Data Science in EngineeringModulbeschreibung #30855 / Version 3
- 3 LP
- Portfolioprüfung
- Benotet
- Sommersemester
- Deutsch
Diese Modulbeschreibung gilt nicht im aktuellen Semester (WiSe 2026/27).
Zur aktuellen Version (v6)
| Modul / Version | #30855 / #3 |
|---|---|
| Gültigkeit | SoSe 2023 – SoSe 2023 |
| Verfügbare Sprache(n) | Deutsch |
| Leistungspunkte | 3 |
| Modulverantwortliche*r | Repke, Jens-Uwe |
| Benotung | Benotet |
| Prüfungsform | Portfolioprüfung |
| Lehrsprache(n) | Deutsch |
Zugehörigkeit
| Fakultät | Fakultät III |
|---|---|
| Institut | Institut für Prozess und Verfahrenstechnik |
| Fachgebiet | 33351500 FG Dynamik und Betrieb technischer Anlagen |
Kontakt
| Sekretariat | KWT 9 |
|---|---|
| Ansprechpartner*in | Hoffmann, Christian |
| E-Mail-Adresse | lehre@dbta.tu-berlin.de |
| Webseite | https://www.tu.berlin/dbta/studium-lehre/lehrveranstaltungen-ii/data-science-in-process-engineering |
Lernergebnisse
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.
Lehrinhalte
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.)
Modulbestandteile
Pflichtbereich
Die folgenden Veranstaltungen sind für das Modul obligatorisch:
| Lehrveranstaltungen | Art | Nummer | Turnus | Sprache | SWS | VVZ |
|---|---|---|---|---|---|---|
| Data Science in Engineering | Integrierte Veranstaltung | Sommersemester | [de] | 2 | ISIS |
Arbeitsaufwand und Leistungspunkte
Data Science in Engineering (Integrierte Veranstaltung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 1 h | 15 h |
| 45 h | |||
Lehrveranstaltungsunabhängiger Aufwand
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Semesteraufgabe | 1 | 35 h | 35 h |
| Prüfungsvorbereitung | 1 | 10 h | 10 h |
| 45 h | |||
Der Aufwand des Moduls summiert sich zu 90 Stunden. Damit umfasst das Modul 3 Leistungspunkte.
Beschreibung der Lehr- und Lernformen
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.
Voraussetzungen für die Teilnahme / Prüfung
Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:
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
Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:
Dieses Modul hat keine Prüfungsvoraussetzungen.
Abschluss des Moduls
| Benotung | Benotet |
|---|---|
| Prüfungsform | Portfolioprüfung |
| Art der Portfolioprüfung | 100 Punkte insgesamt |
| Sprache | Deutsch |
Prüfungselemente
| Name | Punkte/Gewicht | Kategorie | Dauer/Umfang |
|---|---|---|---|
| mündliche Rücksprache | 20 | mündlich | |
| Programmierprojekt | 80 | praktisch |
Prüfungsbeschreibung (Abschluss des Moduls)
Eigenständiges Programmierprojekt
Dauer des Moduls
Für Belegung und Abschluss des Moduls ist folgende Semesteranzahl veranschlagt: 1 Semester.
Dieses Modul kann in folgenden Semestern begonnen werden: Sommersemester.
Maximale teilnehmende Personen
Die maximale Teilnehmerzahl beträgt 20.
Anmeldeformalitäten
Die Anmeldung erfolgt über das Sekretariat KWT 9 mit den üblichen Anmeldeformularen für Wahl- und Zusatzmodule in Papierform.
Literaturhinweise, Skripte
Skript in Papierform
nicht verfügbar
Skript in elektronischer Form
nicht verfügbar
Empfohlene Literatur
- Applied predictive modelling (Kjell Johnson und Max Kuhn)
- Elements of statistical learning (Jerome Friedman et al.)
- Introduction to statistical learning (Gareth James et al.)
Zugeordnete Studiengänge
Diese Modulversion wird in folgenden Studiengängen verwendet:
| Studiengang / StuPO | Semester | Studiengangsbereich |
|---|---|---|
| Chemieingenieurwesen MSc_ChemIng_2020 | SoSe 2023 | Wahlpflichtmodule › Technische Chemie |
Sonstiges
Keine Angabe