Anomalien werden im allgemeinen als Fehlfunktionen der beobachteten Systeme interpretiert. Der Einsatz von Machine Learning bietet bei der Anomalie­detektion einen entscheidenden Vorteil. Dieser ist das Training auf nominalen Daten des Systembetriebs. Die Algorithmen zur Anomalie­detektion betrachten dann Abweichungen von diesem nominalen Verhalten als fehlerhaft. In diesem Workshop werden vor allem zwei Anwendungs­beispiele betrachtet, die im Bereich der Anomalie­detektion liegen. Einerseits wird ein Ansatz vorgestellt, der basierend auf Künstlichen Neuronalen Netzen eine Klassi­fikation erlaubt und für eingebettete Systeme eingesetzt werden kann. Andererseits wird ein allge­meiner Daten­getriebener Ansatz betrachtet, der verschiedene Techniken des Maschinellen Lernens einsetzt, um Anomalien zu detektieren. In beiden Teilen stellen wir die Ebenen von der Anwendung bis zur Implementierung dar.