Das ReMech-Labor bietet ab dem Sommersemester 2021 das Wahlpflichtmodul Machine Learning für Studierende des Masterstudiengangs Maschinenbau / Smart Systems der Fakultät 09 an. Das Modulkonzept wurde von Prof. Dr.-Ing. Mohieddine Jelali in Zusammenarbeit mit den Mitarbeitern Dr. Loui Al-Shrouf und Tolga Bastürk ausgearbeitet, um interessierten Studierenden die Möglichkeit zu bieten, sich in die Entwicklung und Applikation von modernen Technologien im Bereich des maschinellen Lernens einzuarbeiten. Zu diesem Zweck wird die Lehre in Form eines seminaristischen Unterrichts bestehend aus einzelnen Theorie- und Praxisphasen angeboten. Die Studierenden bearbeiten im Rahmen der Lehrveranstaltung unterschiedliche Projekte, um ihre Kenntnisse in den Bereichen

    • Softwareentwicklung in Python,
    • Applikation von State-of-the-Art Tools (u. A. Jupyter Notebook, Pandas und Scikit-Learn),
    • Aufbereitung, Analyse und Exploration von strukturierten Datensätzen sowie
    • Auswahl, Training und Analyse von maschinellen Lernverfahren

zu vertiefen. Dabei werden sie fortlaufend vom Lehrpersonal gecoacht und beraten.  Dabei wird der Learning Outcome gemäß Modulhandbuch wie folgt definiert:

„Die Studierenden können ML-Methoden implementieren und/oder aus geeigneten Bibliotheken auswählen, damit Daten mit Hilfe des Computers analysieren und visualisieren sowie für verschiedene Zwecke und Anwendungsgebiete Vorhersagen machen, indem sie die wichtigsten fortschrittlichen ML-Methoden und die zugehörigen Algorithmen kennen, verstehen und anwenden, um später den Zustand von Maschinen und Anlagen zu überwachen und zu optimieren, anbahnende Fehler zu erkennen und zu antizipieren.“ 

Was bedeutet maschinelles Lernen?

Maschinelles Lernen ist ein Teilgebiet der künstlichen Intelligenz. Der Kerngedanke des maschinellen Lernens besteht darin, Systeme in die Lage zu versetzen, automatisiert aus Erfahrungen in Form von Daten zu lernen und sich eigenständig zur Umsetzung einer definierten Aufgabenstellung unter Beachtung von festgelegten Gütekriterien zu verbessern. Zu diesem Zweck werden Algorithmen eingesetzt, die im Rahmen eines Trainingsprozesses Muster und Korrelationen in Datensätzen erlernen. Die trainierten Algorithmen werden im Anschluss für die Analyse von neuen (unbekannten) Datensätzen eingesetzt. Dabei wird das Ziel verfolgt, den inneren Zusammenhang der Trainingsdaten zu abstrahieren und zu generalisieren, so dass dieser zur Erfüllung einer festgelegten Aufgabenstellung auf neue Daten übertragen werden kann.

Einsatzgebiete des maschinellen Lernens

Maschinelles Lernen gilt als eines der Schlüsseltechnologien zur Effizienzsteigerung und Kostensenkung von unterschiedlichen Prozessen, die bspw. in der Industrie oder in der Medizin Anwendung finden. Infolgedessen werden maschinelle Lernverfahren gegenwärtig in nahezu allen Branchen eingesetzt. Beispiele für die Anwendung des maschinellen Lernens sind:

    • die medizinische Diagnose (z.B. Detektion von bösartigen Tumoren),
    • die Identifikation von Personen (z.B. Analyse von biometrischen Merkmalen),
    • die Videoüberwachung (z.B. Analyse von Bewegungen und Detektion bestimmter Aktivitäten),
    • die vorausschauende Wartung von industriellen Anlagen,
    • die Analyse von Datenströmen (z.B. Anomalieerkennung in Transaktionsdaten) oder
    • die dynamische Preisgestaltung von Handelswaren zur Umsatzmaximierung.