Kognitive Systeme

• Grundbegriffe der menschlichen Kognition von Perzeption über Planung, Entscheidungsfindung und Aufgabenausführung
• Möglichkeiten der Übertragung kognitiver Fähigkeiten auf technische Systeme
• Verstehen von Eigenschaften kognitiver Systeme: Trainierbarkeit, Generalisierungsfähigkeit, Reproduzierbarkeit
• Fokus auf und Vertiefung in spezifische Aspekte des Machine Learning und Deep Learning
• Motivation verschiedener Algorithmen durch deren biologische/kognitive Grundlagen
• Validierung von Machine Learning Modellen: Signalentdeckungstheorie als kognitive Grundlage einer Confusion Matrix und von ROC Kurven
• Aufbau und Eigenschaften verschiedener Arten lernfähiger Systeme: Varianten künstlicher neuronaler Netze (z.B. CNN, RNN, LSTM, Auto-Encoder, GANs), Reinforcement Learning, Matrix Factorization, usw.
• Verständnis von Algorithmen zum Trainieren lernfähiger Strukturen: z.B. Gradientenabstieg, Back-Propagation
• Verbesserung des Trainings durch künstliche Augmentierung von Trainingsdaten
• Verständnis typischer Probleme bei Training und Betrieb kognitiver Systeme: Overfitting, Erklärbarkeit des erlernten Verhaltens
• Anwendung technisch repräsentierter kognitiver Eigenschaften in verschiedenen Disziplinen

Das Arbeitsmedium ist die Programmiersprache Python und JupyterLab/JupyterNotebook. In Python kann sich in den ersten Wochen der Veranstaltung mittels Tutorials eingearbeitet werden und weiteres Python-Wissen wird on-the-fly parallel zu den inhaltlichen Themen vermittelt.

Die Module “Data Analytics”, “Predictive Maintenance” und “Kognitive Systeme” vermitteln jeweils sich ergänzende Inhalte. Somit können sowohl einzelne, als auch mehrere dieser Module besucht werden.

Nach erfolgreichem Absolvieren des Teilmoduls sind die Studierenden in der Lage,

Fachkompetenz
• Lösungen zu ingenieurwissenschaftlichen Problemen durch den Einsatz kognitiver Systeme zu analysieren, zu abstrahieren und zu modularisieren (2)
• Trainings- und Testdaten zu erzeugen, zu labeln und zu augmentieren (2)
• vorliegende Trainings- und Testdaten hinsichtlich Nutzbarkeit für gegebene Trainingsaufgaben zu bewerten (2)
• lernfähige Strukturen und passende Trainingsalgorithmen aufgabenbezogen auszuwählen, zu trainieren und zu testen (2)
• die Performanz von Machine Learning Modellen im Trainings- und Produktivbetrieb anhand gegebener Kennzahlen aufgabenspezifisch zu bewerten (2)
• Machine Learning und Deep Learning als eigene Schicht in bestehende Planungs-, Steuerungs- und Regelungssysteme zu implementieren (1)
• existierende Hard- und Software-Werkzeuge – insbesondere Python – für Design und Training zu nutzen (2)

Persönliche Kompetenz
• textuell oder/und graphisch spezifizierte Anforderungen an kognitive Systeme zu verstehen und anforderungsgerechte Lösungen zu entwickeln (2)
• komplexe Aufgaben aus dem Bereich kognitiver Systeme im Team zu diskutieren und zu bearbeiten (2)
• die Verwendung von Machine Learning Ansätzen gegen eine alternative Verwendung klassischer, nicht datengetriebener Verfahren abzuwägen (1)
• Analyse- und Berechnungsergebnisse in Fachgesprächen zu präsentieren (1)
• die zentrale Bedeutung des maschinellen Lernens für den modernen Maschinenbau zu erfassen und zu verteidigen (1)
• kognitive Systeme als wesentliches Element in Industrie 4.0 zu verstehen (1)