Data Science in EngineeringModule description #30855 / Version 3
- 3 CP
- Portfolio examination
- Graded
- Summer semester
- German
This module description is not valid in the current semester (Winter semester 2026/27).
Current version (v6)
| Module / Version | #30855 / #3 |
|---|---|
| Validity | Summer semester 2023 – Summer semester 2023 |
| 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 die 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 in Python 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/L2-Regularisierung und PCA (iii) basierend darauf werden überwachte Methoden des maschinellen Lernens eingeführt um Regressionsprobleme zu lösen, (iv) neben linearen Methoden (Lineare Regression, Lasso, Robuste Regression) werden auch nichtlineare Methoden wie Support Vector Regression, Gaußprozess Regression und künstliche neuronale Netze eingeführt. Weiterhin werden zur dynamischen datengetriebenen Modellierung rekurrente neuronale Netze behandelt.
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 Python (Python Kenntnisse sind keine Voraussetzung, s.u.)
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 Python (Python Kenntnisse sind keine Voraussetzung, s.u.)
Module components
Compulsory area
The following courses are mandatory for this module:
| Courses | Type | Number | Frequency | Language | Hours per week | Course catalog |
|---|---|---|---|---|---|---|
| Data Science in Engineering | Integrated course | Summer semester | [de] | 2 | ISIS |
Workload and credit points
Data Science in Engineering (Integrated course)
| Workload description | Multiplier | Hours | Total |
|---|---|---|---|
| Attendance | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 1 h | 15 h |
| 45 h | |||
Course-independent workload
| Workload description | Multiplier | Hours | Total |
|---|---|---|---|
| Semesteraufgabe | 1 | 35 h | 35 h |
| Prüfungsvorbereitung | 1 | 10 h | 10 h |
| 45 h | |||
The workload of the module adds up to 90 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 Python gegeben, so dass keine Vorkenntnisse in Python 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 Python gegeben, so dass keine Vorkenntnisse in Python 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: 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
unavailable
Electronic lecture notes
unavailable
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 | SS 2023 | Wahlpflichtmodule › Technische Chemie |
Miscellaneous
Not specified