Data Science und datengetriebene Methoden sind ein wesentlicher Bestandteil des modernen Ingenieurwesens und beeinflussen alle Phasen des Produktlebenszyklus, vom datengestützten Produktdesign über die Produktion und Qualitätssicherung bis hin zu intelligenten oder autonomen technischen Systemen. Dieses Modul vermittelt grundlegende Konzepte, Methoden und Arbeitsabläufe der Data Science und des maschinellen Lernens mit starkem Fokus auf ingenieurwissenschaftliche Anwendungen.

Die Studierenden erwerben ein Verständnis für typische ingenieurwissenschaftliche Daten und lernen, wie sie grundlegende Datenanalyse- und Machine-Learning-Pipelines entwerfen und implementieren. Ein Bestandteil des Kurses ist die Arbeit an zwei Challenges aus den Bereichen Data Science und maschinelles Lernen, angewendet auf eine Problemstellung aus dem Ingenieurwesen. Die Studierenden nutzen moderne Python-Bibliotheken, um Daten zu analysieren, Modelle zu erstellen und deren Leistung zu bewerten.

Die Themen dieses Kurses umfassen:

• Ingenieurwissenschaftliche Datenquellen, Datentypen, Datenqualität und Datendarstellung
• Data-Science-Workflows, explorative Datenanalyse und Visualisierung
• Statistische Modellierung und Methoden des maschinellen Lernens (Regression, Klassifizierung, Clustering)
• Modelltraining, -bewertung, -validierung und -generalisierung
• Überanpassung, Modellauswahl und Hyperparameteroptimierung
• Pipelines für maschinelles Lernen und praktische Aspekte der Implementierung
• Grundlagen des Deep Learning und neuronaler Netze für technische Anwendungen

Dieses Modul vermittelt grundlegende Kompetenzen für nachfolgende Kurse in den Bereichen datengetriebenes Engineering, maschinelles Lernen und künstliche Intelligenz.

Lernziele

Nach erfolgreichem Abschluss des Moduls sind die Studierenden in der Lage

• die Rolle von Data Science, maschinellem Lernen und Deep Learning im Ingenieurwesen sowie deren Komplementarität zu simulations- und optimierungsbasierten Ansätzen zu erklären.
• Ingenieurdatensätze hinsichtlich Datenqualität, Struktur und Eignung für datengetriebene, lernbasierte Methoden zu analysieren.
• explorative Datenanalyse, statistische Modellierung, maschinelles Lernen und grundlegende Deep-Learning-Methoden auf ingenieurwissenschaftliche Probleme anzuwenden.
• Datenanalyse-, maschinelles Lernen- und Deep-Learning-Pipelines unter Verwendung modernster Python-Bibliotheken zu entwerfen und zu implementieren.
• die Leistung, Generalisierungsfähigkeit und Grenzen von Modellen des maschinellen Lernens und Deep Learning unter Verwendung geeigneter Validierungstechniken zu bewerten.

Organisatorische Hinweise

Weitere Informationen zur Kursorganisation finden Sie unter: lehre.imi.kit.edu und in ILIAS.

Arbeitsaufwand

120 Stunden

The exercises take place on Wednesdays on specific days from 9:45 a.m. to 1:00 p.m. For further information, see ILIAS.