KI-unterstützte Datenanalyse und Modellierung

KI-unterstützte Datenanalyse und Modellierung

Die KI-unterstützte Datenanalyse umfasst den Einsatz von KI-Techniken zur Verarbeitung, Analyse und Interpretation großer und komplexer Datensätze. Diese KI-Werkzeuge ermöglichen die Entdeckung verborgener Muster, die Erstellung genauer Vorhersagen und die Bereitstellung wertvoller Einblicke, die mit herkömmlichen statistischen Methoden oft schwer zu erkennen sind. Moderne Ingenieursdisziplinen stützen sich stark auf die Datenanalyse, um die Systemleistung zu verbessern, Kosten zu senken und innovative Lösungen zu entwickeln. Durch den Einsatz KI-basierter Techniken können Ingenieure historische Daten analysieren, zukünftige Ereignisse vorhersagen, Anomalien erkennen und das Verhalten von Systemen unter verschiedenen Bedingungen simulieren.

Verständnis von Datensätzen

Ein Datensatz ist eine strukturierte Sammlung von Datenpunkten oder Beobachtungen, die organisiert sind, um die Analyse zu erleichtern. Die Eigenschaften und die Struktur eines Datensatzes sind Schlüsselfaktoren für die Bestimmung der am besten geeigneten KI-Techniken zu seiner Verarbeitung. Das Verständnis dieser Eigenschaften ist entscheidend für eine effektive Datenanalyse, da die Beschaffenheit der Daten die Wahl der Methoden zur Vorverarbeitung, Merkmalsextraktion und Modellentwicklung direkt beeinflusst.

Strukturierte Datensätze

Strukturierte Datensätze sind in einem klar definierten Format organisiert, typischerweise in Zeilen und Spalten, ähnlich einer Tabelle oder einer Kalkulationstabelle. Jede Zeile stellt einen einzelnen Datenpunkt oder Datensatz dar, während jede Spalte einem spezifischen Merkmal oder einer Variablen entspricht. Dieses Format ermöglicht eine einfache Speicherung in relationalen Datenbanken und die unkomplizierte Anwendung von statistischen und maschinellen Lernalgorithmen.

Mathematisch kann ein strukturierter Datensatz als Matrix ${\textstyle \mathbf {X} \in \mathbb {R} ^{n\times p}}$ dargestellt werden, wobei:

• ${\textstyle n}$ die Anzahl der Datenpunkte (Beobachtungen) ist,
• ${\textstyle p}$ die Anzahl der Merkmale (Variablen) ist,
• ${\textstyle \mathbf {X} =[\mathbf {x} _{1}^{\top },\mathbf {x} _{2}^{\top },\dots ,\mathbf {x} _{n}^{\top }]^{\top }}$, wobei jede ${\textstyle \mathbf {x} _{i}^{\top }}$ eine einzelne Zeile (oder einen Datenpunkt) repräsentiert.
• Jeder Datenpunkt ${\textstyle \mathbf {x} _{i}=(x_{i1},x_{i2},\dots ,x_{ip})\in \mathbb {R} ^{p}}$ ist ein Merkmalsvektor, wobei ${\textstyle x_{ij}}$ den Wert des ${\textstyle j}$-ten Merkmals für die ${\textstyle i}$-te Beobachtung darstellt.

In dieser Matrix-Darstellung:

• ${\textstyle \mathbf {X} }$ ist eine ${\textstyle n\times p}$-Matrix, wobei ${\textstyle n}$ die Anzahl der Zeilen (Datenpunkte) und ${\textstyle p}$ die Anzahl der Spalten (Merkmale) ist.
• Jeder Zeilenvektor ${\textstyle \mathbf {x} _{i}^{\top }}$ repräsentiert eine einzelne Beobachtung, und die Werte in der Zeile entsprechen den Merkmalwerten dieser Beobachtung.
• Jede Spalte entspricht einem bestimmten Merkmal (oder einer Variablen), und jeder Eintrag ${\textstyle x_{ij}}$ in der Matrix gibt den Wert des ${\textstyle j}$-ten Merkmals für den ${\textstyle i}$-ten Datenpunkt an.

Diese Struktur eignet sich gut für die Anwendung traditioneller maschineller Lerntechniken, bei denen Algorithmen effizient auf diesen tabellarischen Datenrepräsentationen arbeiten können, um Aufgaben wie Klassifikation, Regression und Clustering durchzuführen.

Beispiel:

Ein Fertigungssystem zeichnet jede Sekunde Temperatur (${\textstyle T}$), Druck (${\textstyle P}$) und Durchflussrate (${\textstyle Q}$) über einen Zeitraum von 24 Stunden auf. Dies ergibt ${\textstyle n=86.400}$ Datenpunkte (da ${\textstyle 24\times 60\times 60=86.400}$ Sekunden) und ${\textstyle p=3}$ Merkmale (entsprechend ${\textstyle T}$, ${\textstyle P}$ und ${\textstyle Q}$). Der strukturierte Datensatz ${\textstyle \mathbf {X} \in \mathbb {R} ^{86.400\times 3}}$ kann analysiert werden, um die Leistung des Systems zu überwachen und Anomalien zu erkennen, sodass Ingenieure die Betriebssicherheit sicherstellen können.

Unstrukturierte Datensätze

Unstrukturierte Datensätze haben kein vordefiniertes Datenmodell oder keine klare Organisation, was die Analyse mit herkömmlichen Methoden erschwert. Beispiele hierfür sind Bilder, Audiodateien, Videos und Textdokumente. In der KI-Analyse werden unstrukturierte Daten häufig als hochdimensionale Arrays oder Tensoren dargestellt, um die Verarbeitung durch Algorithmen zu erleichtern, die für diese Datentypen entwickelt wurden.

Beispielsweise kann ein Bild als dreidimensionaler Tensor ${\textstyle \mathbf {I} \in \mathbb {R} ^{H\times W\times C}}$ dargestellt werden, wobei:

• ${\textstyle H}$ die Höhe (Anzahl der Pixel vertikal),
• ${\textstyle W}$ die Breite (Anzahl der Pixel horizontal),
• ${\textstyle C}$ die Anzahl der Kanäle ist (z. B. ${\textstyle C=3}$ für RGB-Bilder).

KI-Techniken wie Computer Vision und natürliche Sprachverarbeitung (NLP) werden häufig zur Analyse unstrukturierter Daten verwendet.

Beispiel:

Bilder, die von Qualitätskontrollkameras auf einer Produktionslinie erfasst werden, werden verwendet, um Defekte in Produkten zu erkennen. Jedes Bild ist ein unstrukturierter Datenpunkt, der als hochdimensionaler Tensor gespeichert ist. KI-Modelle wie Convolutional Neural Networks (CNNs) können diese Bilder verarbeiten, um automatisch Defekte zu erkennen.

Zeitreihen-Daten

Zeitreihen-Daten bestehen aus sequenziellen Beobachtungen, die über die Zeit gesammelt werden, wobei jeder Datenpunkt mit einem spezifischen Zeitstempel verknüpft ist. Diese Art von Daten ist in ingenieurtechnischen Anwendungen weit verbreitet, um Systeme, Prozesse oder Ausrüstungen im Laufe der Zeit zu überwachen (z. B. Sensordaten, Finanzdaten, Wetterdaten).

Mathematisch kann ein Zeitreihen-Datensatz wie folgt dargestellt werden:

$$\{(x_{t},t)\}_{t=1}^{T},$$

wobei:

• ${\textstyle x_{t}}$ die Beobachtung (die skalar- oder vektorwertig sein kann) zum Zeitpunkt ${\textstyle t}$ ist,
• ${\textstyle t}$ der Zeitstempel oder Zeitindex ist,
• ${\textstyle T}$ die Gesamtzahl der Zeitpunkte ist.

Zeitreihen-Daten zeigen häufig zeitliche Abhängigkeiten, bei denen aktuelle Beobachtungen von früheren Werten abhängen. KI-Modelle wie RNNs und LSTM-Netze sind darauf ausgelegt, diese Abhängigkeiten zu erfassen.

Beispiel:

Temperaturmessungen eines Chemie-Reaktors werden jede Minute über einen Zeitraum von 24 Stunden erfasst, was zu ${\textstyle T=1.440}$ Zeitpunkten führt (da ${\textstyle 24\times 60=1.440}$ Minuten). Der Datensatz ${\textstyle \{(T_{t},t)\}_{t=1}^{1.440}}$ kann analysiert werden, um Trends, saisonale Muster oder Anomalien im Betrieb des Reaktors zu erkennen.

Multidimensionale Daten

Multidimensionale (oder multivariate) Daten umfassen Beobachtungen mit mehreren Variablen oder Merkmalen für jeden Datenpunkt. Dies ist in ingenieurtechnischen Anwendungen weit verbreitet, bei denen gleichzeitig mehrere Messungen durchgeführt werden, um den Zustand eines komplexen Systems zu erfassen.

Ein multidimensionaler Datenpunkt wird als Merkmalsvektor dargestellt:

$$\mathbf {x} =(x_{1},x_{2},\dots ,x_{p})\in \mathbb {R} ^{p},$$

wobei ${\textstyle p}$ die Anzahl der Variablen oder Merkmale ist.

Beispiel:

In der Materialwissenschaft werden verschiedene Eigenschaften wie Dichte (${\textstyle \rho }$), Zugfestigkeit (${\textstyle \sigma }$), Wärmeleitfähigkeit (${\textstyle k}$) und elektrischer Widerstand (${\textstyle \rho _{e}}$) für verschiedene Materialien gemessen. Jedes Material ist ein Datenpunkt mit mehreren Merkmalen:

$$\mathbf {x} _{i}=(\rho _{i},\sigma _{i},k_{i},\rho _{e,i}),$$

wodurch ein multidimensionaler Datensatz entsteht, der analysiert werden kann, um Zusammenhänge zwischen den Eigenschaften zu entdecken.

Grundlegende Konzepte in der Datenanalyse

Eine effektive Datenanalyse erfordert ein umfassendes Verständnis der grundlegenden Konzepte, die die Basis KI-gestützter Methoden bilden. Diese Konzepte bestimmen, wie Daten strukturiert, verarbeitet und interpretiert werden und beeinflussen die Wahl der Techniken und Modelle.

Merkmale und Labels

In der KI und im maschinellen Lernen ist ein Merkmal (auch Attribut oder unabhängige Variable genannt) eine messbare Eigenschaft oder ein Charakteristikum, das als Eingabe für ein Modell verwendet wird. Merkmale werden durch ${\textstyle x}$ oder ${\textstyle \mathbf {x} }$ (wenn vektorwertig) bezeichnet. Ein Label (auch Zielvariable oder abhängige Variable genannt) ist die Ausgabewert, den das Modell vorhersagen soll. Labels werden durch ${\textstyle y}$ bezeichnet. Im überwachten Lernen besteht jeder Datenpunkt aus einem Merkmals-Label-Paar ${\textstyle (\mathbf {x} _{i},y_{i})}$.

Beispiel:

Um die Lebensdauer eines Maschinenteils vorherzusagen, könnten die Merkmale umfassen:

• Betriebsstunden (${\textstyle x_{1}}$),
• Lastbedingungen (${\textstyle x_{2}}$),
• Betriebstemperatur (${\textstyle x_{3}}$),
• Schwingungspegel (${\textstyle x_{4}}$).

Das Label ${\textstyle y}$ ist die tatsächliche Lebensdauer des Teils.

Datenvorverarbeitung

Die Datenvorverarbeitung ist der Prozess der Umwandlung roher Daten in ein für die Analyse geeignetes Format. Dies ist ein entscheidender Schritt, um die Qualität und Zuverlässigkeit der Ergebnisse sicherzustellen. Häufige Vorverarbeitungsschritte umfassen:

Normalisierung (Merkmals-Skalierung):

Die Normalisierung umfasst die Skalierung numerischer Merkmale auf einen gemeinsamen Bereich, typischerweise [0,1] oder [-1,1]. Dies ist wichtig, wenn Merkmale unterschiedliche Einheiten oder Skalen haben, um zu verhindern, dass Merkmale mit größeren Werten den Lernprozess dominieren.

Gängige Normalisierungsmethoden:

• Min-Max-Skalierung:
  $$x_{i}^{\text{skaliert}}={\frac {x_{i}-x_{\min }}{x_{\max }-x_{\min }}},$$
  wobei ${\textstyle x_{\min }}$ und ${\textstyle x_{\max }}$ die Minimal- und Maximalwerte des Merkmals ${\textstyle x}$ sind.
• Standardisierung (Z-Score-Normalisierung):
  $$x_{i}^{\text{standardisiert}}={\frac {x_{i}-\mu }{\sigma }},$$
  wobei ${\textstyle \mu }$ der Mittelwert und ${\textstyle \sigma }$ die Standardabweichung des Merkmals ${\textstyle x}$ ist.

Umgang mit fehlenden Daten:

Fehlende Daten können aus verschiedenen Gründen auftreten (z. B. Sensorausfälle, Datenfehler). Strategien zum Umgang mit fehlenden Daten umfassen:

• Löschung: Entfernen von Datenpunkten mit fehlenden Werten (kann zu Verlust von wertvollen Informationen führen, wenn viele Datenpunkte betroffen sind).
• Imputation: Schätzung fehlender Werte mithilfe von Methoden wie:
  • Mittelwert- oder Medianimputation,
  • Regressionsimputation,
  • k-Nächste-Nachbarn (k-NN) Imputation.

Ausreißererkennung:

Ausreißer sind Datenpunkte, die sich signifikant von den anderen unterscheiden. Sie können aufgrund von Messfehlern entstehen oder seltene Ereignisse darstellen. Die Erkennung und Behandlung von Ausreißern ist wichtig, um zu verhindern, dass diese die Analyse verzerren.

Häufige Methoden zur Ausreißererkennung:

• Statistische Methoden: Identifizieren von Datenpunkten, die mehr als eine bestimmte Anzahl von Standardabweichungen vom Mittelwert entfernt sind (z. B. mehr als 3 Standardabweichungen).
• Boxplots: Verwendung des Interquartilabstands (IQR) zur Identifizierung von Ausreißern:
  $${\text{Untergrenze}}=Q_{1}-1,5\times {\text{IQR}},$$
  $${\text{Obergrenze}}=Q_{3}+1,5\times {\text{IQR}},$$
  wobei ${\textstyle Q_{1}}$ und ${\textstyle Q_{3}}$ das erste und dritte Quartil sind und ${\textstyle {\text{IQR}}=Q_{3}-Q_{1}}$.

Mathematische Konzepte in der Datenanalyse

Mehrere mathematische Konzepte sind grundlegend für die KI-gestützte Datenanalyse. Das Verständnis dieser Konzepte hilft bei der Interpretation von Daten und der Entwicklung effektiver Modelle.

Mittelwert (Arithmetisches Mittel):

Der Mittelwert liefert ein Maß für die zentrale Tendenz und wird berechnet als:

$$\mu ={\frac {1}{n}}\sum _{k=1}^{n}x_{k},$$

wobei ${\textstyle x_{k}}$ die einzelnen Datenpunkte sind und ${\textstyle n}$ die Gesamtzahl der Datenpunkte ist.

Varianz und Standardabweichung:

Die Varianz misst die Streuung der Datenpunkte um den Mittelwert:

$$\sigma ^{2}={\frac {1}{n}}\sum _{k=1}^{n}(x_{k}-\mu )^{2}.$$

Die Standardabweichung ist die Quadratwurzel der Varianz:

$$\sigma ={\sqrt {\sigma ^{2}}}={\sqrt {{\frac {1}{n}}\sum _{k=1}^{n}(x_{k}-\mu )^{2}}}.$$

Eine höhere Standardabweichung zeigt eine größere Streuung in den Daten an.

Kovarianz und Korrelation:

Die Kovarianz zwischen zwei Variablen ${\textstyle x}$ und ${\textstyle y}$ misst, wie sie gemeinsam variieren:

$${\text{Cov}}(x,y)={\frac {1}{n}}\sum _{k=1}^{n}(x_{k}-\mu _{x})(y_{k}-\mu _{y}),$$

wobei ${\textstyle \mu _{x}}$ und ${\textstyle \mu _{y}}$ die Mittelwerte von ${\textstyle x}$ und ${\textstyle y}$ sind.
Der Korrelationskoeffizient ${\textstyle r}$ standardisiert die Kovarianz und liefert ein dimensionsloses Maß für die lineare Beziehung:

$$r={\frac {{\text{Cov}}(x,y)}{\sigma _{x}\sigma _{y}}},$$

wobei ${\textstyle \sigma _{x}}$ und ${\textstyle \sigma _{y}}$ die Standardabweichungen von ${\textstyle x}$ und ${\textstyle y}$ sind. Der Korrelationskoeffizient ${\textstyle r}$ liegt im Bereich von ${\textstyle -1}$ bis ${\textstyle +1}$.

Multiple lineare Regression:

Wenn es mehrere unabhängige Variablen (${\textstyle p}$ Merkmale) gibt, erweitert sich das Modell zu:

$$y=w_{0}+w_{1}x_{1}+w_{2}x_{2}+\dots +w_{p}x_{p}+\epsilon .$$

In Vektornotation kann dies geschrieben werden als:

$$y=w_{0}+\mathbf {w} ^{\top }\mathbf {x} +\epsilon ,$$

wobei:

• ${\textstyle \mathbf {x} ={\begin{bmatrix}x_{1}\\x_{2}\\\vdots \\x_{p}\end{bmatrix}}\in \mathbb {R} ^{p}}$ der Merkmalsvektor ist,
• ${\textstyle \mathbf {w} ={\begin{bmatrix}w_{1}\\w_{2}\\\vdots \\w_{p}\end{bmatrix}}\in \mathbb {R} ^{p}}$ der Gewichtungsvektor ist.

Inklusive des Schnittpunkts ${\textstyle w_{0}}$ wird die vorhergesagte Ausgabe ${\textstyle {\hat {y}}_{k}}$ für den ${\textstyle k}$-ten Datenpunkt:

$${\hat {y}}_{k}=w_{0}+\mathbf {w} ^{\top }\mathbf {x} _{k},$$

wobei ${\textstyle \mathbf {x} _{k}}$ der Merkmalsvektor für den ${\textstyle k}$-ten Datenpunkt ist.

In Matrixnotation für alle ${\textstyle n}$ Datenpunkte definieren wir:

$${\hat {\mathbf {y} }}=X\mathbf {w} ,$$

wobei:

• ${\textstyle {\hat {\mathbf {y} }}\in \mathbb {R} ^{n}}$ der Vektor der vorhergesagten Ausgaben ist,
• ${\textstyle X\in \mathbb {R} ^{n\times (p+1)}}$ die Designmatrix ist, definiert als:
  $$X={\begin{bmatrix}1&\mathbf {x} _{1}^{\top }\\1&\mathbf {x} _{2}^{\top }\\\vdots &\vdots \\1&\mathbf {x} _{n}^{\top }\\\end{bmatrix}},$$
  wobei jeder ${\textstyle \mathbf {x} _{k}^{\top }}$ ein Zeilenvektor von Merkmalen ist,
• ${\textstyle \mathbf {w} ={\begin{bmatrix}w_{0}\\w_{1}\\w_{2}\\\vdots \\w_{p}\end{bmatrix}}\in \mathbb {R} ^{p+1}}$ die Schnittstelle und Gewichte enthält.

Verborgene Markov-Modelle (HMMs) für Zeitreihendaten

Ein verstecktes Markov-Modell (HMM) ist ein statistisches Modell, das verwendet wird, um Systeme darzustellen, die als Markov-Prozess mit unobservierten (versteckten) Zuständen angenommen werden. HMMs sind besonders nützlich zur Modellierung von Zeitreihendaten, bei denen die beobachteten Daten von zugrunde liegenden versteckten Faktoren beeinflusst werden.

Ein HMM wird definiert durch:

• Eine Menge versteckter Zustände ${\textstyle {\mathcal {S}}=\{s_{1},s_{2},\dots ,s_{N}\}}$.
• Eine Anfangszustandsverteilung ${\textstyle {\boldsymbol {\pi }}=\{\pi _{k}\}}$, wobei ${\textstyle \pi _{k}=P(s_{1}=s_{k})}$.
• Eine Zustandsübergangswahrscheinlichkeitsmatrix ${\textstyle \mathbf {A} =[a_{kl}]}$, wobei ${\textstyle a_{kl}=P(s_{t+1}=s_{l}\mid s_{t}=s_{k})}$.
• Eine Emissionswahrscheinlichkeitsverteilung ${\textstyle \mathbf {B} =\{b_{k}(o)\}}$, wobei ${\textstyle b_{k}(o_{t})=P(o_{t}\mid s_{t}=s_{k})}$ und ${\textstyle o_{t}}$ die beobachteten Daten zum Zeitpunkt ${\textstyle t}$ sind.

Zentrale Probleme, die mit HMMs behandelt werden:

1. Evaluierungsproblem: Gegeben die Modellparameter ${\textstyle ({\boldsymbol {\pi }},\mathbf {A} ,\mathbf {B} )}$ und eine Folge von Beobachtungen ${\textstyle \mathbf {O} =(o_{1},o_{2},\dots ,o_{T})}$, berechne die Wahrscheinlichkeit der Beobachtungsfolge ${\textstyle P(\mathbf {O} \mid {\text{Modell}})}$. Dies wird mit dem Vorwärtsalgorithmus gelöst.
2. Dekodierungsproblem: Gegeben die Beobachtungen ${\textstyle \mathbf {O} }$ und das Modell, finde die wahrscheinlichste Folge versteckter Zustände ${\textstyle \mathbf {S} =(s_{1},s_{2},\dots ,s_{T})}$. Dies wird mit dem Viterbi-Algorithmus gelöst.
3. Lernproblem: Gegeben die Beobachtungen ${\textstyle \mathbf {O} }$, schätze die Modellparameter ${\textstyle ({\boldsymbol {\pi }},\mathbf {A} ,\mathbf {B} )}$, die ${\textstyle P(\mathbf {O} \mid {\text{Modell}})}$ maximieren. Dies wird mit dem Baum-Welch-Algorithmus (einer Instanz des Erwartungs-Maximierungsalgorithmus) gelöst.

Beispiel:

Bei der Fehlererkennung von Maschinen könnten die beobachtbaren Daten ${\textstyle o_{t}}$ Sensormessungen (z. B. Vibrationen, Temperaturen) sein, während die versteckten Zustände ${\textstyle s_{t}}$ den Gesundheitszustand der Maschine darstellen (z. B. normaler Betrieb, kleiner Fehler, großer Fehler). Durch die Modellierung des Systems als HMM können Ingenieure die wahrscheinlichste Gesundheitszustandsfolge über die Zeit ableiten und potenzielle Ausfälle vorhersagen.

Schlussfolgerung

Die KI-unterstützte Datenanalyse und Modellierung bietet leistungsstarke Werkzeuge für Ingenieure, um bedeutungsvolle Einblicke aus großen und komplexen Datensätzen zu gewinnen. Durch den Einsatz von KI-Techniken wie maschinellem Lernen, Deep Learning und Zeitreihenanalyse können Ingenieure:

• Informierte Entscheidungen basierend auf datengestützten Erkenntnissen treffen.
• Prozesse optimieren und die Systemleistung verbessern.
• Das Systemverhalten und potenzielle Ausfälle mit größerer Genauigkeit vorhersagen.
• Verborgene Muster und Beziehungen aufdecken, die sonst unbemerkt bleiben könnten.

Das Verständnis der in der Ingenieurpraxis auftretenden Datentypen und der geeigneten KI-Techniken zu ihrer Analyse ist von entscheidender Bedeutung. Da KI weiterhin fortschreitet und in die Ingenieurpraktiken integriert wird, wird die Beherrschung der KI-gestützten Datenanalyse zu einer entscheidenden Fähigkeit für moderne Ingenieure.

Wichtige Erkenntnisse

• Datensatztypen: Verschiedene Datensatztypen erkennen—strukturierte, unstrukturierte, Zeitreihen- und multidimensionale—und verstehen, wie sie mathematisch dargestellt werden.
• Datenvorverarbeitung: Die Bedeutung von Datenvorverarbeitungsschritten, einschließlich Normalisierung, Umgang mit fehlenden Daten und Ausreißererkennung, schätzen, um eine qualitativ hochwertige Analyse sicherzustellen.
• Mathematische Grundlagen: Ein starkes Verständnis grundlegender mathematischer Konzepte wie Mittelwert, Varianz, Standardabweichung, Kovarianz, Korrelation und Regression entwickeln.
• Lineare Regressionsmodellierung: Verstehen, wie lineare Regressionsmodelle formuliert, geschätzt und in ingenieurtechnischen Kontexten angewendet werden.
• Verborgene Markov-Modelle: Lernen, wie HMMs verwendet werden, um Zeitreihendaten mit versteckten Zuständen zu modellieren, und sich mit zentralen Algorithmen wie dem Vorwärts- und Viterbi-Algorithmus vertraut machen.
• Techniken des maschinellen Lernens: Unterschiede zwischen überwachtem und unüberwachtem Lernen erkennen und die Rolle des Deep Learning bei der Analyse komplexer Daten erkennen.
• Anwendung von KI in der Ingenieurwissenschaft: Erkennen, wie KI-Techniken in realen ingenieurtechnischen Problemen angewendet werden, um die Entscheidungsfindung, Effizienz und Innovation zu verbessern.

Vorschläge für das Selbststudium

• Praktische Implementierung: Wenden Sie die erlernten Konzepte an, indem Sie an praktischen Projekten arbeiten, wie z. B. dem Aufbau eines Regressionsmodells mit echten Datensätzen oder der Implementierung eines einfachen neuronalen Netzwerks.
• Mathematische Übungen: Lösen Sie Probleme, die Berechnungen von Mittelwert, Varianz, Kovarianz und Korrelation beinhalten, um Ihr mathematisches Fundament zu festigen.
• Algorithmen erkunden: Studieren und implementieren Sie Algorithmen wie die Vorwärts- und Viterbi-Algorithmen für HMMs oder den Gradientenabstieg für die lineare Regression.
• Techniken zur Datenvorverarbeitung: Üben Sie die Datenvorverarbeitung an Rohdatensätzen, um fehlende Werte und Ausreißer zu behandeln und Normalisierung durchzuführen.