Übersicht

Im Modul "Maschinelles Lernen in der Logistik" werden die Studenten zunächst in eine Auswahl von Methoden des Maschinellen Lernens eingeführt. Dies passiert in der Vorlesung "Grundlagen des maschinellen Lernens" des Instituts für Software-Systeme. Im zweiten Teil des Semesters wird in der Vorlesung "Digitalisierung in Verkehr und Logistik" der Schritt in die Fachdomäne vollzogen. Vorlesungsbegleitend findet über das gesamte Semester die Übung "Maschinelles Lernen in der Logistik" statt. Hier werden Jupyter Notebooks eingesetzt, um den Studierenden die optimale Voraussetzung zur Datenexploration zu bieten.

Vorlesung Grundlagen des maschinellen Lernens

Die Studierenden sollen Konzepte ausgewählter Verfahren des Maschinellen Lernens verstehen und auf Datenbeispiele anwenden können. Studierende können geeignete Verfahren für bereitgestellte Daten auswählen.

Die Studierenden können die Unterschiede zwischen instanzenbasierten und modellbasierten Lernansätzen erläutern und spezifische Ansätze des Maschinellen Lernens für jeden dieser beiden Ansätze anwenden. Bei der Behandlung von Unsicherheiten können die Studierenden beschreiben, wie Parameter oder Strukturen automatisch anhand unterschiedlicher Algorithmen gelernt werden können. Des Weiteren wird den Studierenden vermittelt, wie unterschiedliche Clustertechniken entworfen werden können. Zudem können sie Rohdaten für Verfahren des Maschinellen Lernens aufbereiten.

Inhalte

• Regression

• Decision trees

• K-Nearest-Neighbor

• Neuronal Networks

• Support Vector Machines

• Bayesian Networks

• Hidden Markov Models

• Clustering

• Ensemble Learning

Vorlesung Digitalisierung in Verkehr und Logistik

Thema der Vorlesung ist die quantitative Analyse verschiedenartiger Daten, die im Bereich Verkehr und Logistik auftreten. Hierbei wird der Fokus auf Probleme der maritimen Logistik liegen. Die Studierenden sollen befähigt werden, die erlernten Methoden bzgl. ihrer Nutzbarkeit in konkreten unternehmensrelevanten Kontexten zu bewerten und dazu Anforderungen und Potentiale einer effektiven Anwendung zu kennen bzw. ableiten zu können; beispielsweise bezogen auf Data-Mining Ansätze für das Controlling oder Forecasting-Ansätze für die betriebliche Planung von Unternehmen.

Inhalte

• Maschinelles Lernen in der Wissenschaft und der Industrie

• Zeitreihen

• Bewegungsdaten

• Feature Engineering

• Anomalie-Detektion

Übung Maschinelles Lernen in der Logistik