Data Science für industrielle Anwendungen - Interaktive Studienpläne der TU Ilmenau

Die Interaktiven Studienpläne 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.

Bitte beachten Sie, dass auf dieser Seite keine Aktualisierungen mehr vorgenommen werden. Alle Module und Studienpläne ab der PO-Version 2021 (Bachelor- und Master-Studiengänge) sind ab sofort im Campus-Portal erreichbar.

Modulinformationen zu Data Science für industrielle Anwendungen im Studiengang Master Wirtschaftsingenieurwesen 2021 (MB)
Modulnummer	200308
Prüfungsnummer	2300774
Fakultät	Fakultät für Maschinenbau
Fachgebietsnummer	2326 (Informationstechnik in Produktion und Logistik)
Modulverantwortliche(r)	Prof. Dr. Steffen Straßburger
Turnus	Wintersemester
Sprache	Deutsch
Leistungspunkte	5
Präsenzstudium (h)	45
Selbststudium (h)	105
Verpflichtung	Wahlmodul
Abschluss	schriftliche Prüfungsleistung, 60 Minuten
Details zum Abschluss
Link zum Moodle-Kurs	https://moodle.tu-ilmenau.de/course/view.php?id=2046
Lehrende	Dr. Niclas Feldkamp
Anmeldemodalitäten für alternative PL oder SL
max. Teilnehmerzahl
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: 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
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