Industrial Data Science 1 (InDaS 1)
InDaS 1 behandelt die Grundlagen des Data Mining und Datenmanagements sowie deren industrielle Anwendungen.
Ziel und Inhalt
Nach Abschluss der Lehrveranstaltung sind die Studierenden in der Lage, industrielle Datensätze und Fragestellungen in Datenanalyseprobleme zu überführen. Sie können fortgeschrittene statistische Methoden sicher auf industrielle Datensätze anwenden. Darüber hinaus sind sie nach Abschluss des Moduls in der Lage, geeignete Methoden des maschinellen Lernens für industrielle Problemstellungen auszuwählen und anzuwenden. Zudem können die Studierenden den Reifegrad der Datenerzeugung und -erfassung in einer digitalen Fabrik beurteilen und industrielle Datensätze selbstständig erzeugen.
Kernthemen
- Einführung in Industrial Data Science und CRISP-DM
- Industrielle Datentypen und Zeitreihenanalyse
- Datenmanagement
- Explorative Datenanalyse und Visualisierungstechniken
- Assoziationsregeln, Korrelationsanalyse und Mustererkennung
- Methoden der Datenvorverarbeitung und Merkmalsauswahl
- Konzepte zur Modellauswahl und Leistungsbewertung
- Klassifikation mittels Entscheidungsbäumen, Random Forests und Support Vector Machines
- Fortgeschrittene Methoden des maschinellen Lernens mittels neuronaler Netze, Deep Learning und Clustering
Relevanz und Motivation
Der zunehmende Einsatz moderner Informations- und Kommunikationstechnologien in produzierenden Unternehmen führt dazu, dass kontinuierlich Daten erfasst werden. Für die Wettbewerbsfähigkeit dieser Unternehmen ist jedoch entscheidend, die erhobenen Daten auszuwerten und zu nutzen. „Industrial Data Science 1“ vermittelt die Grundlagen des Data Mining und des Datenmanagements sowie deren Anwendung in der industriellen Praxis, um Wissen aus Daten zu gewinnen. Dabei werden die spezifischen Herausforderungen produzierender Unternehmen berücksichtigt und den Teilnehmenden die erforderlichen Kenntnisse vermittelt, um fachspezifische Problemstellungen mithilfe von Datenanalysemethoden zu lösen. Ein besonderer Schwerpunkt liegt auf Datenmanagement, Datenvorverarbeitung, Modellerstellung und Modellbewertung. Das Modul wird für Studierende der Fakultät Maschinenbau sowie der Fakultäten Statistik und Informatik angeboten, um gemeinsames Lernen und den interdisziplinären Wissensaustausch zu ermöglichen.
Veranstaltungsdetails
- Rhythmus: Wintersemester
- Umfang: Vorlesung (2 SWS) und Übung (2 SWS), insgesamt 4 SWS, 150 Stunden Arbeitsaufwand, 5 CP
- schriftliche Prüfung (60 Minuten) in englischer Sprache
