Zum Inhalt springen
Technische Universität Berlin English
Vorlesungsverzeichnis und Modultransfersystem

Data Science in Process EngineeringModulbeschreibung #30855 / Version 5

← Zur Modulseite English version
Diese Modulbeschreibung gilt nicht im aktuellen Semester (WiSe 2026/27). Zur aktuellen Version (v6)
Modul / Version#30855 / #5
GültigkeitSoSe 2025 – SoSe 2025
Verfügbare Sprache(n)Deutsch
Leistungspunkte3
Modulverantwortliche*rRepke, Jens-Uwe
BenotungBenotet
PrüfungsformPortfolioprüfung
Lehrsprache(n)Deutsch

Zugehörigkeit

FakultätFakultät III
InstitutInstitut für Prozess und Verfahrenstechnik
Fachgebiet33351500 FG Dynamik und Betrieb technischer Anlagen

Kontakt

SekretariatKWT 9
Ansprechpartner*inHoffmann, Christian
E-Mail-Adresselehre@dbta.tu-berlin.de
Webseitehttps://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
- kennen die grundlegenden Methoden der Datenvorbehandlung, der Feature-Extraktion und können diese anwenden
- haben einen Überblick über die Methoden zur datengetriebenen Modellierung, Trainingsverfahren des maschinellen Lernens und können diese anhand frei verfügbarer Frameworks in Python eigenständig auf verfahrenstechnische Beispiele anwenden.

Lehrinhalte

- Grundlagen zur Datenvorbehandlung wie Multikollinearität, lineare Abhängigkeiten, Imputation fehlender Werte, Anomaliedetektion, Umgang mit Ausreißern,
- Methoden zur Feature-Selektion und Extraktion zum Beispiel unter Nutzung von step-wise variable selection, Lasso, L1/L2-Regularisierung und PCA,
- überwachte Methoden des maschinellen Lernens, um Regressionsprobleme zu lösen
- nichtlineare Methoden wie Support Vector Regression, Gauß-Prozess-Regression und künstliche neuronale Netze,
- rekurrente neuronale Netze zur dynamischen, datengetriebenen Modellierung.

Alle Inhalte werden anhand von verfahrenstechnischen Beispielen erläutert.

Modulbestandteile

Pflichtbereich

Die folgenden Veranstaltungen sind für das Modul obligatorisch:

LehrveranstaltungenArtNummerTurnusSpracheSWSVVZ
Data Science in EngineeringIntegrierte Veranstaltung Sommersemester[de]2 ISIS

Arbeitsaufwand und Leistungspunkte

Data Science in Engineering (Integrierte Veranstaltung)

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit152 h30 h
Vor- und Nachbereitung151 h15 h
45 h

Lehrveranstaltungsunabhängiger Aufwand

AufwandbeschreibungMultiplikatorStundenGesamt
Prüfungsvorbereitung110 h10 h
Semesteraufgabe135 h35 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 die 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:

- 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

BenotungBenotet
PrüfungsformPortfolioprüfung
Art der Portfolioprüfung100 Punkte insgesamt
SpracheDeutsch

Prüfungselemente

NamePunkte/GewichtKategorieDauer/Umfang
mündliche Rücksprache20mündlich
Programmierprojekt80praktisch

Prüfungsbeschreibung (Abschluss des Moduls)

- eigenständiges Programmierprojekt (Semesteraufgabe),
- mündliche Rücksprache.

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

Dieses Modul ist nicht auf eine Anzahl Studierender begrenzt.

Anmeldeformalitäten

Anmeldung über das MTS in MOSES

Literaturhinweise, Skripte

Skript in Papierform

nicht verfügbar

Skript in elektronischer Form

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 / StuPOSemesterStudiengangsbereich
Process Energy and Environmental Systems Engineering
StuPO 2022
SoSe 2025Wahlpflichtmodule › Process Systems Engineering
Sustainable Energy and Process Engineering
StuPO 2024
SoSe 2025Wahlpflichtmodule › Fachspezifische Wahlpflicht SEPE › Computational Methods

Sonstiges

Keine Angabe