Modulbeschreibung

Der Kurs Data Analytics & Visualization vermittelt die wichtigsten Methoden der Datenanalyse und Visualisierung sowie deren praktische Anwendung. Die Studierenden lernen, verschiedene Datentypen aufzubereiten, gängige Python-Bibliotheken einzusetzen und zentrale Analysetechniken wie Regressionsanalyse, Clusteranalyse und Zeitreihenanalyse anzuwenden. Sie entwickeln Kompetenzen zur Interpretation von Datensätzen, um fundierte Entscheidungen zu treffen. 
Ein besonderer Fokus liegt auf der Erstellung und Bewertung von Visualisierungen, einschließlich interaktiver Dashboards. Zudem erwerben die Studierenden Kenntnisse in der Dimensionsreduktion und der Modellinterpretation mittels SHAP-Values. Abschließend wird der praktische Einsatz der erlernten Methoden in industriellen und mechatronischen Anwendungen behandelt. 

Die Studierenden

• kennen die unterschiedlichen Data Analytics Teilbereiche/Methoden, deren Relevanz und Anwendungen. 
• können mit unterschiedlichen Datensätzen umgehen (Datentypen, Fileformate) und können die Daten entsprechend für weitere Analysen aufbereiten. 
• kennen die gängigen Python Data Analytics Bibliotheken und können diese auf individuelle Datensätze anwenden.  
• verstehen das Prinzip der wichtigsten Data Analytics Techniken wie Regressionsanalyse, Monte-Carlo-Simulation, Statistische Methoden, Faktorenanalyse, Kohortenanalyse, Clusteranalyse, Zeitreihenanalyse und können diese anwenden. 
• können anhand der Data Analytics Techniken Datensätze interpretieren und beurteilen und daraus Entscheidungen zu treffen. 
• kennen die Bedeutung von Visualisierungen und sind in der Lage für einen gegebenen Datensatz und einer Zielsetzung eine geeignete Visualisierung zu erstellen. 
• kennen die gängigen Python Visualisierungs-Bibliotheken und können diese anwenden. 
• können interaktive Visualisierungen und Dashboards erstellen.
• sind in der Lage Visualisierungen zu interpretieren und zu beurteilen daraus Entscheidungen zutreffen. 
• kennen und verstehen Methoden der Dimensionsreduktion für Data Analytics und Visualisierung. 
• verstehen die Anwendung von SHAP-Values zur Interpretierbarkeit von Machine-Learning-Modellen und können diese z.B. zur Feature-Importance-Analyse, Modelltransparenz, Fairnessbewertung, Identifikation von Feature-Interaktionen sowie zur Modelloptimierung gezielt einsetzen. 
• kennen den praktischen Zusammenhang der gelernten Methoden und können diese auf industriellen und mechatronischen Problemstellungen anwenden. 

1. Data Analytics Theorie I 
   a. Einführung & Grundlagen 
   b. Was ist Data Analytics? 
   c. Methoden und Technik 
2. Data Analytics Theorie II 
   a. Datenquellen
   b. Datentypen
   c. Datenaufbereitung 
3. Data Analytics Werkzeuge I 
   a. Pandas (hdf5, pickles, parquet) 
   b. Numpy
4. Data Analytics Theorie III 
   a. Techniken 
   b. Regression 
   c. Statistik <
   d. Clustering
   e. Zeitreihen
   f. Feature Analysis
   g. Dimensionsreduktion 
5. Data Analytics Werkzeuge II 
   a. Scipy
   b.Statsmodels
   c. Scikit-Learn 
6. Data Visualization Theorie I 
   a. Einführung & Grundlagen
   b. Visualisierungsprinzipien (Grundlagen, Design, ...) 
7. Data Visualization Werkzeuge I 
   a. Python (Matplotlib, Plotly, Seaborn) 
   b. Interaktive Plots 
8. Data Visualization Werkzeuge II 
   a. Python 
   b. Dashboards 
   c. PowerBI 
   d. Tableau 
   e. Qluick 
9. Data Visualization Theorie II 
   a. Dimensionsreduktion für die Visualisierung 
10. Anwendungsbeispiele/Übungen/Begleitendes Projekt 
    a. Praktische Anwendungen (Marketing, Finanzen, Gesundheit, Industrie, Mechatronik, …) 
    b. Analyse von Datensätzen, Erstellung von Diagrammen und Dashboard 

Projektarbeit und Modulschlussprüfung

Vorlesung, Selbststudium, Übungen 
Der Praxisteil umfasst ein Projekt zur praxisorientierten Anwendung der in der Theorie erarbeiteten Inhalte. 

Vorlesungsskript 
 

1. Handbuch Data Science mit Python: Grundlegende Tools für die Arbeit mit Daten, 2. Auflage, Jake VanderPlas 
2. Python Data Visualization Cookbook, Second Edition, Igor Milovanivic
3. Statistics and Data Visualization with Python, Second Edition, Jesus Rogel-Salazar 
4. Data Analysis from Scratch with Python, Peters Morgan 
5. Python for Data Analysis: Data Wrangling with pandas, Numpy & Jupyter, Third Edition, Wes McKinney 

Unterrichtssprache Deutsch (Fachbegriffe und Material teilweise auf Englisch) 

Der Kurs Predictive Modelling vermittelt Studierenden des Bachelorstudiengangs Mechatronik grundlegende und fortgeschrittene Techniken zur Entwicklung datengetriebener Modelle. Im Kurs werden zunächst die Grundlagen der Wahrscheinlichkeitsrechnung, Wahrscheinlichkeits-verteilungen und Sampling-Techniken behandelt, um ein fundiertes mathematisches Verständnis für probabilistische Modellierung zu schaffen. Aufbauend darauf lernen die Studierenden verschiedene Modellierungsansätze, darunter die Maximum-Likelihood-Schätzung für Regression, Regularisierungsmethoden (L1, L2) sowie multivariate lineare und logistische Regression. Die Methoden werden mit praxisnahen Anwendungen in der Mechatronik verknüpft. 

Ein weiterer Schwerpunkt des Kurses liegt auf probabilistischen Klassifikatoren wie dem Naïve Bayes Classifier sowie z.B. Gaussian Mixture Models (GMM) für Clustering-Aufgaben. Darüber hinaus wird die Bayes’sche Statistik vertieft, einschliesslich MAP-Schätzung, Bootstrapping und der Implementierung probabilistischer Modelle. 

Neben theoretischen Konzepten stehen praktische Implementierungen im Vordergrund, sodass Studierende reale Probleme mit modernen Software-Paketen lösen können. Durch die Kombination aus mathematischen Grundlagen, statistischen Verfahren und maschinellen Lernalgorithmen erhalten die Studierenden eine praxisnahe und interdisziplinäre Ausbildung in Predictive Modelling, die sie auf vielfältige Anwendungen in der Mechatronik vorbereitet.  

Die Studierenden

• kennen grundlegende Gesetze und Konzepte der Wahrscheinlichkeitsrechnung, Zufallszahlen und Wahrscheinlichkeitsverteilungen. 
• verstehen Monte-Carlo-Methoden, Importance Sampling und Markov Chain Monte Carlo (MCMC) und können diese zur Schätzung von Erwartungswerten und deren Varianz anwenden (K3). 
• können Transformationen von Wahrscheinlichkeiten berechnen und anwenden (K3). 
• kennen das Bayes’sche Theorem und verschiedene probabilistische Modellierungsansätze.
• verstehen die mathematischen Grundlagen der Maximum-Likelihood-Schätzung für die Regression und Klassifizierung (mse, Kreuzentropie) .
• nutzen Naïve Bayes Classifier und z.B. Gaussian Naïve Bayes zur Klassifikation. 
• sind in der Lage, multivariate lineare Regression mit Feature Engineering und Feature Selection zu implementieren. 
• sind in der Lage, die Performance von Klassifikations- und Regressionsmodellen mithilfe geeigneter Metriken zu analysieren und die Auswirkungen verschiedener Wahrscheinlichkeitsverteilungen auf Modellierungsergebnisse zu untersuchen (K4). 
• entwickeln prädiktive Modelle für reale Datenprobleme unter Berücksichtigung probabilistischer Modellierungstechniken. 
  konzipieren Machine-Learning-Pipelines mit Methoden der Wahrscheinlichkeitsrechnung und Bayes’schen Modellierung. 

• Zufallszahlen und Einführung in Wahrscheinlichkeitsrechnung 
• Wahrscheinlichkeitsverteilungen und Sampling, Transformation von W'keiten 
• Monte Carlo, Importance Sampling, MCMC, 
• Wahrscheinlichkeitstheorie, Gesetze der Wahrscheinlichkeitsrechnung 
• Probabilistische Modelle, Bayes' Theorem 
• Naïve Bayes Classifier, Gaussian Naïve Bayes 
• Maximum Likelihood Approach für Regression 
• Multivariate lineare Regression, Feature Engineering, Feature Selection 
• Regularisierung (L1, L2) 
• Logistische Regression und Kreuzentropie (ML Schätzung) 
• Multivariate Gauss-Verteilung und Gauss'sche Regression 
• Gaussian Mixture Models (GMM), Clustering 
• MAP-Schätzung, Bayes (II) und, Bootstrapping, PyMC 
• selected topics 

Modulschlussprüfung

Vorlesung, Selbststudium, Übungen

1. ISL Introduction to Statistical Learning (Tibshirani, https://www.statlearning.com/ ) 
2. Christopher Bishop: Pattern Recognition and Machine Learning 
3. Kevin Patrick Murphy: Probabilisic Machine Learning: An Introduction 
4. David Barber: Bayesian Reasoning and Machine Learning 

Unterrichtsprache ist Deutsch (Fachbegriffe und Material teilweise auf Englisch)