Data Science for Industrial Applications - Interactive curriculae of TU Ilmenau

The interactive curriculae provide information on the degree programmes offered by the TU Ilmenau.

Please refer to the respective study and examination rules and regulations for the legally binding curricula (Annex Curriculum).

You can find all details on planned lectures and classes in the course catalogue.

Please note that this page is no longer updated. All modules and study plans from PO version 2021 onwards (Bachelor and Master study programs) are now available on the Campus Portal.

module properties Data Science for Industrial Applications in degree program Master Fahrzeugtechnik 2022
module number	200308
examination number	2300774
department	Department of Mechanical Engineering
ID of group	2326 (Information Technology in Production and Logistics)
module leader	Prof. Dr. Steffen Straßburger
term	winter term only
language	Deutsch
credit points	5
on-campus program (h)	45
self-study (h)	105
obligation	elective module
exam	written examination performance, 60 minutes
details of the certificate
link to Moodle course	https://moodle.tu-ilmenau.de/course/view.php?id=2046
teacher	Dr. Niclas Feldkamp
signup details for alternative examinations
maximum number of participants
previous knowledge and experience	Fundierte Kenntnisse in Mathematik und Statistik (z. B. Statistik 1 und 2), Programmierkenntnisse (z. B. Entwicklung von Anwendungskomponenten)
learning outcome	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.
content	Die Inhalte der Vorlesung umfassen folgende Bereiche: Datenaufbereitung, -verarbeitung und -speicherung: Allgemeine Grundlagen sowie im Hinblick auf Themen im Kontext von industriellen Anwendungen, wie IoT und Industrie 4.0. Datenanalyse: Deskriptive und explorative Statistik, Data-Mining-Methoden, praktische Beispiele im industriellen Kontext. Machine Learning und Deep Learning: Grundlagen und Anwendungsbeispiele im industriellen Kontext. KI-Methoden: Grundlagen und Anwendungsbeispiele im industriellen Kontext, ethische Aspekte bzgl. Transparenz und Verantwortlichkeit, Explainable AI. Hybride Simulation und Data Farming: Digitale Zwillinge, Experimentdesign, Metamodellierung, Robustheitsanalysen. Zeitreihenanalyse: Analyse- und Vorhersagemethoden für zeitbasierte Daten, z. B. für prädiktive Wartung. Visual Analytics und Visualisierungskonzepte
media of instruction and technical requirements for education and examination in case of online participation	Powerpoint-Präsentation, interaktives Tafelbild, Arbeitsblätter für rechnergestützte Übungen
literature / references	N. Feldkamp. Wissensentdeckung im Kontext der Produktionssimulation. - Ilmenau : Universitätsverlag Ilmenau, 2020.
evaluation of teaching