

• Grundlagen
• Anwendung z.B. (mobile) Roboter

Embedded Hardware Implementation

• Jetson
• cNN enabled devices
• edge devices
• Framework

Projektarbeit

• Die Studierenden können beurteilen, ob neuronale Netze eine sinnvolle Methode für die Lösung eines Automatisierungsproblems sind.
• Sie kennen die grundlegende Funktionsweise eines neuronalen Netzwerks.
• Die Studierenden können einen standardisierten Workflow anwenden, um ein Automatisierungsproblem mit einem neuronalen Netz zu lösen.
• Die Studierenden können die entwickelten neuronalen Netze auf dezidierten Hardwareplattformen implementieren.

• Lineare Algebra (lalg1)
• Bildverarbeitung (bver)
• Labor Machine Learning (mIL)