Wie können unbekannte funktionale, nichtlineare und hochdimensionale Zusammenhänge automatisch aus Daten gelernt werden? In diesem Seminar erlernen Sie die Grundlagen Bayesscher Verfahren zur Schätzung unbekannter Parameter und Funktionen aus experimentellen Daten sowie die nötigen Fähigkeiten zu deren Anwendung in der Praxis. Sowohl klassische Parameterschätzverfahren als auch moderne Methoden des Maschinellen Lernens mittels Gaußprozessen werden behandelt.

hochdimensionale nichtlineare Datenbasierte Modelle

Die Bestimmung unbekannter Parameter und Zusammenhänge ist ein ständiges Problem in der Praxis. In diesem Seminar erlernen Sie klassische und moderne Verfahren für die Schätzung unbekannter Parameter und funktionaler Zusammenhänge.

Die Arbeitsweise eines komplexen Systems (z.B. Motor) ist abhängig von einer Vielzahl von Bedingungen. Die physikalische Modellierung fällt hier oft schwer oder ist nicht genau genug (z.B. für Diagnose). Dieses Seminar geht darauf ein, wie solche Zusammenhänge mittels Messdaten ermittelt werden können.

Kern des Seminars sind Bayessche Verfahren. Diese erlauben die Schätzung unbekannter Größen durch eine systematische Kombination von Vorwissen (z.B. aus physikalischen Grundzusammenhängen) und experimentellen Daten. Ausgehend von den wesentlichen Grundregeln der Wahrscheinlichkeitsrechnung wird ein einheitliches Framework entwickelt, mit dem man sowohl feste, aber unbekannte Parameter, als auch ganze Funktionen aus Daten lernen kann. Das Seminar behandelt sowohl klassische Verfahren (z.B. Parameterschätzung, lineare Regression) als auch aktuelle Methoden des maschinellen Lernens (z.B. Gauß-Prozess-Regression).

Neben der Vermittlung wesentlicher Grundlagen und wichtiger Methoden werden in diesem Seminar die gelernten Algorithmen in gezielten Übungen selbst von den Teilnehmern umgesetzt.

Was Sie lernen

  • Praxiswissen: Relevante Methoden und Algorithmen zur Schätzung von Parametern und Funktionen; zum Beispiel: Bayessche Parameterschätzung, Least-Squares, lineare und nichtlineare parametrische Regression, nichtparametrische Regression mit Gauß-Prozessen; systematische Kombination von Vorwissen und Daten.
  • Methodik: Grundlagen und Anknüpfung an aktuelle Forschung im Bereich des Maschinellen Lernens mit Gauß-Prozessen.

Zielgruppe

  • Fachexperten und Funktionsentwickler, die verantwortlich Regelalgorithmen entwerfen und/oder implementieren.
  • Projektleiter und Gruppenleiter, die inhaltlich Verantwortung tragen und Regelverfahren detailliert beurteilen müssen.

Über den Dozenten

Dr. Sebastian Trimpe ist Max-Planck-Forschungsgruppenleiter am Max-Planck-Institut für Intelligente Systeme in Stuttgart, wo er die Forschungsgruppe „Intelligent Control Systems“ (Intelligente Regelungssysteme) leitet. Dr. Trimpe forscht an der Schnittstelle zwischen Regelungstechnik und Maschinellem Lernen und damit an wesentlichen Grundlagen zukünftiger intelligenter Systeme. Im Rahmen der Cyber Valley Initiative arbeitet er zudem eng mit führenden Technologieunternehmen zusammen.

Themenschwerpunkte

Dieses Seminar besteht aus vier Teilen, die in drei Tagen behandelt werden:

Teil 1: Parameterschätzung
  • Problemstellung: Parameterschätzung („Lernen unbekannter Parameter aus Daten“)
  • Wesentliches in Wahrscheinlichkeitsrechnung
  • Bayessches Gesetz als Grundlage für Kombination von Vorwissen und Daten
  • Bayessche Schätzung
  • Schätzverfahren: Maximum-Likelihood, Maximum-AposterioriAusblick: zeitlich veränderliche Parameter
Teil 2: Klassische Regression
  • Problemstellung: Regression („Lernen einer Funktion aus Daten“)
  • Lineare Regression
  • Regression mit nichtlinearen Basisfunktionen
Teil 3: Klassische Regression
  • Von parametrischer zu nichtparametrischer Regression („Kernel trick“)
  • Verfahren der Gauß-Prozess-Regression
  • Anwenderentscheidungen: Kernel, Hyperparameter, usw.
Teil 4: Anwendungsbeispiele

Termin: nach Absprache, 3 Tage

Ort: Inhouse oder Campus Uni Stuttgart (Stuttgart-Vaihingen)

Benötigt: Laptop mit Python sowie Grundwissen in Python

Vorwissen: Basiswissen der Wahrscheinlichkeitsrechnung

Kosten: 1950 € p.P.

Dozent: Dr.-Ing. Sebastian Trimpe, Cyber Valley

Bitte beachten Sie unsere Hinweise zur Adminstration von Seminaren.

Noch Fragen? Kontaktieren Sie uns.

Dieter Schwarzmann
Tel: +49 1515 6026850

Seminar Vormerken



Die von Ihnen zur Verfügung gestellten Angaben werden zur Bearbeitung Ihres Anliegens und Beantwortung Ihrer Anfrage gespeichert. Daten werden nicht an Dritte weitergegeben. Datenschutzerklärung
Durch das Anklicken der Box akzeptieren Sie diese Nutzungsbedingungen.

Noch Fragen? Kontaktieren Sie uns.

Dieter Schwarzmann
Tel: +49 1515 6026850

Menü schließen
×
×

Warenkorb