Rechnergestützte Intelligenz im Ingenieurwesen

  Zahnrad mit einer schmatischen Darstellung eines Gehirns mit einem neuronalem Netzwerk Urheberrecht: © IAM

Steckbrief

Eckdaten

Abschluss:
Master
Semester:
Wintersemester
Dozent:
Univ.-Prof. Dr.-Ing. Bernd Markert
Sprache:
Englisch

Weitere Informationen

Kontakt

Name

Bernd Markert

Institutsleiter, Rektoratsbeauftragter für Alumni

Telefon

work
+49 241 80 94600

E-Mail

E-Mail
 

Inhalt

Der Wahlkurs „Rechnergestützte Intelligenz im Ingenieurwesen“ richtet sich an Studierende der ingenieurwissenschaftlichen Masterstudiengänge der RWTH Aachen. Er soll einen Überblick über die aktuellen Anwendungen der rechnergestützten Intelligenz und Deep Learning im Rahmen des Ingenieurwesens bieten. Die erste Kurshälfte beschäftigt sich mit der theoretischen Einführung in das Thema des maschinellen Lernens im Ingenieurwesen und den Grundlagen des Programmierens in Python und Julia. In der zweiten Kurshälfte werden die Studierenden ihre erworbenen Kenntnisse in projektbasierten Lerneinheiten anwenden.


Themen

  • Zeitabhängige dynamische Prozesse aus Simulationen oder Experimenten
  • Datenerfassung und Datenverarbeitung
  • Algorithmen des maschinellen Lernens und Modelle aus neuronalen Netzen
  • Fortgeschrittene Architekturen neuronaler Netze
  • Projektspezifische technische Aufgabenstellungen
  • Grundlagen des Programmierens in Python und Julia für datengesteuerte Verfahren
 

Zusatzinformationen

Kursanforderungen

  • Programmierkenntnisse gewünscht (Python)

► Computerübungen werden durch Extraeinheiten und Tutorien zur Programmiersprache Python ergänzt

Kursziele

Die Studierenden erhalten einen Überblick über aktuelle Trends in der rechnergestützen Intelligenz (CI) und verstehen deren theoretische Grundlagen. Sie werden in der Lage sein, Methoden des maschinellen Lernens auf verschiedene technische Probleme anzuwenden. Die von den Studierenden erworbenen praktischen Kenntnisse ermöglichen es ihnen, ihr Wissen auf neue technische Anwendungen in Wissenschaft und Industrie zu übertragen. Ziel des Kurses ist es, die Studierenden dazu zu befähigen, die Vor- und Nachteile von KI-Methoden in realen technischen Anwendungen zu bewerten, z. B. in der Wartung, der Überwachung des Strukturzustands oder der Modellierung und Simulation in Industrie 4.0-Projekten.

Lehr- und Lernmethoden

Der Lehrplan besteht aus interaktiven Seminarvorlesungen, die von zwei Semesterprojekten begleitet werden. In den Seminarvorlesungen erhalten die Studierenden die notwendigen theoretischen Informationen und die Betreuung, um die Projekte in kleinen Gruppen selbständig zu planen, voranzutreiben und abzuschließen. Darüber hinaus bieten die Seminare die Möglichkeit, Herausforderungen und Probleme zu diskutieren, die sich im Laufe der Projekte ergeben. Abschließend werden die im Rahmen der studentischen Projekte erzielten Leistungen und Ergebnisse von den Studierenden im Rahmen der Seminare und der begleitenden Übungen im Computerlabor präsentiert.

Literaturauswahl

Goodfellow, I., Bengio, Y., Courville, A., 2016. Deep Learning. MIT Press.

Schölkopf, B., Smola, A.J., Scholkopf, M.D. of the M.P.I. for B.C. in T.G.P.B., Bach, F., 2002. Learning with Kernels: Support Vector Machines, Regularization, Optimization, and Beyond. MIT Press.

Keller, J.M., Liu, D., Fogel, D.B. , 2016. Fundamentals of Computational Intelligence. IEEE Press, Wiley.