Machine Learning 4 Engineers: Regression

Mechatronik, Master (PO-2023)

Modulnummer / Modulcode WP-ME-MA-28
Modulname Machine Learning 4 Engineers: Regression
Art des Moduls Wahlpflicht
Lernergebnisse, Kompetenzen, Qualifikationsziele

The students acquired fundamental knowledge of machine learning/ statistical methods for addressing various types of regression problems. They know the key terminology and concepts and are enabled to self-reliantly read the respective technical and scientific texts and apply their knowledge. The students can systematically develop solutions for different types of regression problems encountered in engineering. 
Lehrveranstaltungsarten VLmP 2 SWS
Lehrinhalte
  • Introduction to machine learning
  • Linear and polynomial parametric regression
  • Linear model selection and regularization
  • Resampling methods
  • Non-parametric regression
  • Bayesian methods
  • Deep neural networks
  • Ensemble learning
Titel der Lehrveranstaltungen Machine learning 4 Engineers: Regression
Lehr- und Lernmethoden (Lehr- und Lernformen) Lecture/presentation, computational exercises/computer lab
Verwendbarkeit des Moduls
Dauer des Moduls Ein Semester
Häufigkeit des Angebotes jährlich im Sommersemester
Sprache Englisch
Empfohlene (inhaltliche) Voraussetzungen für die Teilnahme am Modul Higher Mathematics for Engineers
Voraussetzungen für die Teilnahme am Modul
Studentischer Arbeitsaufwand 2 SWS VL (30 Std.) Selbststudium (60 Std.)
Studienleistungen
Voraussetzung für Zulassung zur Prüfungsleistung
Prüfungsleistungen Oral examination 30 Min.
Anzahl Credits (ECTS) 3 cp
Lehreinheit Maschinenbau
Modulverantwortliche/r Prof. Dr.-Ing. A. Kroll
Lehrende Prof. Dr.-Ing. A. Kroll
Medienformen Slides/presentation, text books, computer exercises
Literatur
  • I. Goodfellow, Y. Bengio, A. Courville, Deep Learning, MIT Press, 2016.
  • T. Hastie, R. Tibshirani, J. Friedman, The Elements of Statistical Learning: Data Mining, Inference, and Prediction, 2nd edition, Springer, 2009 (corrected reprint 2017).
  • G. James, D. Witten, T. Hastie, R. Tibshirani, An Introduction to Statistical Learning: with Applications in R., 2nd edition, Springer, 2021.
  • A. Lindholm, N. Wahlström, F. Lindsten, T. B. Schön, Machine learning: A First Course for Engineers and Scientists, Cambridge University Press, 2022.
  • P. Murphy, Machine Learning: A Probabilistic Perspective, The MIT Press, 2012.
  • C.E. Rasmussen, C.K.E. Williams: Gaussian processes for machine learning, The MIT Press, 2006.

Additional specific references are provided in the respective modules.