Nach positiver Absolvierung der Lehrveranstaltung sind Studierende in der Lage...

• Grundkenntnisse über Industrial Data Science (IDS) anzuwenden
• An IDS-Projekten teilzunehmen und diese auch selbstständig durchzuführen
• Mit numerischen und textuellen Datenquellen für die prädiktive Datenanalyse zu arbeiten
• Grundlegende AI/ML/NLP-Algorithmen anzuwenden
• Eine eigene Domän Ontologie aufzubauen
• Mit Jupyter-Notebooks in einer Cluster-Infrastruktur zu arbeiten

In der Übung lernen Studenten folgende, grundlegende Konzepte aus Industrial Data Science kennen:

• Einführung in Python für IDS
• Datenvorverarbeitung in Python
• Data Preprocessing
• Anwendung eines Data-Mining-Prozessmodells: CRISP-DM
• Einführung in grundlegende Methoden des überwachten und unüberwachten Lernens.
• Einführung in die Computerlinguistik (Natural Language Processing)
• Einführung in wissensbasierte Methoden, einschließlich Fallbasiertes Schließen (Case-based Reasoning) und Ontologie-Modellierung mit Protégé.

Die Voraussetzung für die Übung ist 330.267 Knowledge Management 4.0 (VO)

Die Teilnahme an allen 4 Übungseinheiten, siehe TUWEL, ist verpflichtend 

• Teamarbeit - Die Übung wird im Format eines Gruppenprojekts (Collaborative Teamwork) strukturiert.
• Die Schüler üben den Unterricht in einer kollaborativen Umgebung, die die Verbesserung ihrer transversalen Fähigkeiten unterstützt, einschließlich der Präsentation von Key-Findings, der Diskussion mit Teammitgliedern und des Lernens durch die Teilnahme an Teamarbeitsaktivitäten.
• Jupyter Notebooks werden in der Übung verwendet und von den Studierenden für die Lösung der Aufgabe mit einer detaillierten Beschreibung der Ergebnis der Teamarbeit eingereicht.

Absolvierung von:

• Multiple Choice Tests
• Übungsaufgaben
• Hausübung

Fundierte Kenntnisse im Produktions-, Logistik-, Qualitäts-, Prozess- und Projektmanagement

Die Voraussetzung für die Übung ist 330.267 Knowledge Management 4.0 (VO).