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

Data Science in Engineering (6 LP)Module description #30944 / Version 1

← Module page Deutsche Fassung
This module description is not valid in the current semester (Winter semester 2026/27). Current version (v4)
Module / Version#30944 / #1
ValiditySummer semester 2022 – Summer semester 2023
Available language(s)German
Credit points6
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 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.)

Module components

Compulsory area

The following courses are mandatory for this module:

CoursesTypeNumberFrequencyLanguageHours per weekCourse catalog
Data Science in EngineeringIntegrated course Summer semester[de]2 ISIS

Workload and credit points

Data Science in Engineering (Integrated course)

Workload descriptionMultiplierHoursTotal
Attendance152 h30 h
Vor-/Nachbereitung151 h15 h
45 h

Course-independent workload

Workload descriptionMultiplierHoursTotal
Wöchentliche Programmieraufgabe (benotet)155 h75 h
Semesteraufgabe135 h35 h
Prüfungsvorbereitung110 h10 h
120 h

The workload of the module adds up to 165 hours. The module therefore comprises 6 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

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 Rücksprache10oral
Wöchentliche Programmieraufgabe50practical
Semesteraufgabe40practical

Exam description

Benotete wöchentliche Programmieraufgaben und eigenständiges Programmierprojekt (Semesteraufgabe) mit mündlicher Rücksprache.

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 is not used in any program.

Miscellaneous

Not specified