Datengetriebene Methoden verändern das moderne Ingenieurwesen und ermöglichen ein intelligenteres Produktdesign, effizientere Produktionssysteme und intelligente Robotik. Um die Studierenden auf diese Herausforderungen vorzubereiten, legt dieser Kurs den Schwerpunkt auf die angewandten, technischen Aspekte des datengetriebenen Ingenieurwesens.

Aufbauend auf Kursen, in denen Datenwissenschaft und maschinelles Lernen vorgestellt wurden (siehe Voraussetzungen), umfasst der Kerninhalt technische Aspekte industrieller Datenquellen (z. B. Datenbanktechnologien, REST-APIs), Messaging-Technologien (z. B. MQTT), Versionskontrolle (z. B. Git mit GitLab) und server- oder clusterbasierte Berechnungen für skalierbare Datenverarbeitung (z. B. HPC am KIT). Die Studierenden bearbeiten angeleitete Übungen und arbeiten in kleinen Gruppen an praxisnahen Fallstudien zum maschinellen Lernen, die auf realen Daten aus unserem Labor basieren. Das Modul behandelt auch Methoden zur Erklärbarkeit und Interpretierbarkeit von Modellen, um eine transparente Entscheidungsfindung in technischen Anwendungen zu unterstützen.

Der Kurs ist als Vor-Ort-Projekt mit regelmäßiger persönlicher Zusammenarbeit und enger Betreuung konzipiert und bietet den Studierenden kontinuierliches, strukturiertes und individuelles Feedback zu ihrem Code und ihrer technischen Umsetzung.

Voraussetzungen

„Data Science Fundamentals in Engineering“, „Grundlagen der Künstlichen Intelligenz“ oder ein vergleichbarer Kurs muss bestanden worden sein.

Lernziele

Nach erfolgreichem Abschluss des Moduls sind die Studierenden in der Lage:

• Fortgeschrittene Methoden aus Data Science und maschinellem Lernen auf technische Datensätze aus industriellen Quellen anzuwenden.
• Datenanalyse- und Machine-Learning-Pipelines unter Verwendung von Kollaborationswerkzeugen, Versionskontrolle und clusterbasiertem Computing zu entwerfen und zu implementieren.
• Die Leistung und Grenzen von maschinellen Lernmodellen in angewandten technischen Szenarien zu analysieren, zu interpretieren und zu bewerten.

Anmerkung

Die Teilnehmerzahl ist begrenzt. Informationen zur Bewerbung in ILIAS.

Organisatorische Hinweise

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

Arbeitsaufwand

120 Stunden

See ILIAS for time and location