Data Science in Process EngineeringModulbeschreibung #30855 / Version 6
- 3 LP
- Portfolioprüfung
- Benotet
- Sommersemester
- Deutsch
| Modul / Version | #30855 / #6 |
|---|---|
| Gültigkeit | Seit WiSe 2025/26 |
| Verfügbare Sprache(n) | Englisch, 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
- 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.
- 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.
- 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:
| Lehrveranstaltungen | Art | Nummer | Turnus | Sprache | SWS | VVZ |
|---|---|---|---|---|---|---|
| Data Science in Process Engineering | Integrierte Veranstaltung | 3515 L 004 | Sommersemester | [de] | 2 | ISIS |
Arbeitsaufwand und Leistungspunkte
Data Science in Process Engineering (Integrierte Veranstaltung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor- und Nachbereitung | 15 | 1 h | 15 h |
| 45 h | |||
Lehrveranstaltungsunabhängiger Aufwand
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Prüfungsvorbereitung | 1 | 10 h | 10 h |
| Semesteraufgabe | 1 | 35 h | 35 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.
- 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
- 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 | 40 Minuten |
| Programmierprojekt | 80 | praktisch | 2 Aufgaben, 2 Monate Bearbeitungszeit |
Prüfungsbeschreibung (Abschluss des Moduls)
- eigenständiges Programmierprojekt (Semesteraufgabe),
- mündliche Rücksprache.
- 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 / StuPO | Semester | Studiengangsbereich |
|---|---|---|
| Process Energy and Environmental Systems Engineering StuPO 2022 | WiSe 2025/26 | Wahlpflichtmodule › Process Systems Engineering |
| SoSe 2026 | Wahlpflichtmodule › Process Systems Engineering | |
| WiSe 2026/27 | Wahlpflichtmodule › Process Systems Engineering | |
| Sustainable Energy and Process Engineering StuPO 2024 | WiSe 2025/26 | Wahlpflichtmodule › Fachspezifische Wahlpflicht SEPE › Computational Methods |
| SoSe 2026 | Wahlpflichtmodule › Fachspezifische Wahlpflicht SEPE › Computational Methods | |
| WiSe 2026/27 | Wahlpflichtmodule › Fachspezifische Wahlpflicht SEPE › Computational Methods |
Sonstiges
Keine Angabe