Data Science in Process Engineering (6 LP)Modulbeschreibung #30944 / Version 4
- 6 LP
- Portfolioprüfung
- Benotet
- Sommersemester
- Deutsch
| Modul / Version | #30944 / #4 |
|---|---|
| Gültigkeit | Seit WiSe 2025/26 |
| Verfügbare Sprache(n) | Englisch, Deutsch |
| Leistungspunkte | 6 |
| 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 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- 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 |
| Wöchentliche Programmieraufgabe (benotet) | 15 | 5 h | 75 h |
| 120 h | |||
Der Aufwand des Moduls summiert sich zu 165 Stunden. Damit umfasst das Modul 6 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 | Englisch, Deutsch |
Prüfungselemente
| Name | Punkte/Gewicht | Kategorie | Dauer/Umfang |
|---|---|---|---|
| Mündliche Rücksprache | 10 | mündlich | 40 Minuten |
| Wöchentliche Programmieraufgabe | 50 | praktisch | 1 Woche Bearbeitungszeit |
| Semesteraufgabe | 40 | praktisch | 2 Aufgaben, 2 Monate Bearbeitungszeit |
Prüfungsbeschreibung (Abschluss des Moduls)
- benotete, wöchentliche Programmieraufgaben,
- eigenständiges Programmierprojekt (Semesteraufgabe),
- mündliche Rücksprache.
- 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 via 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 |
|---|---|---|
| Chemieingenieurwesen MSc_ChemIng_2020 | WiSe 2025/26 | Wahlpflichtmodule › Technische Chemie |
| SoSe 2026 | Wahlpflichtmodule › Technische Chemie | |
| WiSe 2026/27 | Wahlpflichtmodule › Technische Chemie | |
| Chemieingenieurwesen MSc_ChemIng_2026 | WiSe 2026/27 | Wahlpflichtbereich › Technische Chemie |
| Erneuerbare Energien und Verfahrenstechnik StuPO 2025 | WiSe 2025/26 | Wahlpflichtbereich › Data Science › Methodik |
| SoSe 2026 | Wahlpflichtbereich › Data Science › Methodik | |
| WiSe 2026/27 | Wahlpflichtbereich › Data Science › Methodik | |
| Regenerative Energiesysteme StuPO 2023 | WiSe 2025/26 | Wahlpflichtmodule › Computational Methods |
| SoSe 2026 | Wahlpflichtmodule › Computational Methods | |
| WiSe 2026/27 | Wahlpflichtmodule › Computational Methods | |
| 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