Artificial Intelligence (AI) is a key technology in many areas of society and research. Energy systems with the ongoing energy transition (“Energiewende”) make it a fascinating field for the deployment of AI methods.  Machine learning algorithms can play a crucial role in improving energy efficiency, optimizing power generation and distribution or in enhancing system stability, while facilitating additional renewable energy integration. In this proseminar, we will explore fundamental AI algorithms and their applications in energy systems. Examples may include forecasting of energy demand or renewable generation, explainability of algorithms as well as optimization via AI.
Every student will prepare a written report and a talk about a chosen topic. Topics will be assigned in the first meeting in October.

Dieses Modul behandelt die theoretischen und praktischen Aspekte der künstlichen Intelligenz, incl. Methoden der klassischen KI (Problem Solving & Reasoning), Methoden des maschinellen Lernens (überwacht und unüberwacht), sowie deren Anwendung in den Bereichen computer vision, natural language processing, sowie der Robotik.

Überblick

Einführung

• Historischer Überblick und Entwicklungen der KI und des maschinellen Lernens, Erfolge, Komplexität, Einteilung von KI-Methoden und Systemen
• Lineare Algebra, Grundlagen, Lineare Regression

Teil 1: Problem Solving & Reasoning

• Problem Solving, Search, Knowledge, Reasoning & Planning
• Symbolische und logikbasierte KI
• Graphische Modelle, Kalman/Bayes Filter, Hidden Markov Models (HMMs), Viterbi
• Markov Decision Processes (MDPs)

Teil 2: Machine Learning - Grundlagen

• Klassifikation, Maximum Likelihood, Logistische Regression
• Deep Learning, MLPs, Back-Propagation
• Over/Underfitting, Model Selection, Ensembles
• Unsupervised Learning, Dimensionalitätsreduktion, PCA, (V)AE, k-means clustering
• Density Estimation, Gaussian Mixture models (GMMs), Expectation Maximization (EM)

Teil 3: Machine Learning - Vertiefung und Anwendung

• Computer Vision, Convolutions, CNNs
• Natural Language Processing, RNNs, Encoder/Decoder
• Robotik, Reinforcement Learning

Qualifikations- /

Lernziele:

·         Die Studierenden kennen die grundlegenden Konzepte der klassischen künstlichen Intelligenz und des maschinellen Lernens.

·         Die Studierenden verstehen die Algorithmen und Methoden der klassischen KI, und können diese sowohl abstrakt beschreiben als auch praktisch implementieren und anwenden.

·         Die Studierenden verstehen die Methoden des maschinellen Lernens und dessen mathematische Grundlagen. Sie kennen Verfahren aus den Bereichen des überwachten und unüberwachten Lernens sowie des bestärkenden Lernens, und können diese praktisch einsetzen.

·         Die Studierenden kennen und verstehen grundlegende Anwendungen von Methoden des maschinellen Lernens in den Bereichen Computer Vision, Natural Language Processing und Robotik.

·         Die Studierenden können dieses Wissen auf neue Anwendungen übertragen, sowie verschiedene Methoden analysieren und vergleichen.

Leistungspunkte/

ECTS: 5 ECTS

Als Pflichtvorlesung im BA (neue PO 2022): 5 ECTS

Erfolgskontrollen:

Die Erfolgskontrolle erfolgt in Form einer schriftlichen Prüfung (90 min) nach § 4 Abs. 2 Nr. 1 SPO erfolgen.

Arbeitsaufwand

2 SWS Vorlesung + 1 SWS Übung

8 Stunden Arbeitsaufwand pro Woche, plus 30 Stunden Klausurvorbereitung: 150 Stunden

Montag: Vorlesung

Freitag: Übung

Künstliche Intelligenz (KI) ist eine Schlüsseltechnologie in vielen Bereichen von Gesellschaft und Forschung. Die Energiesysteme mit der laufenden Energiewende machen sie zu einem faszinierenden Feld für den Einsatz von KI-Methoden. KI und Algorithmen des maschinellen Lernens können eine entscheidende Rolle bei der Verbesserung der Energieeffizienz, der Optimierung der Stromerzeugung und -verteilung oder der Verbesserung der Systemstabilität spielen und gleichzeitig die Integration zusätzlicher erneuerbarer Energien erleichtern. In diesem Vortrag geben wir einen Überblick über die Mechanik von Energiesystemen, ihre Auslegungs- und Optimierungsfragen und wie man diese mit datengesteuerten Ansätzen lösen kann. Wir werden sowohl die deterministische Dynamik als auch die stochastischen Aspekte von Energiesystemen diskutieren und grundlegende KI-Algorithmen und ihre Anwendungen in Energiesystemen untersuchen. Wir werden sowohl klassische Zeitreihenmethoden als auch modernste KI-Techniken, z.B. zur Optimierung oder Vorhersage, behandeln.