Probabilistische Ersatzmodellierung

Worum geht's

Du lernst verschiedene Verfahren der probabilistischen Ersatzmodellierung (Surrogate) kennen und anzuwenden. Am Ende kannst du Surrogatmodelle entwerfen, deren Genauigkeit bewerten und sie zur Unsicherheitsfortpflanzung, Sensitivitätsanalyse und Zuverlässigkeitsanalyse einsetzen sowie ausgewählte Methoden in Matlab oder Python implementieren.

Was du danach kannst

• Verstehen des gesamten Surrogat‑Modellierungsprozesses (Experimentdesign, Berechnung, Validierung)
• Kenntnis verschiedener Surrogatansätze: Regression, Polynomial Chaos, Gaussian Processes, SVM, Neuronale Netze
• Bewertung und Verbesserung der Genauigkeit von Surrogatmodellen
• Einschätzung von Stärken und Schwächen der Methoden für unterschiedliche UQ-Aufgaben
• Implementierung der Methoden in Matlab oder Python

Aus was das Modul besteht

• VorlesungVermittlung der theoretischen Grundlagen und Demonstration von Codebeispielen
• Übungen / AufgabenblätterAnwendung und Vertiefung des Stoffes; regelmäßige Problemsets (zweiwöchig)

Lehrmethode

• TafelvorlesungErklärung theoretischer Konzepte und Herleitungen in angemessenem Tempo
• FoliensätzeIllustration von Anwendungen und Strukturierung der Inhalte
• Code‑DemonstrationenAufzeigen, wie Theorie in Matlab/Python umgesetzt wird