Die Studierenden sollen Konzepteausgewählter Verfahren des Maschinellen Lernens verstehen und aufDatenbeispiele anwenden können. Studierende können geeignete Verfahren fürbereitgestellte Daten auswählen.
Die Studierenden können die Unterschiede zwischeninstanzenbasierten und modellbasierten Lernansätzen erläutern und spezifischeAnsätze des Maschinellen Lernens für jeden dieser beiden Ansätze auf der Basisvon statischen oder inkrementell anwachsenden Datenmengen anwenden. Bei derBehandlung von Unsicherheiten können die Studierenden beschreiben, wie Axiome,Parameter oder Strukturen automatisch anhand unterschiedlicher Algorithmengelernt werden können. Des Weiteren wird den Studierenden vermittelt, wie unterschiedliche Clustertechnikenentworfen werden können. Zudem können sie Rohdaten für Verfahren desMaschinellen Lernens aufbereiten.
Datenbereinigung,Skalierung der Daten, Datenselektion
ÜberwachtesLernen:
Regression
Entscheidungsbäume
Bayes’scheNetze
K-NächsteNachbarn
LogistischeRegression
NeuronaleNetze
SupportVector Machines
EnsembleLearning
UnüberwachtesLernen:
Hierarchische Clustering, K-Mean
Leistungsnachweis:
615 - Maschinelles Lernen in der Logistik<ul><li>615 - Maschinelles Lernen in der Logistik: Klausur schriftlich</li></ul><br>m1402 - Maschinelles Lernen in der Logistik<ul><li>p1327 - Maschinelles Lernen in der Logistik: Klausur schriftlich</li><li>vl353 - Freiwillige Studienleistung Maschinelles Lernen in der Logistik - Referat: Referat</li></ul>
ECTS-Kreditpunkte:
2
Weitere Informationen aus Stud.IP zu dieser Veranstaltung
Bahe, B. (2024). Nichtlineare Stabilitätsuntersuchungen in einem leistungselektronisch dominierten elektrischen Energiesystem.
completed
2024
Boehm, E. (2024). Einfluss des Netzäquivalents auf die Stabilität eines Netzes mit netzbildenden und netzfolgenden Umrichtern.
Helmich, L. M. (2024). Entwicklung und Simulation eines Effektivwertmodells für STATCOM-Anlagen mit neuartigen Regelstrategien für Pendeldämpfungen in PowerFactory.
Rüter, C. (2024). Einfluss der Netzstärke auf die Kleinsignalstabilität netzbildender Umrichter mit virtueller Oszillator-Regelung.
Schultheiß, J. (2024). Impedanzbasierte Stabilitätsanalyse zur Bewertung der Stabilitätsgrenzen von DC- und AC-Netzen.
2023
Chouiter, B. (2023). Dynamic Phasor Modelling and Comparison to Classical EMT Models.
Helmich, L. M. (2023). Entwicklung und Simulation einer Regelstrategie für die Pendeldämpfung durch STATCOM-Geräte.
Kamma, J. (2023). Umrichtermodellierung zur Repräsentation von Interaktionen im Sinne der Converter-Driven Stability.
Mißfeldt, C. (2023). Einfluss von Zeitverzögerungen auf die Converter-Driven Stability.
Rosenau, Y. (2023). Einfluss netzbildender Umrichter-Regelungsstrukturen auf die "Converter-Driven Stability".
2022
Kumar, M. (2022). Modellierung und Vergleich des Frequenzverhaltens dezentraler Anlagen mit netzbildenden Eigenschaften oder beigestellter Schwungmasse.
Lim, I. (2022). Modelling and Integration of a Hydrogen Storage Power Plant in the 10-Machine New-England Power System.
Rieckborn, N. (2022). Modellierung des Umwandlungsprozesses eines Wasserstoffspeicherkraftwerks.