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
Semesterbegleitend findet eine Übung statt, die zuerst von den Dozenten des ersten, dann des zweiten Moduls betreut wird und sich auf die Vorlesungsinhalte der jeweiligen Woche bezieht.
Pre-requisites:
Keine
Performance accreditation:
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>
Kumar, Melvin (2024). Automatische Erstellung von Simulationsmodellen für die Untersuchung der Auswirkung einer Netzaggregation auf die Kurschlusseigenschaften eines Netzes.
beendete
2024
Helmich, L. M. (2024). Entwicklung und Simulation eines Effektivwertmodells für STATCOM-Anlagen mit neuartigen Regelstrategien für Pendeldämpfungen in PowerFactory.
2023
Engemann, T. (2023). Nachbildung des Betriebsverhaltens einer Windkraftanlage in einer Laborumgebung.
Helmich, L. M. (2023). Entwicklung und Simulation einer Regelstrategie für die Pendeldämpfung durch STATCOM-Geräte.
Heunda, J. (2023). Dynamische Lastmodellierung zur adaptiven Schutzparametrierung in elektrischen Verteilnetzen.
Hube, P. (2023). Quantitative Bewertung des Mehrwerts einer adaptiven gegenüber einer konventionellen Netzschutzparametrierung.
Hube, P. (2023). Modellierung und Analyse des Kurzschlussverhaltens von Typ 4 umrichtergekoppelten Windkraftanlagen.
Kock am Brink, J. (2023). Vergleich von Spannungsstabilitätskennzahlen und deren Eignung als Resilienzindex.
Stoffregen, J. F. (2023). Implementierung und Simulation eines Testnetzes für die Mehrwertbetrachtung eines adaptiven Netzschutzes.
2022
Hillebrecht, T. (2022). Entwicklung und Implementierung eines Verfahrens zur Online-Detektion von Spannungsin-stabilitäten in gekoppelten Energiesystemen.
Schill, G. (2022). Untersuchung von Störungskaskaden in sektorengekoppelten Energiesystemen mittels einer Resilienzkennzahl.
2021
Ducci, D. (2021). Untersuchung der Bereitstellung von Regelleistung durch virtuelle Kraftwerke in sektorengekoppelten Energiesystemen.
Gomez Anccas, E. D. (2021). Entwicklung einer Methodik zur quantitativen Untersuchung und Bewertung dynamischer Interaktionen in gekoppelten Energiesystemen.
2020
Dressel, M. (2020). Untersuchung von spannungsstabilitätsbedingten Resilienzveränderungen im norddeutschen Energiesystem.
Gomez Anccas, E. D. (2020). Entwicklung eines Testmodells zur Untersuchung dynamischer Interaktionen in gekoppelten Energiesystemen.
Luo, K. (2020). Untersuchung der Auswirkungen des Netzentwicklungsplans 2025 auf die Netztopologie in Norddeutschland.
2019
Bredenberg, H. (2019). Optimierungssystem zur Netzplanung für die Mittelspannungsebene unter Berücksichtigung möglicher Entwicklungsszenarien.
Faili, Z. (2019). Analysis of the Voltage Stability in the Northern German Electrical Grid with Dynamic Simulation.
Häbel, I. (2019). Aggregation von Netzdaten für die numerisch effiziente Simulation gekoppelter Energiesysteme.
Krupp, M. (2019). Entwicklung und Integration eines Simulationsmodells für vermaschte Mehrpunkt-HGÜ-Systeme im Rahmen der Power System Toolbox.
2018
Dressel, M. (2018). Entwicklung und Integration eines Testnetzes zur Nachbildung des elektrischen Energiesystems von Nordeutschland für die Simuation energietechnischer Szenarien.