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

[106703]
Title: Outlier Analysis.
Written by: Aggarwal, Charu C.
in: (2017).
Volume: Number:
on pages:
Chapter:
Editor:
Publisher: Springer International Publishing Switzerland:
Series:
Address: Cham
Edition: Second edition
ISBN: 978-3-319-47578-3
how published:
Organization:
School:
Institution:
Type:
DOI:
URL: https://www.springer.com/de/book/9783319475776
ARXIVID:
PMID:

[www]

Note: DigitalisierunginVerkehrundLogistik

Abstract: This book provides comprehensive coverage of the field of outlier analysis from a computer science point of view. It integrates methods from data mining, machine learning, and statistics within the computational framework and therefore appeals to multiple communities. The chapters of this book can be organized into three categories: - Basic algorithms: Chapters 1 through 7 discuss the fundamental algorithms for outlier analysis, including probabilistic and statistical methods, linear methods, proximity-based methods, high-dimensional (subspace) methods, ensemble methods, and supervised methods. - Domain-specific methods: Chapters 8 through 12 discuss outlier detection algorithms for various domains of data, such as text, categorical data, time-series data, discrete sequence data, spatial data, and network data. - Applications: Chapter 13 is devoted to various applications of outlier analysis. Some guidance is also provided for the practitioner. The second edition of this book is more detailed and is written to appeal to both researchers and practitioners. Significant new material has been added on topics such as kernel methods, one-class support-vector machines, matrix factorization, neural networks, outlier ensembles, time-series methods, and subspace methods. It is written as a textbook and can be used for classroom teaching.