Modulbeschreibung

Data Engineering and Industrial Artificial Intelligence 2

ECTS-Credits:
4
Lernziele:

Die Kurse Data Analytics and Predictive Modelling vermittelt essenzielle Methoden der datengetriebenen Analyse und Modellierung und kombiniert damit zentrale Konzepte der Statistik, maschinellen Lernens und Datenvisualisierung. Die Studierenden erwerben ein umfassendes Verständnis für die Analyse, Aufbereitung und Interpretation von Daten sowie für die Entwicklung probabilistischer und deterministischer Modelle zur Vorhersage und Entscheidungsunterstützung. 

Der Kurs Data Analytics & Visualization legt den Fokus auf grundlegende Analysetechniken, Dimensionsreduktion und die Visualisierung komplexer Daten. Studierende lernen, große und heterogene Datensätze zu verarbeiten, geeignete Analyseverfahren wie Regressions- und Clusteranalyse anzuwenden und durch interaktive Visualisierungen datengetriebene Entscheidungen zu unterstützen. 

Parallel vermittelt Predictive Modelling die mathematischen und statistischen Grundlagen probabilistischer Modellierung sowie fortgeschrittene Techniken zur Vorhersage von Systemverhalten. Studierende vertiefen ihr Wissen in der Wahrscheinlichkeitsrechnung, lernen Regularisierungsverfahren für Regressionsmodelle sowie probabilistische Klassifikatoren und Clustering-Methoden wie Gaussian Mixture Models kennen. Darüber hinaus werden Bayes’sche Methoden und Sampling-Techniken zur Unsicherheitsquantifizierung behandelt. 

Die enge Verknüpfung beider Kurse ermöglicht es den Studierenden, datenbasierte Zusammenhänge zu erkennen, fundierte Vorhersagemodelle zu entwickeln und die gewonnenen Erkenntnisse durch Visualisierungen effektiv zu kommunizieren. Der praktische Bezug wird durch anwendungsorientierte Übungen und Implementierungen mit modernen Software-Tools verstärkt, insbesondere im Kontext industrieller und mechatronischer Anwendungen.

Kurse in diesem Modul

Data Analytics & Visualization:
  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 
Klassenunterricht mit 2 Lektionen pro Woche
Predictive Modelling:
  • 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 
Klassenunterricht mit 2 Lektionen pro Woche
Disclaimer

Diese Beschreibung ist rechtlich nicht verbindlich! Weitere Informationen finden Sie in der detaillierten Modulbeschreibung.