Machine Learning für die Gebäudeautomation mit Schwerpunkt auf Fehlerdiagnose und mit Qualifikationsprojekt

Nach Abschluss dieser Weiterbildung verfügen Sie über Kenntnisse in den Bereichen Gebäudeautomation, Fehlerdiagnose, Machine Learning, Data Science, Python und Statistik. Dadurch sind Sie in der Lage, Systeme zur Gebäudeautomation zu analysieren und Fehler zu diagnostizieren. Sie können Daten mithilfe von Machine Learning und statistischen Verfahren auswerten und Algorithmen ableiten, um diese Erkenntnisse in konkrete Handlungsanweisungen umzusetzen. Mit Python programmieren Sie Web-Anwendungen, während Statistik Ihnen hilft, Daten zu analysieren und Muster zu erkennen. Nach Abschluss dieser Maßnahme können Sie in den Bereichen Gebäudeautomation, Fehlerdiagnose und Machine Learning tätig werden.

Grundlagen der Gebäudeautomation und Fehlerdiagnose

• Einführung in die Fehlerdiagnose und Problemanalyse in der Gebäudeautomation
• Fehlererkennung und -analyse in der Gebäudeautomation
• Diagnose-Tools und Techniken für automatisierte Systeme
• Grundlegende Algorithmen: lineare/logistische Regression
• Einführung in Unsupervised Machine Learning
• Einführung in die Datenanalyse und Datenvisualisierung
• Grundlagen der Statistik
• Mittelwert, Varianz und Standardabweichung
• Korrelation und lineare Regression

Machine Learning Grundlagen und Programmierung

• Einführung in Machine Learning
• Grundlegende Programmierkonzepte
• Datenstrukturen
• Python-Skripte
• Funktionen
• Ein-und Ausgabe
• Datenbanken
• Grundlegende Algorithmen: Entscheidungsbaum-Lernen und Ensemble-Methoden
• Neuronale Netze und Deep Learning

Datenmanagement und Analysemethoden

• Datenreinigung
• Datenvisualisierung
• Modellierung mit Kellern, Schlangen und Graphen
• Grundlegende Statistische Methoden: Schätzungen, Stichproben und Konfidenzintervalle
• Signalübertragung in Neuronalen Netzen
• Backpropagation

Erweiterte Machine Learning Techniken

• Fortgeschrittene Techniken: Handhabung unausgewogener Daten
• Hyperparameteroptimierung
• Unüberwachtes Lernen: Clustering und K-Means Clustering
• Automatische Bilderkennung
• Aktuelle Trends im maschinellen Lernen und Ausblick in die Zukunft
• Transfer Learning

Softwareentwicklung und Datenvisualisierung

• Einführung in NumPy und Messdatenverarbeitung
• Grafische Benutzungsoberflächen mit tkinter
• Praxisarbeit: Programmierung Neuronales Netzwerk
• XML und JSON
• Testen und Tuning

Modellierung und Evaluation

• Lineare Regression
• Multiple Regression
• K-fache Kreuzvalidierung
• Aktivierungsfunktionen
• Modelltraining und Modellperformance

Praxisprojekt und Hands-on-Erfahrung

• Qualifikationsprojekt Machine Learning
• Erzeugung synthetischer Daten
• Finden und Vermeiden von Fehlern
• Tensoren
• Threads
• Objektorientiertes Modellieren