Data Science in EngineeringModule description #30855 / Version 1
- 3 CP
- Portfolio examination
- Graded
- Winter and summer semester
- German
This module description is not valid in the current semester (Winter semester 2026/27).
Current version (v6)
| Module / Version | #30855 / #1 |
|---|---|
| Validity | Summer semester 2021 – Winter semester 2021/22 |
| Available language(s) | German |
| Credit points | 3 |
| Person responsible for the module | Repke, Jens-Uwe |
| Grading | Graded |
| Exam format | Portfolio examination |
| Language(s) of instruction | German |
Affiliation
| Faculty | Fakultät III |
|---|---|
| Institute | Institut für Prozess und Verfahrenstechnik |
| Academic chair | 33351500 FG Dynamik und Betrieb technischer Anlagen |
Contact
| Office | KWT 9 |
|---|---|
| Contact person | Hoffmann, Christian |
| E-mail address | lehre@dbta.tu-berlin.de |
| Website | https://www.tu.berlin/dbta/studium-lehre/lehrveranstaltungen-ii/data-science-in-process-engineering |
Learning outcomes
Die Studierenden erhalten einen Überblick über die modernen Methoden des Data Science in den Ingenieurwissenschaften mit einem Fokus auf der chemischen Verfahrenstechnik. Die Studierenden kennen die grundlegenden Methoden der Datenvorbehandlung, der Feature-Extraktion und können diese anwenden. Nach Abschluss des Moduls haben die Studierenden einen Überblick über die Methoden zur daten-getriebenen Modellierung, Trainingsverfahren des maschinellen Lernens und können diese anhand frei verfügbarer Frameworks eigenständig auf verfahrenstechnische Beispiele anwenden.
Content
Behandelt werden (i) die Grundlagen zur Datenvorbehandlung wie Multikollinearität, Lineare Abhängigkeiten, Imputation fehlender Werte, Anomaliedetektion, Umgang mit Ausreißern, (ii) Methoden zur Feature-Selektion und -Extraktion zum Beispiel unter Nutzung von Stepwise Variable Selection, Lasso, L1-Regularisierung, BoxCox Transformation, PCA und PLS, (iii) basierend darauf werden überwachte und unüberwachte Methoden des maschinellen Lernens eingeführt, um Klassifikations- und Regressionsprobleme zu lösen, (iv) neben linearen Methoden werden auch nichtlineare Methoden eingeführt wie Random Forst, Support Vector Machines und neuronale Netze. Die Methoden werden anhand von Beispielen aus dem Chemieingenieurwesen bzw. der Verfahrenstechnik erläutert und die Beispiele den Studierenden zur Verfügung gestellt. Zur Anwendung kommen Softwareframeworks in R (R Kenntnisse sind keine Voraussetzung, s.u.)
Module components
Not specified
Workload and credit points
Course-independent workload
| Workload description | Multiplier | Hours | Total |
|---|---|---|---|
| Klausurvorbereitung | 1 | 15 h | 15 h |
| Präsenz in der Vorlesung | 1 | 15 h | 15 h |
| Projekt Data Science | 1 | 30 h | 30 h |
| Vor- und Nachbereitung | 1 | 15 h | 15 h |
| 75 h | |||
The workload of the module adds up to 75 hours. The module therefore comprises 3 credit points.
Description of teaching and learning methods
Die Lehrveranstaltung findet als wöchentliche Onlinevorlesung mit in der Vorlesung integrierten Übungseinheiten statt. Vor den Übungseinheiten werden den Studierenden entsprechende Anwendungsbeispiele als rechnergestützte Aufgaben zur selbstständigen Bearbeitung zur Verfügung gestellt und die Ergebnisse in kleinen Gruppen besprochen.
Requirements for participation and examination
Desirable prerequisites for participation in the courses:
Dieses Modul wird empfohlen für Masterstudierende in Energie- und Verfahrenstechnik, Chemieingenieurwesen, Regenerative Enegiesysteme, Process Energy and Environmental Systems Engineering, Informationstechnik im Maschinenwesen, Informatik und Physik.
Es gibt keine formalen Voraussetzungen zur Teilnahme. Zu Beginn wird eine kurze Einführung in R gegeben, so dass keine Vorkenntnisse in R notwendig sind. Grundsätzliche Programmiervorkenntnis z.B. in Matlab sind aber notwendig. Es wird empfohlen zuvor folgenden Lehrveranstaltungen zu absolvieren:
- Analysis I und II sowie Lineare Algebra für Ingenieure
- Numerische Methoden für Ingenieure
- Grundlagen der Programmierung / Informatik für Ingenieure
Es gibt keine formalen Voraussetzungen zur Teilnahme. Zu Beginn wird eine kurze Einführung in R gegeben, so dass keine Vorkenntnisse in R notwendig sind. Grundsätzliche Programmiervorkenntnis z.B. in Matlab sind aber notwendig. Es wird empfohlen zuvor folgenden Lehrveranstaltungen zu absolvieren:
- Analysis I und II sowie Lineare Algebra für Ingenieure
- Numerische Methoden für Ingenieure
- Grundlagen der Programmierung / Informatik für Ingenieure
Mandatory requirements for the module examination registration:
This module has no examination requirements.
Completion of the module
| Grading | Graded |
|---|---|
| Exam format | Portfolio examination |
| Type of portfolio examination | 100 points in total |
| Language | German |
Test elements
| Name | Points/Weight | Category | Duration/Extent |
|---|---|---|---|
| mündliche Rücksprache | 20 | oral | |
| Programmierprojekt | 80 | practical |
Exam description
Eigenständiges Programmierprojekt
Duration of the module
The following number of semesters is estimated for taking and completing the module: 1 semester(s).
This module can be started in the following semesters: Winter and summer semester.
Maximum number of participants
The maximum capacity of participants is 20.
Registration procedures
Die Anmeldung erfolgt über das Sekretariat KWT 9 mit den üblichen Anmeldeformularen für Wahl- und Zusatzmodule in Papierform.
Recommended reading, lecture notes
Lecture notes
available
Electronic lecture notes
available
Recommended literature
- Applied predictive modelling (Kjell Johnson und Max Kuhn)
- Elements of statistical learning (Jerome Friedman et al.)
- Introduction to statistical learning (Gareth James et al.)
Assigned programs
This module version is used in the following programs:
| Program / program version | Semester(s) | Curriculum component |
|---|---|---|
| Chemical Engineering MSc_ChemIng_2020 | WS 2021/22 | Wahlpflichtmodule › Technische Chemie |
Miscellaneous
Not specified