Scientific Machine Learning

Qualifikationsziel

In diesem Kurs erhalten die Studierenden eine umfassende Einführung in die Techniken des maschinellen Lernens und erlangen die Fähigkeit, komplexe probabilistische Modelle unter Verwendung der Summen- und Produktregeln der Wahrscheinlichkeit zu formulieren und zu lösen. Durch die in diesem Kurs erworbenen Techniken des maschinellen Lernens erlangen die Studenten die Fähigkeit, Modelle in der Konstruktionsoptimierung zu generieren, die es ihnen ermöglichen, die Lösungen automatisch und effizient zu erkunden, indem sie die im Lernprozess gewonnenen Unsicherheiten ausnutzen. Darüber hinaus können durch die in diesem Kurs erlernten maschinellen Lerntechniken auch Vorverarbeitungen wie die Merkmalsextraktion durchgeführt werden, die in der Bilderkennungstechnik häufig eingesetzt wird. Diese tragen zur Problemvereinfachung und Kosteneffizienz bei ingenieurtechnischen Problemen im Allgemeinen bei und ermöglichen auch die automatische Mustergenerierung, also das Konstruieren neuer Bilder im obigen Beispiel. Darüber hinaus wird sie bei wissenschaftlichen Problemen als Schlüsseltechnologie eingesetzt, um wesentliche physikalische Größen aufzudecken. Insgesamt werden die Studenten durch die globale Betrachtung und Vereinheitlichung der Wahrscheinlichkeitstheorie aus der Bayes'schen Perspektive in die Lage versetzt, probabilistische Modelle aktiv zu formulieren und geeignete Ansätze des maschinellen Lernens für jede Problemstellung zu erwerben. Der Kurs beinhaltet praktische Übungen mit Computerprogrammen.