Skip to content
Technische Universität Berlin Deutsch
Course catalog and module transfer system

Data Science in EngineeringModule description #30855 / Version 1

← Module page Deutsche Fassung
This module description is not valid in the current semester (Winter semester 2026/27). Current version (v6)
Module / Version#30855 / #1
ValiditySummer semester 2021 – Winter semester 2021/22
Available language(s)German
Credit points3
Person responsible for the moduleRepke, Jens-Uwe
GradingGraded
Exam formatPortfolio examination
Language(s) of instructionGerman

Affiliation

FacultyFakultät III
InstituteInstitut für Prozess und Verfahrenstechnik
Academic chair33351500 FG Dynamik und Betrieb technischer Anlagen

Contact

OfficeKWT 9
Contact personHoffmann, Christian
E-mail addresslehre@dbta.tu-berlin.de
Websitehttps://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 descriptionMultiplierHoursTotal
Klausurvorbereitung115 h15 h
Präsenz in der Vorlesung115 h15 h
Projekt Data Science130 h30 h
Vor- und Nachbereitung115 h15 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

Mandatory requirements for the module examination registration:

This module has no examination requirements.

Completion of the module

GradingGraded
Exam formatPortfolio examination
Type of portfolio examination100 points in total
LanguageGerman

Test elements

NamePoints/WeightCategoryDuration/Extent
mündliche Rücksprache20oral
Programmierprojekt80practical

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 versionSemester(s)Curriculum component
Chemical Engineering
MSc_ChemIng_2020
WS 2021/22Wahlpflichtmodule › Technische Chemie

Miscellaneous

Not specified