Machine Learning for Mechatronic and Dynamical Systems

Aktuelle Informationen werden ausschließlich über Moodle verbreitet!

Bitte melden Sie sich für die Vorlesung über das TUCaN-System der TU Darmstadt an. Sollten Sie Probleme mit dem Zugriff auf Moodle haben, wenden Sie sich bitte an

Allgemeine Informationen zur Veranstaltung

Dozent Prof. Dr.-Ing. Rolf Findeisen , Dr.-Ing. Anton Savchenko ,
Vorlesungsassistenten Hendrik Alsmeier , Sebastian Hirt
Semester SoSe (2+1), Beginn der Vorlesung: Mi., 25.04.2024
Vorlesungssprache englisch
Voraussetzungen Grundlegende Konzepte der Regelungstechnik. Grundlagen der linearen Algebra, Differential und Differenzialgleichungen. Kenntnisse in Python und/oder Matlab.
Form der Prüfungsleistung schriftlich oder mündlich
Die Prüfung findet schriftlich oder mündlich statt, je nach Anzahl der Prüfungsanmeldungen. Die Form der Prüfung wird kurz nach Ende der Anmeldefrist bekannt gegeben.
Alte Klausuren
Ergänzende und weiterführende Lehrveranstaltungen
Literaturhinweise
  • Brunton, Steven L., and J. Nathan Kutz. Data-driven science and engineering: Machine learning, dynamical systems, and control. Cambridge University Press, 2019.
  • D. Bertsekas. Reinforcement Learning and Optimal Control. Athena Scientific, 2019.
  • K. P. Murphy. Probabilistic Machine Learning: An Introduction. MIT Press, 2022

Inhalt der Vorlesung

Ziel dieser Lehrveranstaltung

Die Vorlesung führt in die grundlegenden Konzepte des maschinellen Lernens ein und konzentriert sich auf Anwendungen in der Mechatronik und dynamischen Systemen, einschließlich datengesteuerter und hybrider Modellierung, Simulation, Überwachung, Planung, Entscheidungsfindung Entscheidungsfindung, Optimierung und Steuerung.

Themen

  • Maschinelles Lernen in Mechatronik und dynamischen Systemen
  • Grundlagen des maschinellen Lernens
  • Überblick über dynamische Systeme aus der Perspektive des maschinellen Lernens
  • Maschinelles Lernen aus einer Optimierungsperspektive
  • Regression
  • Clustering (basierend auf Regression und Nicht-Regression)
  • Support-Vektor-Maschinen
  • Gaußsche Prozesse
  • Neuronale Netze
  • Optimale Steuerung und Reinforcement Learning
  • Sicherheit und Zuverlässigkeit des maschinellen Lernens bei dynamischen Systemen
  • Anwendungsbeispiele aus dem maschinellen Lernen in der Regelungstechnik

Organisatorisches

All materials of the lecture and exercises are provided via Moodle
Exam summer term 2024
Form of exam wiritten or oral
Date Tuesday, 17. September 2024
Time 14:00 – 16:30
Room tba
Permitted resources pen
Access to written exam tba