Technische Universität Ilmenau

Data Science for Industrial Applications - Modultafeln of TU Ilmenau

The module lists 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 electronic university catalogue.

Information and guidance on the maintenance of module descriptions by the module officers are provided at Module maintenance.

Please send information on missing or incorrect module descriptions directly to modulkatalog@tu-ilmenau.de.

module properties Data Science for Industrial Applications in degree program Bachelor Mechatronik 2021
module number200308
examination number2300774
departmentDepartment of Mechanical Engineering
ID of group 2326 (Information Technology in Production and Logistics)
module leaderProf. Dr. Steffen Straßburger
term winter term only
languageDeutsch
credit points5
on-campus program (h)45
self-study (h)105
obligationelective module
examwritten examination performance, 60 minutes
details of the certificate
alternative examination performance due to COVID-19 regulations incl. technical requirements
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

  • 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
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