252-0870-00L  Stochastics and Machine Learning

SemesterFrühjahrssemester 2024
DozierendeP. Cheridito, C. Cotrini Jimenez, A. Streich
Periodizitätjährlich wiederkehrende Veranstaltung
LehrspracheEnglisch



Lehrveranstaltungen

NummerTitelUmfangDozierende
252-0870-00 GStochastics and Machine Learning
Findet am Freitag Nachmittag im HG F 1 mit Videoübertragung ins HG F 3 statt.

Zusätzlich wird das Study Center angeboten: Mittwochs 18:15-20:00 ab der 3. Semesterwoche im ETA F 5, wo die Möglichkeit des betreuten Lernens angeboten wird. Im Study Center können Studierende Vorlesungsstoff vor- oder nachbereiten und Übungen lösen.
5 Std.
Do09:15-10:00ETA F 5 »
Fr08:15-10:00CAB G 11 »
08:15-10:00CAB G 61 »
08:15-10:00CHN C 14 »
08:15-10:00ML E 12 »
14:15-16:00HG F 1 »
14:15-16:00HG F 3 »
P. Cheridito, C. Cotrini Jimenez, A. Streich

Katalogdaten

KurzbeschreibungThis is an introduction to probability, statistics, and machine learning for students of mechanical engineering. We cover the fundamental concepts from probability theory, statistics and machine learning, with a focus on applications for mechanical engineering.
LernzielBasic notions of probability theory and statistics such as probability space, probability measure, random variables, expected value, variance, covariance, standard deviation, correlation, quantiles, conditional distributions, parameter estimation, statistical tests, linear regression

Learn the fundamentals of machine learning: training, testing, validation, model selection.

Learn essential Python libraries for machine learning: scikit-learn, pytorch, gym.

Understand the mathematical foundations of diverse ML algorithms: empirical risk minimization, bias-variance tradeoff, stochastic gradient descent, back propagation, Bellman equations.

Learn how to preprocess data for machine learning.

Acquire an overview of the trending applications of machine learning for mechanical engineering.
InhaltPart I: Stochastics

Probability space, probability measure, independence, conditional probabilities, Bayes’ theorem, random variables, probability mass functions, densities, distributions, expected value, variance, covariance, standard deviation, correlation, random vectors, multivariate distributions, law of large numbers, central limit theorem, descriptive statistics, histograms, box plots, empirical distributions, parameter estimation, statistical tests

Part II: Machine learning

Linear and logistic regression. Basic regression and classification with machine learning
Regularization and bias-variance tradeoff
Ensembles and unsupervised learning
Deep learning, neural networks, convolutional neural networks, and transformers
Autoencoders, GANs
Reinforcement learning, Markov decision processes, Q learning
SkriptSlides will be made available.
LiteraturL. Meier. Wahrscheinlichkeitsrechnung und Statistik: Eine Einführung für Verständnis, Intuition und Überblick. Springer, 2020
Link

J.A. Rice Mathematical Statistics and Data Analysis, Third Edition. Thomson, 2007.

C. Bishop. Pattern Recognition and Machine Learning. Springer 2007.

C. Bishop. Deep Learning - Foundations and Concepts. Springer 2024
Link

T. Hastie, R. Tibshirani, and J. Friedman. The Elements of Statistical
Learning: Data Mining, Inference, and Prediction; Second Edition. Springer, 2009.

Peter Norvig, Stuart Russell: Artificial Intelligence: A Modern Approach, Global 4th Edition. Pearson 2021
Voraussetzungen / BesonderesLinear algebra I & II
Analysis I & II
Informatik I & II
KompetenzenKompetenzen
Fachspezifische KompetenzenKonzepte und Theoriengeprüft
Verfahren und Technologiengefördert
Methodenspezifische KompetenzenAnalytische Kompetenzengeprüft
Entscheidungsfindunggefördert
Medien und digitale Technologiengefördert
Problemlösunggeprüft
Projektmanagementgefördert
Soziale KompetenzenKommunikationgefördert
Kooperation und Teamarbeitgefördert
Kundenorientierunggefördert
Menschenführung und Verantwortunggefördert
Sensibilität für Vielfalt gefördert
Persönliche KompetenzenAnpassung und Flexibilitätgefördert
Kreatives Denkengefördert
Kritisches Denkengeprüft
Integrität und Arbeitsethikgefördert
Selbstbewusstsein und Selbstreflexion gefördert
Selbststeuerung und Selbstmanagement gefördert

Leistungskontrolle

Information zur Leistungskontrolle (gültig bis die Lerneinheit neu gelesen wird)
Leistungskontrolle als Semesterkurs
Im Prüfungsblock fürBachelor-Studiengang Maschineningenieurwissenschaften 2022 (Prüfungsblock 2)
ECTS Kreditpunkte5 KP
PrüfendeC. Cotrini Jimenez, P. Cheridito, A. Streich
FormSessionsprüfung
PrüfungsspracheEnglisch
RepetitionDie Leistungskontrolle wird in jeder Session angeboten. Die Repetition ist ohne erneute Belegung der Lerneinheit möglich.
Prüfungsmodusschriftlich 120 Minuten
Zusatzinformation zum PrüfungsmodusThe exam takes place in a computer.

The practical projects are an integral part of the second part of the course (30 hours of work, 1 credit).

The final grade for the course will be calculated as a weighted average of the grade achieved in the written examination (70%) and the grade achieved in the practical projects (30%).
Hilfsmittel schriftlichTen single-sided A4 pages (or five double-sided A4 pages) of notes. There are no constraints regarding content and layout (text, images, single/double page, margins, font size, etc.). Electronic devices and digital documents are not allowed.
Online-PrüfungDie Prüfung kann am Computer stattfinden.
FernprüfungDas Ablegen als Fernprüfung ist nicht möglich.
Falls die Lerneinheit innerhalb eines Prüfungsblockes geprüft wird, werden die Kreditpunkte für den gesamten bestandenen Block erteilt.
Diese Angaben können noch zu Semesterbeginn aktualisiert werden; verbindlich sind die Angaben auf dem Prüfungsplan.

Lernmaterialien

Keine öffentlichen Lernmaterialien verfügbar.
Es werden nur die öffentlichen Lernmaterialien aufgeführt.

Gruppen

Keine Informationen zu Gruppen vorhanden.

Einschränkungen

Keine zusätzlichen Belegungseinschränkungen vorhanden.

Angeboten in

StudiengangBereichTyp
Maschineningenieurwissenschaften BachelorPrüfungsblock 2OInformation
Maschineningenieurwissenschaften MasterAuflagen-LerneinheitenE-Information