Technische Universität Ilmenau

Data Science für industrielle Anwendungen - Modultafeln der TU Ilmenau

Die Modultafeln sind ein Informationsangebot zu den Studiengängen der TU Ilmenau.

Die rechtsverbindlichen Studienpläne entnehmen Sie bitte den jeweiligen Studien- und Prüfungsordnungen (Anlage Studienplan).

Alle Angaben zu geplanten Lehrveranstaltungen finden Sie im elektronischen Vorlesungsverzeichnis.

Informationen und Handreichungen zur Pflege von Modulbeschreibungen durch die Modulverantwortlichen finden Sie unter Modulpflege.

Hinweise zu fehlenden oder fehlerhaften Modulbeschreibungen senden Sie bitte direkt an modulkatalog@tu-ilmenau.de.

Modulinformationen zu Modulnummer 200308 - allgemeine Informationen
Modulnummer200308
FakultätFakultät für Maschinenbau
Fachgebietsnummer2326 (Informationstechnik in Produktion und Logistik)
Modulverantwortliche(r)Prof. Dr. Steffen Straßburger
SpracheDeutsch
TurnusWintersemester
Vorkenntnisse

Fundierte Kenntnisse in Mathematik und Statistik (z. B. Statistik 1 und 2), Programmierkenntnisse (z. B. Entwicklung von Anwendungskomponenten)

Lernergebnisse und erworbene Kompetenzen
Nach Vorlesung und Übungen können die Studenten den Begriff des Data Science erklären sowie damit verbundene Begrifflichkeiten wie IoT, maschinelles Lernen, Deep Learning und Reinforcement Learning benennen, erklären und klassifizieren. Die Studenten können hieraus im Kontext von industriellen Anwendungen ein relevantes Methodenportfolio klassifizieren und Methoden daraus für konkrete Anwendungsmöglichkeiten bewerten und anwenden.

Die Studenten können die Begriffe Data Farming und Hybrid Systems Modelling erklären, Unterschiede zwischen Echtdaten und simulierten Daten gegenüberstellen sowie Methoden zur Auswertung großer Mengen von Simulationsdaten aus dem Portfolio von Data Science anwenden. Die Studenten können den Begriff der Metamodellierung erklären und können Metamodelle aus simulierten Daten mithilfe der erlernten Data-Science-Methoden entwickeln

Die Studenten können das Konzept von Visual Analytics erläutern, sowie ein Portfolio von relevanten Visualisierungsmethoden benennen, klassifizieren und Visualisierungsmethoden hinsichtlich der Anwendung im Kontext von Data Science auswählen.
Inhalt

Die Inhalte der Vorlesung umfassen folgende Bereiche

  • Grundlagen von Data Science
    • Statistische Grundlagen und moderne Statistikkonzepte
    • Maschinelles Lernen, Deep Learning und Reinforcement Learning
    • IoT, Sensordaten und Industrielle Daten
    • Industrielle Anwendungsmöglichkeiten
  • Data Science und Simulation
    • Echtdaten vs. Simulationsdaten
    • Hybrid Systems Modellig
    • Data Farming
    • Auswertung großer Mengen von Simulationsdaten mit Methoden der Data Science
    • Robustheitsanalysen
    • Metamodellierung und Prädiktion
    • Visual Analytics und moderne Visualisierungskonzepte
Medienformen und technische Anforderungen bei Lehr- und Abschlussleistungen in elektronischer Form

Powerpoint-Präsentation, interaktives Tafelbild, Arbeitsblätter für rechnergestützte Übungen

Literatur

N. Feldkamp. Wissensentdeckung im Kontext der Produktionssimulation. - Ilmenau : Universitätsverlag Ilmenau, 2020.

Lehrevaluation
Spezifik Referenzmodul
ModulnameData Science für industrielle Anwendungen
Prüfungsnummer2300774
Leistungspunkte5
SWS4 (2 V, 2 Ü, 0 P)
Präsenzstudium (h)45
Selbststudium (h)105
VerpflichtungPflichtmodul
Abschlussschriftliche Prüfungsleistung, 60 Minuten
Details zum Abschluss
Alternative Abschlussform aufgrund verordneter Corona-Maßnahmen inkl. technischer Voraussetzungen

Prüfungsgespräch (mündliche Abschlussleistung) in Distanz entsprechend § 6a PStO-AB

Anmeldemodalitäten für alternative PL oder SL
max. Teilnehmerzahl
Spezifik im Studiengang Bachelor Mechatronik 2021
ModulnameData Science für industrielle Anwendungen
Prüfungsnummer2300774
Leistungspunkte5
Präsenzstudium (h)45
Selbststudium (h)105
VerpflichtungWahlmodul
Abschlussschriftliche Prüfungsleistung, 60 Minuten
Details zum Abschluss
Alternative Abschlussform aufgrund verordneter Corona-Maßnahmen inkl. technischer Voraussetzungen
Anmeldemodalitäten für alternative PL oder SL
max. Teilnehmerzahl