Modulbeschreibung
Data Engineering and Industrial Artificial Intelligence 1
Kürzel:
Durchführungszeitraum:
ECTS-Credits:
Arbeitsaufwand (h):
Lernziele:
Die Kurse IoT & Scientific Computing kombiniert zwei essenzielle Bereiche der modernen Ingenieurwissenschaften: die Vernetzung und Echtzeit-Datenverarbeitung durch das Internet der Dinge (IoT) sowie die algorithmische Modellierung und Analyse technischer Systeme im wissenschaftlichen Rechnen. Studierende erwerben theoretische und praktische Kompetenzen, um Sensordaten effizient zu erfassen, zu verarbeiten und mit fortgeschrittenen numerischen Methoden auszuwerten.
Der Kurs IoT & Edge Computing vermittelt Konzepte zur Vernetzung intelligenter Systeme in Anwendungen wie Industrie 4.0, Smart Health, Smart Grids und Smart Cities. Dabei stehen die Architektur und Implementierung verteilter Sensornetzwerke, Echtzeit-Datenanalyse sowie Edge-Computing-Technologien zur lokalen Vorverarbeitung im Mittelpunkt. Studierende lernen, wie Sensordaten effizient erfasst, verarbeitet und in vernetzten Systemen genutzt werden.
Der Kurs Scientific Computing vertieft die algorithmischen Grundlagen für die Analyse komplexer Datenmengen. Ein besonderer Fokus liegt auf Datenstrukturen (z. B. Listen, Graphen, Heaps) und Algorithmendesign (iterativ, rekursiv, funktional) als Basis für effiziente Berechnungen. Darüber hinaus werden Methoden der extensiven und informierten Suche behandelt, um komplexe Optimierungsprobleme zu lösen – ein zentraler Einstieg in die Welt des Maschinellen Lernens. Studierende lernen, wie numerische Simulationen mit strukturierten Daten effizient durchgeführt werden und wie fortgeschrittene Such- und Optimierungsalgorithmen zur Lösung realer Ingenieurprobleme eingesetzt werden können.
Durch die enge Verknüpfung beider Themenbereiche verstehen Studierende, wie IoT-Daten durch wissenschaftliche Algorithmen analysiert und interpretiert werden können. Sie entwickeln praxisnahe Anwendungen, die Sensordaten in Echtzeit verarbeiten und numerische Methoden zur Entscheidungsfindung nutzen. Das Modul bereitet somit auf fortgeschrittene Anwendungsfelder wie Maschinelles Lernen, intelligente Steuerungssysteme und datengetriebene Simulationen vor.
Verantwortliche Person:
Standort (angeboten):
Empfohlene Module:
Zusätzlich vorausgesetzte Kenntnisse:
Ebenfalls sollten die beiden Module ELA1 und ELA 2 besucht worden sein.
Modultyp:
Bemerkungen:
Das Modul findet im Herbstsemester statt.
ECTS-Credits pro Kategorie
Modulbewertung
Bewertungsart:
Leistungsbewertung
Während der Prüfungssession:
Bemerkungen zur Prüfung:
Die Modulschlussprüfung findet in zwei Teilen statt. Der erste Teil umfasst den Kurs IoT & Edge Computing und der zweite Teil umfasst den Kurs Scientific Computing. Beide Teile dauern je 60 Minuten.
Während des Semesters:
Im Kurs Scientific Computing wird ein Projekt mittels Bericht, Präsentation und Fachgespräch bewertet.
Bewertungsart:
Gewichtung:
Es findet eine abgesetzte Modulschlussprüfung in zwei Teilen statt. Der erste Teil umfasst den Kurs IoT & Edge Computing (Gewicht 50%) und der zweite Teil umfasst den Kurs Scientific Computing (Gewicht 25%). Im Kurs Scientific Computing wird zusätzlich ein Projekt mittels Bericht, Präsentation und Fachgespräch (Gewicht 25%) bewertet.
Bemerkungen:
Teilbewertung:
Kurse in diesem Modul
Scientific Computing
Kürzel:
Arbeitsaufwand (h):
Semester:
Lernziele:
Einführung in das Edge-, Fog- und Cloud-Computing im Kontext von IoTWissenschaftliches Rechnen ist eine zentrale Disziplin in der Ingenieurwissenschaft und spielt eine entscheidende Rolle in der Mechatronik. Dieser Kurs vermittelt grundlegende numerische Methoden und Algorithmen, die zur Modellierung, Simulation und Analyse komplexer technischer Systeme eingesetzt werden. Studierende erlernen nicht nur die theoretischen Grundlagen, sondern auch deren praktische Anwendung mithilfe moderner Software-Werkzeuge.
Ein besonderes Augenmerk liegt auf der Effizienz von Algorithmen, der numerischen Stabilität sowie der angemessenen Wahl von Datenstrukturen. Dabei werden verschiedene mathematische Konzepte wie Graphentheorie, Interpolation, numerische Integration und symbolisches Rechnen behandelt. Durch praxisnahe Beispiele und Implementierungsaufgaben erhalten die Studierenden einen tiefgehenden Einblick in die numerische Lösung ingenieurwissenschaftlicher Problemstellungen.
Die Studierenden
- können in Python Klassen und Funktionen zur Lösung technischer numerischer Probleme schreiben und verwenden.
- kennen die Vor- und Nachteile des iterativen, rekursiven und funktionalen Programmierens sowie deren Unterschiede.
- können die Kondition eines Problems beurteilen sowie die Stabilität eines einfachen Algorithmus abschätzen.
- können die Komplexität (Rechen- , Speicherkomplexität) eines Algorithmus abschätzen und kennen die O(n)-Notation.
- kennen die wichtigsten Such- und Sortierverfahren: z.B. Binäre Suche, Quick Sort, Heap Sort.
- können numerische Verfahren zur Lösung von eindimensionalen Gleichungen f(x)=0 anwenden (Nullstellensuche).
- können Polynome und Splines in 1D zur Interpolation, Integration und Differenzierung verwenden.
- können Quadraturverfahren zur numerischen Approximation von eindimensionalen Integralen verwenden.
- kennen Graphen als Werkzeuge zur Modellierung diskreter Probleme.
- können einfache Suchverfahren (BFS, DFS, A*) in Graphen verwenden und kennen die zugehörigen Datenstrukturen (queue, stack, heap).
- können die gelernten theoretischen Konzepte in praktischen Anwendungen umsetzen.
- können Messdaten auslesen, visualisieren, quantisieren, glätten, integrieren, differenzieren und interpolieren.
Plan und Lerninhalt:
- Einführung Algorithmen und Komplexität, Zahlendarstellung
- Rekursion und Backtracking: Nullstellensuche
- Kondition eines Problems und Komplexitätsanalyse
- Lineare Datenstrukturen (queue, stack, heap)
- Graphen als Datenstrukturen
- Suche auf Graphen (BFS, DFS, A*)
- Graphenalgorithmen: z.B. Diijkstra, Page Rank
- Polynom-Interpolation: Lagrange-Polynome
- Integration: Quadraturregeln und Gauss Integration
- Einführung in die Vektorräume orthogonaler Polynome (Basisfunktionen)
- Kubische Splines und B-Splines
- Symbolisches Lösen (sympy)
Ansprechspersonen:
Unterrichtssprache:
Leistungsnachweis:
Projektarbeit und Modulschlussprüfung
Lehr- und Lernmethoden:
Vorlesung, Selbststudium, Übungen
Bibliographie:
Vorlesungsskript
- Robert Johansson: Numerical Python. Scientific Computing and Data Science Applications with Numpy, SciPy and Matplotlib.
https://link.springer.com/book/10.1007/978-1-4842-4246-9 - Svein Linge , Hans Petter Langtangen: Programming for Computations – Python, A Gentle Introduction to Numerical Simulations with Python 3.6, Textbook Open Access © 2020, https://link.springer.com/book/10.1007/978-3-030-16877-3
- Hans Petter Langtangen: A Primer on Scientific Programming with Python https://link.springer.com/book/10.1007/978-3-662-49887-3
- Hans Petter Langtangen: Elements of Scientific Computing https://link.springer.com/book/10.1007/978-3-642-11299-7
Kursart:
Durchführung gemäss Stundenplan
Bemerkungen:
Unterrichtssprache Deutsch (Fachbegriffe und Material teilweise auf Englisch)
IoT & Edge Computing
Kürzel:
Arbeitsaufwand (h):
Semester:
Lernziele:
IoT und Edge Computing sind wichtige Basistechnologien für die Vernetzung von Computersystemen in Produktion und Logistik (Industrie 4.0), in der Landwirtschaft (Smart Agriculture), im Gesundheitswesen (Smart Health), in der Energieversorgung (Smart Grid), in der Gebäudetechnik (Smart Home), im Städtemanagement (Smart City), in der Nahrungszubereitung (Kitchen 4.0) und in intelligenten Produkten (Smart Products). In diesem Kurs erwerben die Studierenden fundierte Kenntnisse über die grundlegenden Konzepte des IoT und des Edge Computing. Theoretische Inhalte werden durch praxisnahe Übungen vertieft.
Die Studierenden
- kennen die theoretischen Grundlagen des Internets der Dinge.
- kennen wichtige IoT-Kommunikationsprotokolle, IoT-Plattformen und Interaktionsmuster.
- wissen, wie die intelligenten Dinge des IoT aufgebaut sind.
- kennen die Vorzüge von Edge-, Fog- und Cloud-Computing bezüglich IoT.
- kennen best practices im Bereich IoT-Sicherheit.
- können einfache intelligente Gegenstände für das Internet der Dinge entwerfen und entwickeln.
- können Monitoring (Sensorik) und Controlling (Aktorik) IoT Applikationen realisieren.
Plan und Lerninhalt:
- Einführung in das Internet der Dinge (IoT) und seine Rolle im Alltag, sowohl im privaten als auch im industriellen Bereich.
- Erläuterung der zentralen Komponenten des IoT und seiner Integration in verschiedene Lebensbereiche.
- Grundlegende Konzepte der Computerkommunikation und deren Bedeutung für IoT-Kommunikationsprotokolle.
- Vorstellung gängiger Interaktionsmuster und relevanter IoT-Plattformen.
- Einführung in das Edge-, Fog- und Cloud-Computing im Kontext von IoT.
- Diskussion der Sicherheitsaspekte von IoT-Systemen und Best Practices zur Sicherstellung von Datensicherheit.
- Praxisorientierte Übungen mit einem Mikrocontroller-Board zur Anwendung des theoretischen Wissens.
Ansprechspersonen:
Unterrichtssprache:
Leistungsnachweis:
Modulschlussprüfung
Lehr- und Lernmethoden:
Vorlesung, Selbststudium, Übungen
Bibliographie:
Vorlesungsskript
Kursart:
Durchführung gemäss Stundenplan
Bemerkungen:
Unterrichtsprache ist Deutsch und die Literatur teilweise auf Englisch