Frei zugängliche Lehrmaterialien

• Kurzüberblick über Scikit-learn

Deep Learning 01: Foundations
Prof. Dr. Barbara Hammer, Universität Bielefeld
The first lecture gives an introduction to the topic of deep learning, covering the history of machine learning and neural networks. Characteristics and specific components of deep networks are described, together with ways on how to train them.
Mit Klick auf das Bild gelangen Sie zu dem dazugehörigen Foliensatz. Deep Learning 2.1: Deep generative models, part 1
Prof. Dr. Barbara Hammer, Universität Bielefeld
After learning about deep networks and corresponding architectures, we move on to generative models. Topics include deep generative models, variational autoencoders, and generative adversarial networks.
Mit Klick auf das Bild gelangen Sie zu dem dazugehörigen Foliensatz. Deep Learning 2.2: Deep generative models, part 2
Prof. Dr. Barbara Hammer, Universität Bielefeld
This lecture takes a closer look at various generative adversarial network approaches, often developed for special purposes.
Mit Klick auf das Bild gelangen Sie zu dem dazugehörigen Foliensatz. Deep Learning 3.1: Adversarial attacks and defenses, part 1
Prof. Dr. Barbara Hammer, Universität Bielefeld
This lecture deals with the security of deep models. Ways in which they may be attacked, alongside possible defense mechanisms, are shown.
Mit Klick auf das Bild gelangen Sie zu dem dazugehörigen Foliensatz. Deep Learning 3.2: Adversarial attacks and defenses, part 2
Prof. Dr. Barbara Hammer, Universität Bielefeld
After learning about different adversarial attacks, we will see what exactly makes an attack adversarial. The lecture discusses unavoidable risks in deep learning, and what attacks may be defended.
Mit Klick auf das Bild gelangen Sie zu dem dazugehörigen Foliensatz. Deep Learning 4: Explaining deep networks
Prof. Dr. Barbara Hammer, Universität Bielefeld
The last lecture in the deep learning series looks at how deep networks may be explained, a currently emerging field of research. Explanations gain increasing importance as a possible safe-guard to detect issues with deep neural networks.
Mit Klick auf das Bild gelangen Sie zu dem dazugehörigen Foliensatz.

Im Folgenden sind die 13 Videos der Lehreinheit “Vorausschauende Wartung” eingebunden. Zur Veranschaulichung und als interaktive Übungen stehen zudem zwei Jupyter Notebook mit ausführbarem Code bereit:

• Restlebenszeit-Vorhersage / Remaining Useful Lifetime (RUL)
• Vorausschauende Wartung: Systemgesundheit eines Cyber-Physikalischen Produktionssystems
• Download des kompletten Codes inkls. Datensätzen über unser Github repository

Inside Out 1 – Einführung
Das Einführungsvideo gibt einen Überblick der Themen der Videoreihe zu Vorausschauender Wartung, sowie einer kurzen Einordnung des maschinellen Lernens. Inside Out 2 – Methoden des Maschinellen Lernens
Verschiedene Arten von ML-Lernstrategien werden beleuchtet und ihr Nutzen am Beispiel eines Fehlererkennungssystems für Motoren gezeigt. Inside Out 3 – ML-Projektstruktur
Im Zentrum steht das CRISP-DM Prozessmodell, das den Lebenszyklus eines ML-Projekts beschreiben. Es bietet eine Orientierungshilfe für die Planung, Organisation und Umsetzung eines ML-Projekts. Inside Out 4 – Modellentwicklung
Weiterführung des CRISP-DM Prozessmodells, das den Lebenszyklus eines ML-Projekts beschreibt. Besonderer Fokus liegt auf der Entwicklung, dem Training und der Evaluation von ML-Modellen. Inside Out 5 – Produktiver Einsatz
Welche Punkte müssen beachtet werden, um ein Modell in den produktiven Einsatz überführen zu können? Inside Out 6 – Einführung in Predictive Maintenance
Teil 6 gibt einen Überblick über verschiedene Wartungsstrategien und den typischen Ablauf eines Projekts zur vorausschauenden Wartung. Inside Out 7 – Anforderungen
In diesem Video werden funktionale und nicht-funktionale Anforderungen an ein Predictive Maintenance System erklärt. Inside Out 8 – Lernproblem
In diesem Video steht die definition eines maschinellen Lernproblems im Zentrum, insbesondere Ein- und Ausgabe des Modells. Inside Out 9 – Feature Repräsentation
Wie werden Merkmale aus Rohdaten gewonnen, um sie für Methoden des maschinellen Lernens nutzbar zu machen? Inside Out 10 – Maschinelle Lernalgorithmen
Dieses Video gibt einen Überblick über typische ML-Verfahren, inklusive ihrer Vor- und Nachteile. Inside Out 11 – Evaluation
In diesem Video werden Gütemaße und Evaluationstechniken des Maschinellen Lernens eingeführt. Inside Out 12 – Lösungsvorschläge
Teil 12 zeigt am Beispiel einer Restlebenszeitvorhersage die Konzeption einer ML-Lösung zur prädiktiven Wartung. Inside Out 13 – Hyperparameteroptimierung & AutoML
Die Konfiguration eines ML-Algorithmus, d.h. die Wahl geeigneter Hyperparameter, muss systematisch an das vorliegende Problem angepasst werden. Das letzte Video dieser Reihe erklärt diesen Prozess mit besonderem Hinblick auf AutoML, die automatische Kombination von ML-Algorithmen und ihrer Optimierung zu ganzen Pipelines.

XAI: Die richtige Erklärung zur richtigen Zeit
Prof. Dr. Barbara Hammer, Universität Bielefeld
Lernalgorithmen entwickeln komplexe Modelle aus Daten, um Muster und Zusammenhänge zu erkennen. Oft sind die gelernten Zusammenhänge jedoch komplex und abstrakt, und damit für den Menschen praktisch nicht mehr nachvollziehbar. Die Folien geben einen Überblick, welche Erklärungsverfahren für verschiedene Bedürfnisse und Anforderungen zur Verfügung stehen. Dabei werden tiefe Netze und darüberhinausgehende Verfahren betrachtet.
Mit Klick auf das Bild gelangen Sie zu dem dazugehörigen Foliensatz. Hybride ML-Modelle zur Vorhersage von Gliedmaßenbewegungen basierend auf Biosignalen
Prof. Dr. Axel Schneider, Nils Grimmelsmann, Fachhochschule Bielefeld
Körpernahe Robotersysteme wie z.B. Exoskelette oder aktuierte Orthesen sollen den Bewegungsapparat des Menschen entlasten und unterstützen. Um dieses Ziel zu erreichen, müssen solch Systeme in der Lage sein, sich an die Bewegungen des menschlichen Trägers anzupassen oder diese sogar vorherzusagen. Als Grundlage für Bewegungsvorhersagen können neben Kraft- und Winkelmessungen im mechanischen Interface zwischen Exosystem und Gliedmaße auch Biosignale, z.B. Oberflächen-Myogramme (sEMGs) von Muskeln, benutzt werden. Die Folien geben einen Überblick, wie hierfür eine hybride Modellbildung auf Basis von maschinellem Lernen gelingen kann.
Mit Klick auf das Bild gelangen Sie zu dem dazugehörigen Foliensatz. KI für assistierende Systeme zum Erlernen von Bewegungsabläufen anhand von Kameradaten
Prof. Dr.-Ing. Wolfram Schenck, Dr. Koenraad Vandevoorde, Fachhochschule Bielefeld
Der Mensch erlernt motorische Fertigkeiten auf natürliche Weise, aber es braucht viel Zeit und Training, um komplexe Bewegungsabläufe zu beherrschen. Moderne Technologien und Verfahren des maschinellen Lernens (ML) ermöglichen es uns, Menschen beim Erlernen neuer Bewegungsabläufe zu unterstützen. Dieser Vortrag gibt einen Überblick über ML-Algorithmen zur Bewegungsanalyse und zu Sensortechnologien (Vision, Tiefenbilder, Motion Capture), die zur Charakterisierung und Bewertung menschlicher Bewegungen eingesetzt werden können, um das Ziel einer effizienten Unterstützung zu erreichen. Eine solche Unterstützung kann beispielsweise durch Trainingshinweise in Augmented-Reality-Umgebungen erfolgen.
Mit Klick auf das Bild gelangen Sie zu dem dazugehörigen Foliensatz.