Modulbeschreibung

Data Engineering and Industrial Artificial Intelligence 3

ECTS-Credits:
8
Lernziele:

Das Modul befähigt die Studierenden, Optimierungsprobleme in mechatronischen Systemen strukturiert zu formulieren, geeignete Lösungsstrategien auszuwählen und die Ergebnisse im ingenieurwissenschaftlichen Kontext zu interpretieren.

 

Das Modul befähigt Studierende, Datenbanksysteme als integralen Bestandteil moderner mechatronischer Systeme zu verstehen, zu entwerfen und anzuwenden. Sie erwerben die Kompetenz, Mess-, Zustands- und Produktionsdaten strukturiert zu verwalten, auszuwerten und in skalierbare, Cloud-fähige Architekturen einzubetten. Das Modul legt den Schwerpunkt auf konzeptionelles Verständnis, praktische Anwendung und fundierte Entscheidungsfähigkeit, nicht auf formale Datenbanktheorie oder Systemadministration. Die Studierenden lernen die Grundlagen datenbankgestützter Anwendungen kennen, mit einem Schwerpunkt auf relationalen Datenbanksystemen, der praktischen Nutzung in Anwendungsarchitekturen, der konzeptionellen Planung analytischer Strukturen wie Data Warehouses sowie der Datenanalyse und Exploration mit Python.

 

Dieses Modul führt die Teilnehmer in klassische neuronale Netzwerkstrukturen, Multilayer Perceptrons (MLP), Convolution Neural Networks (CNN), Long Short-Term Memory (LSTM), Gated Recurrent Neural Networks (GRU) und Autoencoder (AE, VAE) ein. Die Anwendung dieser Architekturen auf Computer Vision, Zeitreihen, Sicherheit, Verarbeitung natürlicher Sprache (NLP) und Datengenerierung wird behandelt. Aspekte des High Performance Computing (HPC) werden zeigen, wie Deep Learning sowohl auf grafischen Verarbeitungseinheiten (GPUs) als auch auf Grids genutzt werden kann. Der Schwerpunkt liegt in erster Linie auf der Anwendung des Deep Learnings auf Probleme, mit einer Einführung in die mathematischen Grundlagen. Die Studenten werden die Programmiersprache Python verwenden, um Deep Learning mit Pytorch und/oder Keras zu implementieren.

Kurse in diesem Modul

Optimierung:

Klassifikation von Optimierungsproblemen

  • Gleichungs- und Ungleichungsnebenbedingungen


Lineare Programme

  • Graphische Lösung 2-dimensionaler Probleme
  • Simplex-Algorithmus


Nichtlineare Optimierung

  • Eindimensionale Optimierung
  • Mehrdimensionale Optimierung ohne Nebenbedingung
  • Karush-Kuhn-Tucker-Bedingung


Numerik der Optimierung

  • Gradientenverfahren und Line Search
  • Gradientenverfahren mit Momentum
  • Newton-Algorithmus, Sekantenverfahren und Regula Falsi 
  • Verfahren des Goldenen Schnitts und Bisektion 
  • Strafverfahren und Barriere-Methode
Klassenunterricht mit 2 Lektionen pro Woche
Datenbanken und Cloud Computing:

I. Grundlagen & Motivation
   - Bedeutung von Daten in mechatronischen Systemen.
   - Typische Anwendungsbeispiele aus Produktion, Monitoring und Sensorik.
   - Motivation für Datenbanken gegenüber einfachen Dateiformaten.
   - Einführung eines durchgängigen Anwendungsszenarios.

II. Relationale Datenbanken
   - Relationales Modell: Tabellen, Schlüssel und Beziehungen.
   - Grundprinzipien der Datenmodellierung und Umsetzung in relationale Schemata (ER-Diagramme, Schlüssel, Beziehungen,         Kardinalitäten).
   - SQL-Grundlagen zur Definition, Abfrage und Manipulation von Daten.
   - Praktische Nutzung eines leichtgewichtigen relationalen Datenbanksystems (z. B. SQLite) zur Speicherung und Abfrage von       Daten.
   - Datenkonsistenz und grundlegende Transaktionskonzepte.

III. Datenbanken in Anwendungen
   - Einbindung von Datenbanken in Softwareanwendungen.
   - Konzeptionelle Betrachtung von Architekturen.
   - Praxisbeispiele aus der Programmierung.

IV. Datenanalyse & Exploration
   - Abfrage, Aggregation und Aufbereitung von Mess- und Zustandsdaten aus Datenbanksystemen.
   - Explorative Datenanalyse und einfache Visualisierung zur Unterstützung von Monitoring- und Analyseaufgaben.
   - Anwendung typischer Auswertungsmethoden in mechatronischen Anwendungsfällen, wie Zustandsüberwachung oder                 Betriebsdatenauswertung.

V. Analytische Konzepte & Einführung in Data Warehousing
   - Unterschied zwischen operativer und analytischer Datenhaltung (OLTP vs. OLAP).
   - Grundidee von Data Warehouses und typische Einsatzszenarien in Monitoring und Analyse.
   - Aufbau eines einfachen Star-Schemas anhand von Mess- oder Produktionsdaten.
   - Zentrale OLAP-Konzepte: Aggregationen, Zeitdimension, Kennzahlen.
   - ETL als Grundkonzept: Datenübernahme von operativen Systemen in analytische Strukturen.

VI. NoSQL-Datenbanken
   - Überblick über NoSQL-Datenbanksysteme mit Fokus auf praxisrelevante Typen:
          Time-Series-Datenbanken (z. B. InfluxDB) für Sensorik, Monitoring und Zeitreihendaten.
          Dokumentenorientierte Datenbanken (z. B. MongoDB) für flexible JSON-Daten und Logfiles.
   - Typische Anwendungsfälle und Entscheidungshilfen für die Auswahl des passenden Datenbanktyps.
   - Vergleich relationaler und NoSQL-Datenbanken: Stärken, Schwächen und Einsatzszenarien.
   - Grundlegende Prinzipien von NoSQL: schemalose Datenhaltung, horizontale Skalierung, hohe Verfügbarkeit.

VII. Cloud-Datenbanken
   - Vorteile und Herausforderungen cloudbasierter Datenbanksysteme (z. B. Skalierbarkeit, Wartungsaufwand, Verfügbarkeit).
   - Konzeptuelle Überlegungen zu Zugriff, Sicherheit, Datenintegration und Kostenmanagement.
   - Einführung in gängige Cloud-Plattformen wie Google Cloud Platform (GCP), mit Beispielen für Cloud-Datenbanken und               Managed Services.
   - Praktische Demonstration eines Cloud-Datenbankeinsatzes: Verbindung von IoT- oder Produktionsdaten zu einer Cloud-             Lösung, einschliesslich Datenspeicherung, Zugriff und Analyse.

Klassenunterricht mit 2 Lektionen pro Woche
Deep Learning:

I. Grundlagen des Deep Learnings & Trainings

  • Einführung in Künstliche Neuronale Netze
  • Grundidee neuronaler Netze, Optimierungsproblem, Backpropagation, Modell–Daten–Loss–Optimierer
  • Klassifizierung mit Multilayer Perceptrons (MLPs)
  • The Machine-Learning-Workflow: Datenaufbereitung, Training, Validierung, Test, Metriken
  • DNN Trainieren: Optimierer, Lernraten, Overfitting, Regularisierung, praktische Trainingsstrategien

II. Computer Vision mit CNNs (Räumliche Daten & Bildverarbeitung)

  • Einführung in CNNs: Faltungen, Feature Maps, Pooling, Architekturen
  • CNNs auf kleinen Datensätzen, Data Augmentation
  • Generalisierung, Regularisierung, praktische Tricks
  • Transfer-Learning und Fine-Tuning
  • Vortrainierte Netze, Feature Extractor vs. Fine-Tuning
  • Was CNNs lernen: Explainable AI (XAI)
  • Visualisierung von Features, Grad-CAM, Interpretierbarkeit

III. Sequenzmodelle & Natural Language Processing (Sequenzielle Daten)

  • Natural Language Processing (NLP): Word Embeddings
  • Vektorrepräsentationen von Sprache, semantische Ähnlichkeit
  • RNNs und Sequence2Sequence-Modelle
  • LSTM/GRU, Encoder–Decoder, zeitliche Abhängigkeiten

IV. Generative Modelle & Repräsentationslernen

  • Daten erzeugen, komprimieren, transformieren
  • Generative Modelle: Diskriminativ vs. generativ, Sequenzgenerierung, Sampling
  • Autoencoder: AE, VAE, latente Räume, Dimensionsreduktion
  • Style Transfer: Generative Bildtransformation, kreative Anwendungen

V. Moderne Architekturen & Ausblick (State of the Art & Einordnung)

  • Large Language Models
  • Transformer, Attention-Mechanismus, LLMs
Klassenunterricht mit 4 Lektionen pro Woche
Disclaimer

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