Maschinelles Lernen in der Logistik

Dozent Prof. Dr.-Ing. Carlos Jahn
Ansprechpartner Marvin Kastner
Zielgruppe LIM / IWI
Veranstaltungsart Vorlesung & Übung
  Name der Vorlesung Digitalisierung in Verkehr und Logistik
  Name der Übung Maschinelles Lernen in der Logistik
  in Kooperation mit Institut für Softwaresysteme
Veranstaltungssemester Wintersemester
Sprache Deutsch
Credit Points 6 ECTS
Prüfungsform Klausur (Anteile mit Laptop)

Kurzbeschreibung

Thema der Vorlesung ist die quantitative Analyse verschiedenartiger Daten, die im Bereich Verkehr und Logistik auftreten. Hierbei wird der Fokus auf Probleme der maritimen Logistik liegen. Die Studierenden sollen befähigt werden, die erlernten Methoden bzgl. ihrer Nutzbarkeit in konkreten unternehmensrelevanten Kontexten zu bewerten und dazu Anforderungen und Potentiale einer effektiven Anwendung zu kennen bzw. ableiten zu können; beispielsweise bezogen auf Data-Mining Ansätze für das Controlling oder Forecasting-Ansätze für die betriebliche Planung von Unternehmen.

Im Rahmen des Moduls "Maschinelles Lernen in der Logistik" werden die Studenten zunächst in eine Auswahl von Methoden des Maschinellen Lernens eingeführt. Dies passiert in der Vorlesung "Grundlagen des maschinellen Lernens" des Instituts für Software-Systeme. Im zweiten Teil des Semesters wird in der Vorlesung "Digitalisierung in Verkehr und Logistik" der Schritt in die Fachdomäne vollzogen. Vorlesungsbegleitend findet die Übung "Maschinelles Lernen in der Logistik" statt. Hier werden Jupyter Notebooks eingesetzt, um den Studierenden die optimale Voraussetzung zur Datenexploration zu bieten.


Inhalte

  • Maschinelles Lernen in der Wissenschaft und der Industrie
  • Zeitreihen im Verkehr
  • Bewegungsdaten
  • Bilderkennung und Feature Engineering
  • Anomalie-Detektion

Literatur

  • Aggarwal, Charu C. (2017). Outlier Analysis. Springer International Publishing Switzerland: Cham [Abstract] [www]

  • Chapman, Peter and Clinton, Janet and Kerber, Randy and Khabaza, Tom and Reinartz, Thomas and Russel H. Shearer, C and Wirth, Robert (2000). CRISP-DM 1.0 : Step-by-step data mining guide. [www]

  • Géron, Aurélien (2018). Praxiseinstieg Machine Learning mit Scikit-Learn und TensorFlow: Konzepte, Tools und Techniken für intelligente Systeme. O'Reilly: Heidelberg [www]

  • Haneke, Uwe and Trahasch, Stephan and Zimmer, Michael and Felden, Carsten (2019). Data Science - Grundlagen, Architekturen und Anwendungen. dpunkt.verlag: Heidelberg [www]

  • Lenzen, Manuela (2020). Künstliche Intelligenz: Fakten, Chancen, Risiken. C.H. Beck: München [www]

  • VanderPlas, Jake (2017). Data Science mit Python : das Handbuch für den Einsatz von IPython, Jupyter, NumPy, Pandas, Matplotlib, Scikit-Learn. MITP: Frechen [www]