Skip to main content
Disciplines
Automotive Business IT + Informatics Construction + Real Estate Electrical Engineering + Electronics Energy + Sustainability Insurance + Risk Finance + Banking Management + Leadership Marketing + Sales Mechanical Engineering + Materials
Events
DE
EN
Books
Journals
Topic Page
Marketing
Start single access now
Access for companies
EXTENDED SEARCH
Log in
Top

2018 | Book

Grundlagen der Digitalisierung Read chapter Read first chapter

Programmieren für Ingenieure und Naturwissenschaftler

Intelligente Algorithmen und digitale Technologien

Author: Prof. Sebastian Dörn

Publisher: Springer Berlin Heidelberg

Book Series : eXamen.press

Part of: Springer Professional "Wirtschaft+Technik" , Springer Professional "Technik" , Springer Professional "Wirtschaft"

Login to get access
insite
SEARCH

About this book

Ziel des Buches ist es, Ingenieuren oder Naturwissenschaftlern die Programmierung als Schlüsselqualifikation mit zahlreichen Anwendungsmöglichkeiten vorzustellen. Der Autor erläutert algorithmische Methoden, die heute hinter digitalen Produkten und Dienstleistungen stehen. Zentrale Anwendungen sind die Künstliche Intelligenz, das Data Mining, die Predictive Analytics, die Industrie 4.0 oder das Internet der Dinge. Die digitale Datenanalyse mit den zugehörigen Algorithmen ist die zentrale Grundlage vieler neuer IT-Technologien. Hierzu werden große Datenmengen verschiedenster Anwendungsfelder verarbeitet und auf gewisse Muster analysiert, um die relevanten Informationen zu extrahieren. Diese sogenannten intelligenten Verfahren sind die Basis für nahezu alle Innovationen in unserer digitalisierten Welt. Mit Hilfe dieser Art der Informationsverarbeitung werden durch die Kombination von mathematischen Modellen und algorithmischen Verfahren neue digitale Geschäftsmodelle erschaffen.

Table of Contents

Frontmatter
1. Grundlagen der Digitalisierung
Zusammenfassung
Die Digitalisierung ist heute einer der größten Trends für eine Vielzahl von technischen Neuerungen. Unter Digitalisierung versteht man im Allgemeinen die Überführung analoger Größen in diskrete Werte, um diese in Datenbanken zu speichern und mit Algorithmen zu analysieren.
Der Begriff der Digitalisierung umfasst heute deutlich mehr als die reine Umstellung von analogen auf digitale Werte. Die Umwandlung des herkömmlichen Ausfüllens von Formularen mit Stift auf digitale Formulare mit dem Rechner ist nur ein ganz kleiner Teil der Digitalisierung. Auch der zurzeit viel diskutierte Begriff der Industrie 4.0 ist nur ein Aspekt der Digitalisierung. Weitere Beispiele sind die Analyse großer Datenmengen zur Verbesserung von Produktionsprozessen, die Entwicklung neuer softwarebasierter Produkte und Dienstleistungen durch maschinelles Lernen, die Optimierung der Kundenbeziehungen im Servicemanagement oder die Konzeption neuer digitaler Geschäftsmodelle. In Abb. 1.1 sind eine ganze Reihe weiterer Anwendungsbereiche zusammengefasst.
Die Digitalisierung besitzt enorme Auswirkungen auf die verwendeten Technologien einer Branche, die Wertschöpfungskette eines Unternehmens, die Prozesskette einer Produktentwicklung, das Management von Produkten und Personal, die Qualifikationsprofile der Mitarbeiter und die Anforderungen an die Ausbildung von Schülern, Studenten, Auszubildenden und Mitarbeitern.
Sebastian Dörn
2. Zentrale Konzepte
Zusammenfassung
In diesem Kapitel behandeln wir zentrale Grundlagen, Prinzipien und Konzepte von intelligenten Algorithmen. Das Ziel sind die wesentlichen Ideen im Bezug auf die mathematischen Grundlagen (Wahrscheinlichkeitsrechnung), die zugrunde liegenden Aufgabenstellungen (Klassifikation, Clustering), die Überprüfung der Ergebnisse (Validierung), und die Kombination verschiedener Verfahren (Boosting) vorzustellen.
Sebastian Dörn
3. Neuronale Netze
Zusammenfassung
Neuronale Netze sind informationsverarbeitende Systeme, die aus einer großen Anzahl von Neuronen (Nervenzellen) bestehen. Die Neuronen sind signalverarbeitende Bausteine zur Verschickung von Informationen über gewichtete Verbindungen zwischen einzelnen Neuronen. Das menschliche Gehirn besteht aus einem neuronalen Netz mit etwa 100 Milliarden Nervenzellen. Dieses Netz ist für unsere Wahrnehmung, Lernfähigkeit oder die Anpassung an verschiedenste Umweltbedingungen zuständig.
Die Aufgabe eines neuronalen Netzes ist das Erlernen von neuen Fähigkeiten durch Nachahmung mit dem Prinzip von Versuch und Irrtum. Das Ziel künstlicher neuronaler Netze ist es, dieses Prinzip des Lernens in Form eines Computerprogramms nachzubilden. Das Netz wird dabei durch eine Menge von Trainingsdaten auf ein spezielles Verhalten trainiert. Eine grundlegende Fähigkeit eines neuronalen Netzes ist die Erkennung und Einordnung von speziellen Mustern. Die Abb. 3.1 zeigt eine Übersicht über die Aspekte von neuronalen Netzen.
Sebastian Dörn
4. Bayes-Netze
Zusammenfassung
In vielen technischen oder naturwissenschaftlichen Anwendungen besitzen wir nur unsicheres Wissen auf Basis von Wahrscheinlichkeiten. Ein grundlegendes Problem beim Schließen mit Wahrscheinlichkeiten in der Praxis ist das Folgende: Gegeben sind die Zufallsvariablen \(X_{1},\ldots,X_{n}\) mit je d Werten. Die zugehörige Wahrscheinlichkeitsverteilung besitzt damit insgesamt d n Werte. Der benötigte Speicherplatz und die Rechenzeit für die Bestimmung von Wahrscheinlichkeiten wachsen damit exponentiell mit der Anzahl der Variablen. In vielen Fällen sind diese Wahrscheinlichkeitswerte auch unbekannt oder müssen aufwendig bestimmt werden.
In der Praxis sind viele Anwendungsprobleme jedoch stark strukturiert, sodass die Verteilung viel Redundanz enthält. Diese strukturierten Verteilungen lassen sich durch die sogenannten Bayes-Netze stark reduzieren. Bayes-Netze sind gerichtete Graphen, deren Knoten die Zufallsvariablen (Aussagen) und deren Kanten die stochastischen Abhängigkeiten zwischen den Aussagen repräsentieren. Das Ziel ist, mit Hilfe des Bayes-Netzes optimale Entscheidungen durch die Bestimmung von unbekannten Wahrscheinlichkeiten zu treffen.
Sebastian Dörn
5. Probabilistische Robotik
Zusammenfassung
Ein Roboter ist eine programmierbare Maschine, die auf Basis von Sensordaten in einer dynamisch veränderlichen Umgebung agiert. Die probabilistische Robotik beschäftigt sich mit den Bereichen der Wahrnehmung und Steuerung von Robotern. Die zentrale Aufgabe ist die Entwicklung von Algorithmen zur Sensordatenverarbeitung, Lokalisierung, Pfadplanung, Navigation und Aktionsplanung von mobilen Robotern. Ein mobiler Roboter ist ein Roboter der sich in seiner Umgebung frei bewegt. Wenn diese Aufgabe ohne Fernsteuerung erledigt wird, spricht man von einem autonomen Roboter.
Die Lokalisierung eines Roboters in einer Umgebung ist ein grundlegendes Problem der Robotik. Unsicherheiten in der Roboterposition werden mit Hilfe der Methoden aus der Wahrscheinlichkeitsrechnung modelliert. Probabilistische Filter werden hierzu eingesetzt, um die Qualität der vorhandenen Daten für die Lokalisierung zu verbessern. Das Ziel ist es, die fehlerbehafteten Sensor- und Modellunsicherheiten miteinander zu fusionieren.
Anwendungen für mobile Roboter gibt es in der Technik in zahlreichen unterschiedlichen Bereichen. Beispiele sind autonome Fahrzeuge, Erkundungsroboter, Staubsaugerroboter oder mobile Roboter im Bereich der Logistik, Landwirtschaft, Militär oder Krankenpflege. Die Methoden der probabilistischen Robotik haben auch in der Bildverarbeitung zur Objektverfolgung einen großen Verwendungsbereich.
Sebastian Dörn
6. Markov-Modelle
Zusammenfassung
Markov-Modelle sind die stochastische Form eines Automatenmodells. In diesem Modell werden die Zustandsübergänge mit Wahrscheinlichkeiten modelliert. Die Markov-Eigenschaft besagt, dass die zukünftige Entwicklung nur vom aktuellen Zustand, und nicht von den vorhergehenden Zuständen abhängt. Markov-Ketten sind spezielle Markov-Modelle in Form von autonomen nichtdeterministischen Automaten mit wahrscheinlichkeitsbasierten Zustandsübergängen.
Der Nichtdeterminismus tritt oft aus fehlendem Wissen über das zu beschreibende System auf. In der Praxis kann der Nichtdeterminismus auf Basis von Daten durch wahrscheinlichkeitsbasierte Zustandsübergänge näher spezifiziert werden. Mit diesen Wahrscheinlichkeitsangaben sind gegenüber nichtdeterministischen Automaten mehr Informationen über das System bekannt. Mit Markov-Modellen lassen sich Prognosen über die zukünftige Entwicklung eines Systems erstellen, ohne dessen gesamte Vorgeschichte zu kennen.
Markov-Modelle stellen ein wichtiges Analyse- und Bewertungswerkzeug in vielen technischen, ökonomischen und naturwissenschaftlichen Fragestellungen dar. Zentrale Beispiele sind die Simulation von Prozessen, die Analyse von Wartesystemen und Signalen, die Relevanzbewertung von Suchergebnissen, die Entwicklung von Spracherkennungssystemen, die Aktionsplanung von mobilen Robotern oder die Konzeption von randomisierten Algorithmen.
Sebastian Dörn
7. Entwicklungsmethodiken
Zusammenfassung
Im Zeitalter der Digitalisierung spielen neben den Algorithmen auch die Prinzipien zur Entwicklung von digitalen Produkten und Dienstleistungen eine sehr große Rolle. Das Wissen um die passenden Entwicklungsmethodiken entscheidet darüber, ob neue digitale Angebote das Potential haben, erfolgreich zu werden.
In diesem Kapitel geben wir einen Überblick über verschiedene Entwicklungsmethodiken rund um die folgenden Themengebiete:
  • Softwaresysteme: Prinzipien, Modellformen und Verfahren in der Softwaretechnik.
  • Mensch-Maschine-Kommunikation: Entwicklungsformen und Gestaltungsprinzipien von Mensch-Maschine-Systemen.
  • Digitale Produkte: Entwicklungsprinzipien und Technologieformen für digitale Produkte und Geschäftsmodelle.
Sebastian Dörn
8. Digitale Technologien
Zusammenfassung
In diesem Kapitel stellen wir einige der zurzeit am meisten diskutierten Anwendungen von intelligenten Algorithmen im Bereich der Digitalisierung vor: Autonomes Fahren, Kognitive Systeme, Digitale Medizin, Intelligente Roboter und Software-Agenten.
Sebastian Dörn
9. Schritte in die Digitalisierung
Zusammenfassung
Algorithmen sind heute universelle Werkzeuge, die in allen Bereichen unserer Industrie und Gesellschaft zur Anwendung kommen. Intelligente Algorithmen sind zentrale Bestandteile bei allen modernen Technologien. Beispiele sind selbstfahrende Autos, autonome Robotersysteme, medizinische Diagnosesysteme oder das Internet der Dinge. Die in der öffentlichen Wahrnehmung häufig diskutierten Begriffe der Digitalisierung, der Künstlichen Intelligenz oder des Big Data, umfassen alle die Auswertung von großen Datenmengen durch selbstlernende Algorithmen. Das Gebiet der Datenanalyse übernimmt im Zeitalter der Digitalisierung eine wichtige Schlüsselrolle für die Entwicklung von neuen Produkten oder Dienstleistungen.
Viele traditionelle Branchen stehen durch die Digitalisierung mit Algorithmen vor einem grundlegenden Wandel. In dieser Welt gewinnt die Software gegenüber der Hardware. Für viele Maschinenbauer bringt in Zukunft der ausschließliche Verkauf von Maschinen und Geräten nur noch einen geringen Teil der Wertschöpfung. Die Hardware muss mit zusätzlichen digitalen Geschäftsmodellen in Form von Serviceleistungen kombiniert werden. Kompetenzen im Bereich der Software, Datenanalyse und Vernetzung sind dafür die wesentlichen Erfolgsfaktoren.
Sebastian Dörn
Backmatter
Metadata
Title
Programmieren für Ingenieure und Naturwissenschaftler
Author
Prof. Sebastian Dörn
Copyright Year
2018
Publisher
Springer Berlin Heidelberg
Electronic ISBN
978-3-662-54304-7
Print ISBN
978-3-662-54303-0
DOI
https://doi.org/10.1007/978-3-662-54304-7

Premium Partner

    Image Credits