Modeling of Uncertainty and Data in Engineering Sciences

Worum geht's

Du lernst, Unsicherheiten in technischen Modellen systematisch zu beschreiben und quantitativ zu behandeln. Am Ende kannst du Wahrscheinlichkeitsmodelle auf ingenieurmäßige Fragestellungen anwenden, Monte‑Carlo‑Simulationen durchführen und aus Daten parametrisierte Modelle mittels Maximum‑Likelihood und Bayes’scher Schätzung bestimmen.

Was du danach kannst

• Grundlagen der Wahrscheinlichkeitstheorie verstehen
• Umgang mit mehreren Zufallsvariablen und Monte‑Carlo‑Methoden
• Parameterschätzung: maximale Wahrscheinlichkeit und Bayes’sche Schätzung
• Probabilistische Regression und Klassifikation (probabilistisches maschinelles Lernen)
• Grundkonzepte der Entscheidungsfindung und des Designs unter Unsicherheit

Aus was das Modul besteht

• VorlesungVermittlung der zugrundeliegenden Theorie und Rechenbeispiele
• ÜbungenVertiefung des theoretischen Wissens und Erweiterung des Kursinhalts
• Demonstrationen (Matlab)Anwendung und Veranschaulichung durch Rechenbeispiele

Lehrmethode

• VorlesungErklärt die theoretischen Grundlagen und behandelt Rechenbeispiele
• ÜbungenDienen zur Vertiefung und zur Festigung des Gelernten
• Demonstrationen mit MatlabZeigen praktische Anwendungen und Implementierungen