Maschinelles Lernen für die Ingenieurwissenschaften

Maschinelles Lernen und künstliche Intelligenz sind omnipräsente Begriffe zur Verbesserung von technischen Prozessen. Die praktische Umsetzung an realen Problemen gestaltet sich aber oft schwierig und komplex.

Dieses Lehrbuch erklärt Lernverfahren anhand von analytischen Konzepten im Zusammenspiel mit vollständigen Programmierbeispielen in Python und bezieht sich auf dabei stets auf reale technische Anwendungsszenarien. Es zeigt den Einsatz physikalisch-informierter Lernstrategien, die Einbeziehung von Unsicherheit in die Modellierung und den Aufbau von erklärbarer, vertrauenswürdiger künstlicher Intelligenz mit Hilfe spezialisierter Datenbanken.

Dieses Lehrbuch richtet sich somit sowohl an Studierende der Ingenieurswissenschaften, Naturwissenschaft, Medizin und Betriebswirtschaft als auch an Anwender aus der Industrie (vor allem Data Scientists), Entwickler*innen von Expertendatenbanken und Softwareentwickler*innen.

1Einführung in die Arbeit mit Daten. - 2. Daten als Stochastischer Prozess. - 3. Explorative Analyse (Säubern von Daten, Histogramme, Hauptkomponentenanalyse, Mathematische Transformationen). - 4. Grundlagen überwachter und unüberwachter Lernverfahren. - 5. Physikalisch-Informierte Lernverfahren (Optimierungsmethoden der Datenvorverarbeitung, Integration von transformativ-angereicherten Daten, Integration von mathematischen Modellen). - 6. Stochastische Lernverfahren (Mixture-Density Netze, Kredale Netze). - 7. Semantische Datenbanken. - 8. Erklärbare, vertrauenswürdige künstliche Intelligenz.