Data Science for Engineering & Natural Sciences
Niveau
Masterstudium
Lernergebnisse der Lehrveranstaltungen/des Moduls
Folgende Kompetenzen werden in der Lehrveranstaltung erarbeitet:
- Die Studierenden kennen grundlegende Einsatzbereiche von Datenerhebung, Datenspeicherung, Datenanalyse und Datennutzung im Kontext von naturwissenschaftlichen und technischen Anwendungen.
- Die Studierenden verstehen die besonderen Herausforderungen dieses Einsatzbereichs und kennen etablierte Best Practice Methoden in diesem Bereich.
- Die Studierenden sind überdies in der Lage, datenbasierte Anwendungen in diesem Bereich, unter Berücksichtigung Domänenspezifischer Anforderungen, selbst zu gestalten und umzusetzen.
- Die Studierenden kennen grundlegende Einsatzbereiche von Datenerhebung, Datenspeicherung, Datenanalyse und Datennutzung im Kontext von naturwissenschaftlichen und technischen Anwendungen.
- Die Studierenden verstehen die besonderen Herausforderungen dieses Einsatzbereichs und kennen etablierte Best Practice Methoden in diesem Bereich.
- Die Studierenden sind überdies in der Lage, datenbasierte Anwendungen in diesem Bereich, unter Berücksichtigung Domänenspezifischer Anforderungen, selbst zu gestalten und umzusetzen.
Voraussetzungen der Lehrveranstaltung
Keine Voraussetzungen
Lehrinhalte
Folgende exemplarische Inhalte werden in der Lehrveranstaltung besprochen:
- Biologie (z.B. Genome Forschung, Medizinische Diagnoseverfahren usw.)
- Physik (z.B. Objekterkennung durch Bilddatenverarbeitung usw.)
- Chemie (z.B. Verarbeitung datenintensiver Experimente usw.)
Chemie (z.B. Verarbeitung datenintensiver Experimente usw.)
- Datengetriebene Wartung (z.B. Prediktive Maintenance, Digital Twin)
- Datenoptimiertes Produktdesign (z.B. Design von Produkteigenschaften durch KNN)
- Auswertung von Sensordaten (z.B. Obstacle Detection, Obstacle Avoidance, Vorhersage usw.)
- Cloudbasierte IoT Systeme (Datenspeicherung und Sammlung)
- Sensorauswertung über Raspberry Pi, Arduino, Funksysteme
- Biologie (z.B. Genome Forschung, Medizinische Diagnoseverfahren usw.)
- Physik (z.B. Objekterkennung durch Bilddatenverarbeitung usw.)
- Chemie (z.B. Verarbeitung datenintensiver Experimente usw.)
Chemie (z.B. Verarbeitung datenintensiver Experimente usw.)
- Datengetriebene Wartung (z.B. Prediktive Maintenance, Digital Twin)
- Datenoptimiertes Produktdesign (z.B. Design von Produkteigenschaften durch KNN)
- Auswertung von Sensordaten (z.B. Obstacle Detection, Obstacle Avoidance, Vorhersage usw.)
- Cloudbasierte IoT Systeme (Datenspeicherung und Sammlung)
- Sensorauswertung über Raspberry Pi, Arduino, Funksysteme
Empfohlene Fachliteratur
PRIMÄRLITERATUR:
- Cady, F. (2017): The Data Science Handbook (Ed. 2), Wiley, Hoboken (ISBN: 978-1119092940)
SEKUNDÄRLITERATUR:
- Heinrich, B.; Linke, P.; Glöckler, M. (2017): Grundlagen Automatisierung: Sensorik, Regelung, Steuerung (Ed. 2), Springer Vieweg, Wiesbaden (ISBN: 978-3658175818)
- Tränkler, H.-R.; Reindl, L. M. (2015): Sensortechnik: Handbuch für Praxis und Wissenschaft (Ed. 2), Springer Vieweg, Wiesbaden (ISBN: 978-3642299414)
- Serpanos, D.; Wolf, M. (2017): Internet-of-Things (IoT) Systems: Architectures, Algorithms, Methodologies (Ed. 1), Springer, Berlin (ISBN: 978-3319697147)
- Cady, F. (2017): The Data Science Handbook (Ed. 2), Wiley, Hoboken (ISBN: 978-1119092940)
SEKUNDÄRLITERATUR:
- Heinrich, B.; Linke, P.; Glöckler, M. (2017): Grundlagen Automatisierung: Sensorik, Regelung, Steuerung (Ed. 2), Springer Vieweg, Wiesbaden (ISBN: 978-3658175818)
- Tränkler, H.-R.; Reindl, L. M. (2015): Sensortechnik: Handbuch für Praxis und Wissenschaft (Ed. 2), Springer Vieweg, Wiesbaden (ISBN: 978-3642299414)
- Serpanos, D.; Wolf, M. (2017): Internet-of-Things (IoT) Systems: Architectures, Algorithms, Methodologies (Ed. 1), Springer, Berlin (ISBN: 978-3319697147)
Bewertungsmethoden und -Kriterien
Seminararbeit
Unterrichtssprache
Englisch
Anzahl der zugewiesenen ECTS-Credits
4
E-Learning Anteil in %
30
Semesterwochenstunden (SWS)
1.75
Geplante Lehr- und Lernmethode
Folgende Methoden kommen zum Einsatz:
- Vortrag mit Diskussion
- Interaktiver Workshop
- Fallstudien
- Vortrag mit Diskussion
- Interaktiver Workshop
- Fallstudien
Semester/Trisemester, In dem die Lehrveranstaltung/Das Modul Angeboten wird
3
Name des/der Vortragenden
Prof. (FH) Dr. Lukas Huber
Studienjahr
Kennzahl der Lehrveranstaltung/des Moduls
MDS.6
Art der Lehrveranstaltung/des Moduls
Integrierte Lehrveranstaltung
Art der Lehrveranstaltung
Pflichtfach
Praktikum/Praktika
kein