*** Status fertig *** --- Angabe der Prüfungsordnung (ohne Angabe: PO 2011) *** PO 2024 *** ------------------------------------------------------------------ --- --- Vorlage für Modulbeschreibungen --- --- Version: 2.0 --- --- Allgemeine Hinweise: --- --- - Kommentare beginnen mit --- und werden komplett ignoriert --- --- - Wichtige Schfüsselwörter beginnen mit *** und dürfen nicht --- verändert oder gelöscht werden!!! --- --- - Die Eingaben müssen immer in den leeren Zeilen nach *** erfolgen. --- --- - Für einen Zeilenumbruch muss eine Leerzeile eingegeben werden. --- ------------------------------------------------------------------ *** Studiengang und Semester --- --- --- Das Semester wird davor geschrieben, auch Semesterbereiche möglich --- Wenn das Modul in mehreren Studiengängen verwendet wird, werden diese --- durch Komma getrennt aufgeführt. --- --- 1-2MaII, 1-2MaMb 2MaII *** Modulbezeichnung --- Name laut Modulliste verwenden Data Science and Analytics *** Englische Modulbezeichnung Data Science and Analytics *** Modulsprache Englisch *** Modulkuerzel DSAN *** *** Art --- nur Alternativen: Pflichtfach, Wahlpflichtfach --- --- Beispiele: --- Pflichtfach --- Wahlpflichtfach --- Pflichtfach Vertiefung Technische Informatik --- Compulsory Subject for Industrial Cyber-Physical Systems --- Pflichtfach Vertiefung Industrial Cyber-Physical Systems, --- Wahlpflichtfach Vertiefung Informationsverarbeitung für cyber-physische Systeme Pflichtfach *** ECTS-Punkte --- nur Zahl angeben --- Beispiele: --- 5 --- 7,5 5 *** Studentische Arbeitsbelastung --- Angabe als x Stunden Kontaktzeit und y Stunden Selbststudium --- Format: x, y 60, 90 *** Voraussetzungen (laut Prüfungsordnung) --- nur Modulbezeichnungen aufführen, z.B. Java 1 *** Empfohlene Voraussetzungen --- zusätzliche Module, die nicht in Prüfungsordnung als Voraussetzung stehen --- nur Modulbezeichnungen aufführen, z.B. Java 1 --- Mathematical knowledge at Bachelor level Mathematik auf Bachelor-Niveau *** Pruefungsform und -dauer --- Alternativen: --- Klausur 1,5 h --- Klausur 1,5h oder mündliche Prüfung --- Mündliche Prüfung --- Erstellung und Dokumentation von Rechnerprogrammen --- experimental work + oral exam Kursarbeit in Form einer Hausarbeit *** Lehrmethoden und Lernmethoden --- Alternativen: Vorlesung, Praktikum, Seminar, Studentische Arbeit --- Falls Modul aus mehreren Veranstaltungen besteht, werden diese durch --- Komma getrennt aufgeführt. Vorlesung *** Modulverantwortlicher --- Vorname abgekürzt, keine Titel --- Beispiel: F. Rump E. Wings *** Qualifikationsziele --- Fließtext eingeben --- siehe Vorgaben in der Dokumentation --- Die Studierenden sollen die numerischen Herausforderungen großer Datenmengen einschätzen und beurteilen können. --- Mit Hilfe einer Standard-Software sollen Sie ausgewählte Algorithmen für hochdimensionale Probleme analysieren, --- bewerten und anwenden können. Auf dieser Basis können sie (kommerzielle) Software-Pakete hinsichtlich deren Anwendbarkeit bewerten. --- Die Studierenden sollen Repräsentationsformen durch gerichtete und ungerichtete Graphen als Bayes-Netze kennenlernen. --- Sie sollen Schlussfolgerungen innerhalb dieses Repräsentationen durchführen und Algorithmen zur Informationsweitergabe --- in Bayes-Netzen programmieren können. Anhand von Beispielen sollen sie das Lernen in Bayes-Netzen erläutern können. --- Students have to be able to estimate and evaluate the numerical challenge of a large amount of data. --- With the support of a standard-software, students have to be able to analyse, assess and use selected algorithms for high-dimensional problems. On this basis, students will be able ---- to assess the applicability of (commercial) software-packages in a scientific context. Die Studierenden sind in der Lage, die numerische Herausforderung einer großen Datenmenge abzuschätzen und zu bewerten. Mit Hilfe einer Standardsoftware sollen die Studierenden in der Lage sein, ausgewählte Algorithmen für hochdimensionale Probleme mit Hilfe des Standardprozesses KDD zu analysieren, zu bewerten und anzuwenden. Nach dem Erlernen der wichtigsten Merkmale von Analytics als Bestandteil eines Industrie 4.0- und/oder IIRA-konformen digitalisierten Ökosystems haben die Studierenden die Möglichkeit, verschiedene Arten von Analytics für unterschiedliche Anwendungsbereiche zu untersuchen und prototypisch anzuwenden. *** Lehrinhalte --- Fließtext eingeben --- Die Bedeutung der Datenanalyse, insbesondere großer Datenmengen (Big Data), wächst in verschiedenen Bereichen der --- Wissenschaft und Wirtschaft. Die Vorlesung behandelt Konzepte, Algorithmen und Technologien zur Analyse von großen --- Datenmengen. Es werden die numerischen Methoden zur Lösung von hochdimensionaler linearer und nichtlinearer --- Gleichungssysteme sowie Verfahren für Kalibrierungs- und Maximum-Likelihood-Probleme behandelt. --- Die künstliche Intelligenz spielt in immer mehr Bereichen von Wissenschaft und Technik eine große Rolle. In der Vorlesung sollen Bayes-Netze zur Darstellung --- von Expertenwissen behandelt werden. Es werden Grundlagen der Graphentheorie, der Wahrscheinlichkeitstheorie und ihre Verknüpfung bei Bayes-Netzen --- behandelt. Außerdem werden Algorithmen zur Wissensweitergabe erläutert. --- The importance of data analysis, especially of a large amount of data (Big Data), is growing in the areas of science and economy. The lecture approaches concepts, algorithms and ------ technology for the analysis of a large amount of data. Numerical methods for solving high-dimensional linear and non-linear systems of equations, as well as the process for --- calibration and Maximum-Likelihood will be addressed. Die Bedeutung der Datenanalyse, insbesondere von großen Datenmengen (Big Data), wächst in den Bereichen Wissenschaft und Wirtschaft. Die Vorlesung behandelt Konzepte, Algorithmen und Technologien zur Analyse großer Datenmengen. Methoden aus dem Bereich Machine Learning, sowie deren Einbettung in die Prozesse CRISP-DM und KDD und deren Einordnung in Industrie 4-0-Standards werden behandelt. Analysen, die mit digitalisierten Daten und Informationen erstellt werden, die von industriellen cyber-physischen Systemen bereitgestellt werden, sind ein wesentlicher Bestandteil digitalisierter Umgebungen und unterstützen die Entscheidungsfindung auf verschiedenen Ebenen in den Ökosystemen von Industrie, Transport, Energie und Gesundheit (oder einer Kombination davon). Die Vorlesung bietet die Möglichkeit, verschiedene Arten der Analytik zu verstehen und wie sie in Industrie 4.0 (RAMI 4.0) und Industrial Internet Reference Architecture (IIRA) Umgebungen integriert werden können. *** Literatur --- Format: Heun, V.: Grundlegende Algorithmen, Vieweg, 2000. --- Mehrere Literaturangaben durch Leerzeilen trennen! --- Wu, James; Stephen Coggeshall, Stephen: Foundations of Predictive Analytics. Chapman and Hall/CRC, 2012 Josh Patterson, Adam Gibson: Deep Learning: A Practitioner's Approach. O’Reilly, 2017 Jörg Frochte: Maschinelles Lernen Grundlagen und Algorithmen in Python. 3. Auflage, Hanser Verlag, 2020 Bühlmann, Peter; Drineas, Petros; Kane, Michael; van der Laan, Mark: Handbook of Big Data. Chapman and Hall/CRC, 2016 The Industrial Internet of Things. Volume T3: Analytics Framework. Industrial Internet Consortium 2017. AI-Guide Platform 4.0. 2020. \url{www.plattform-i40.de/IP/Redaktion/EN/Downloads/Publikation/China/ai-guide.pdf} What Is Data and Analytics? \url{www.gartner.com/en/topics/data-and-analytics} --- Fasel, D., Meier, A.: Big Data - Grundlagen, Systeme und Nutzungspotenziale, Springer, 2016 --- Kruse, R., et.al.: Computational Intelligence, 2. Auflage, Springer Vieweg,2015 ------------------------------------------------------------------ --- --- Hier beginnt die Aufzählung der einzelnen Lehrveranstaltungen --- des Moduls (z.B. Vorlesung und Praktikum). --- --- Falls mehrere Lehrveranstaltungen vorgesehen sind, bitte die --- entsprechenden Bereiche auskommentieren. --- ------------------------------------------------------------------ *** Titel der Lehrveranstaltung --- Beispiel: Praktikum Informationssysteme Data Science *** Dozent --- Vorname abgekürzt, keine Titel --- Beispiel: F. Rump E. Wings *** SWS --- Zahl angeben 2 *** Titel der Lehrveranstaltung --- Beispiel: Praktikum Informationssysteme Analytics *** Dozent --- Vorname abgekürzt, keine Titel --- Beispiel: F. Rump E. Wings, A. W. Colombo *** SWS --- Zahl angeben 2