Data Science & Intelligent Analytics

Folgende Inhalte werden in der Lehrveranstaltung besprochen:

- Klassische neuronale Netze als Ergänzung zu klassischen Algorithmen der Data Science (z.B. Random Forests, SCM, usw.)
- Gefaltete, künstliche neuronale Netze (CNN)
- Rekursive, künstliche neuronale Netze (RNN, LSTM)
- Weiterführende, künstliche neuronale Netze (GAN, FARM, BERT, CGAN usw.)

Die besprochenen Netztypen unterliegen einem ständigen Wandel. Darum werden hier nur einige Netztypen exemplarisch genannt. In der LV werden insbesondere aber auch aktuelle Netztypen besprochen und angewendet.

Den Studierenden werden in die grundlegenden Eigenschaften von Big Data eingeführt. Dabei wird besonderes Augenmerk auf den Umgang mit diesen Daten gelegt und das erworbene Wissen mit Beispielen gefestigt. Für die Lösung von Big Data Problemen, werden geeignete Frameworks vorgestellt und im Rahmen von interaktiven Workshops mit Fallstudien bearbeitet. Als Beispiele hierfür sind zu nennen:

- Apache Spark
- Apache Flink
- Apache Storm
- Apache Samza
- Apache Kafka

Diese Frameworks sollen anhand von Fallbeispielen erklärt und eingesetzt werden. Dafür kann auf die zentral bereitgestellten Data Labs zugegriffen werden.

Folgende Inhalte werden in der Lehrveranstaltung besprochen:

- Grundlagen der beschreibenden Statistik
- Messsystemanalyse
- Stichprobenbestimmung
- Statistische Prozesskontrolle
- Prozesskontrollcharts
- Prozessfähigkeitsanalyse
- Components of Variants Analyse (COV)
- Wiederholung Grundlagen der schließenden Statistik
- Fehlerursachen-Bestimmung über Hypothesen testen (T-test, Chi-Sq, ANOVA)
- Multiple Regressionsanalyse

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.)
- Nachhaltigkeit
- 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

Folgende Inhalte werden in der Lehrveranstaltung besprochen:

- Reasoning-Ansätze (Roal trees, Regelbasierte Expertensysteme)
- Such-Ansätze (depth-first, hill climbing, beam, optimal, branch and bound, A*, games, minimax, and alpha-beta)
- Constraint-Ansätze (Search, domain reduction, visual object recognition)
- Lern-Ansätze (neural nets, back propagation, genetic algorithms, sparse spaces, phonology, near misses, felicity conditions, support vector machines, boosting)
- Repräsentation-Ansätze (classes, trajectories, transitions)
- Einsatzmöglichkeiten von künstlicher Intelligenz in unterschiedlichen Kontexten
- Schwache versus starke, künstlicher Intelligenz

Folgende Inhalte werden in der Lehrveranstaltung besprochen:

- CRM auf der strategischen Ebene
- CRM im Prozessmanagement
- CRM auf der operativen Ebene (CRM Softwaresysteme)
- Operatives CRM
- Analytisches CRM
- Kommunikatives CRM

Folgende Inhalte werden in der Lehrveranstaltung besprochen:

- Vorstellung unterschiedlicher anwendungsorientierter Analyseplattformen (z.B KNIME, RapidMiner, Grafana)
- Vorstellung unterschiedlicher Cloudlösungen für die Datenanalyse (z.B. Google Cloud, AWS, Azure)
- Anwenden der vorgestellten Plattformen am Beispiel von Analysedatensätzen
- Diskussion der unterschiedlichen Ansätze

Folgende Inhalte werden in der Lehrveranstaltung besprochen:

- Auswertungswerkzeuge mit visueller Ausrichtung, z.B. Bl-Tools wie MS PowerBl, Tableau, QlikView
- Darstellungsbibliotheken, z.B. matplotlib.pyplot, gglot2
- Regeln der visuellen Communication, z.B. Hichert SUCCESSS

- Grundbegriffe: Geschäftsprozess, Workflow, BPMS, WFMS, RPA, etc.
- Auswahlkriterien für Workflow-Engines zur Prozessautomatisierung
- Architektur und Integrationen von Workflows zur Prozessautomatisierung
- Überblick zur Interprozesskommunikation
- Transaktionale Eigenschaften der Prozesse, Simulation und Code-Generierung
- Grundlagen zu Microsoft Dynamics 365: Module und Navigation, Basis-Entitäten und Standard-Workflows
- Organisatorische und technische Umsetzung mit Konfiguration und deklarativer Programmierung

- Personaleinsatzplanung und Ressourcenmanagement
- Vertragsmanagement und Finanzmanagement (Kosten, Leistungsrechnung)
- Qualitätsmanagement und Qualitätssicherung (Reviews, Audits, usw.)
- MitarbeiterInninformation und Kommunikation
- IT-Strategie und IT-Portfoliomanagement
- Risikomanagement; IT Governance und Compliance
- ITIL, CoBIT
- Service Level Agreements und Outsourcing
- Balanced Scorecard Methodik
- Werkzeuge des IT-Managements (ADOit, usw.)

Einführung
- IoT Architektur (z.B. Referenzmodelle)
- Anforderungen an IOT Systeme
- IOT Datenübertragungsprotokolle
- Einsatz von IOT im industriellen Kontext (Beispiele)
- Grundlagen der Sensorik
- Grundlagen von embedded Systemen

Implementierung
- Vorgehen bei der Implementierung von IOT
- Prototypische Implementierung von IOT
- Auswahl von Sensoren
- Erhebung, Visualisierung und Auswertung von Daten
- Herausforderungen bei der Implementierung

- Grundlagen der Human–AI Interaction
- Menschliche Kognition, mentale Modelle, Entscheidungsverhalten
- HCI-Prinzipien für KI-Systeme
- UX-Design für KI
- Interaktionsmuster (Conversational UI, Agenten, multimodale Interfaces)
- Prompt-Design, System-Messages, Feedback-Loops
- Vertrauen und Nutzerakzeptanz
- Explainable & Transparent AI (XAI)
- Erklärungsarten, Nutzergruppen, Designprinzipien
- Bedienbarkeit und Kontrolle von KI
- Human-in-the-Loop & Human-on-the-Loop
- Passung von Mensch‐Maschine-Rollen
- Aufgabenverteilung, Grenzen von Automatisierung
- Fehlerprävention & Recovery Design
- Empathische & soziale Aspekte der KI-Interaktion
- Soziale Reaktionen, Vertrauen
- persuasive und adaptive Systeme
- Methoden & Werkzeuge
- Usability-Testing für KI-Systeme
- Prototyping-Tools
- Evaluationsmethoden (Task Success, Trust Metrics, Cognitive Load)

Folgende Inhalte werden in der Lehrveranstaltung besprochen:

- Der Prozess des Software-Engineerings und des Projektmanagements für datenintensive Anwendungen
- Programmierparadigmen für den Einsatz im Bereich Data Science
- Effektive und effiziente Datenstrukturen für datenintensive Anwendungen
- Werkzeuge und Softwareökosysteme für die Entwicklung und den Test datenintensiver Softwaresysteme

Im Lab werden die Inhalte der ILV "Softwareentwicklung 1" mit Hilfe von praktischen Übungen vertieft. Die dabei gewonnenen Erkenntnisse werden in der Gruppe diskutiert und erlauben so einen tiefen Einblick in die Materie und eine Festigung des Wissens, das in der ILV theoretisch vermittelt wurde.

Im Lab werden die Inhalte der ILV "Statistisches Lernen 1" mit Hilfe von praktischen Übungen vertieft. Die dabei gewonnenen Erkenntnisse werden in der Gruppe diskutiert und erlauben so einen tiefen Einblick in die Materie und eine Festigung des Wissens, das in der ILV theoretisch vermittelt wurde.

Folgende Inhalte werden in der Lehrveranstaltung besprochen:

- Eigenschaften von performanten Datensystemen (Skalierbarkeit, Wartbarkeit, Reliabilität)
- Etablierte Konzepte der Datenspeicherung (Relationales Modell)
- Historische Konzepte der Datenspeicherung (Hierarchisches Modell, Netzwerkmodell)
- Moderne Konzepte der Datenspeicherung (Wide-column Modell, Graphen Modell, Key-Value Modell, Document Modell, Column-oriented Modell)
- Datenbanksysteme, passend zu den behandelten Modellen
- Skalierung von Datensystemen (Replication und Partitionierung)
- Schreiben und Lesen in Datensystemen (Indexstrukturen, Schreibstrategien)

Folgende Inhalte werden in der Lehrveranstaltung besprochen:

- Statistische Maßzahlen (Punkt- und Intervallschätzer)
- Statistische Testverfahren
- Gruppierungsalgorithmen (Classification Trees, Agglomerativ Hierarchisches Clustering usw.)
- Regressionsalgorithmen (Regression Trees, Random Forests, usw.)
- Assoziative Algorithmen
- Verfahren zur Vorverarbeitung von Daten (z.B. Principal Component Analysis)

Folgende Inhalte werden in der Lehrveranstaltung besprochen:

- Konzeption und Implementierung von problemzentrierten NoSQL Datenbanken (z.B. Key-Value-Stores, Document Stores, Column-Oriented Data Stores, usw.)
- Konzeption und Implementierung von Speicherlösungen für große Datenmengen (Big Data)

Im Lab werden die Inhalte der ILV "Statistisches Lernen 2" mit Hilfe von praktischen Übungen vertieft. Die dabei gewonnenen Erkenntnisse werden in der Gruppe diskutiert und erlauben so einen tiefen Einblick in die Materie und eine Festigung des Wissens, das in der ILV theoretisch vermittelt wurde.

Folgende Inhalte werden in der Lehrveranstaltung besprochen:

- weiterführende Modellierungsverfahren
- Ensemble Methoden
- Optimierung von Modellen

Folgende Inhalte werden in der Lehrveranstaltung besprochen:

- Architekturmodelle für datengetriebene Softwareentwicklung und -systeme.
- Integrationsmodelle und -paradigmen für die Umsetzung komplexer, prozessorientierter Softwareökosysteme für analytische und datengetriebene Systeme
- Anwendung von bewährten Entwurfsmustern (Design Patterns) für datengetriebene Anwendungen
- Konzeption und Umsetzung effizienter und skalierbarer Softwaresysteme für datengetriebene Anwendungen
- Testen von Softwareapplikationen (z.B. Unit Tests, Integration Tests usw.)

Im Lab werden die Inhalte der ILV "Softwareentwicklung 2" mit Hilfe von praktischen Übungen vertieft. Die dabei gewonnenen Erkenntnisse werden in der Gruppe diskutiert und erlauben so einen tiefen Einblick in die Materie und eine Festigung des Wissens, das in der ILV theoretisch vermittelt wurde.

Grundlagen und Modellbildung:
-Einführung in Digital Twin, deren Bedeutung und Anwendungsbereiche
-Vermittlung der theoretischen Grundlagen und Methoden der Modellbildung

Simulation und Software:
-Überblick über Simulationstechniken und deren typische Anwendungen
-Kennenlernen verschiedener Simulationssoftware und praktische Übungen

Smarte Produkte und Lösungen:
-Erstellung und Analyse von Modellen für smarte, kommunizierende Produkte
-Integration von Digital Twins in IoT-Systeme und deren Vorteile

Vertiefte Konzepte und Anwendungen:
-Einführung in fortgeschrittene Themen wie Condition Monitoring und Predictive Maintenance
-Diskussion über die Rolle von Digital Twins in der zukünftigen Technologieentwicklung.

Praxisprojekt:
-Planung und Durchführung eines eigenen Digital Twin Projekts zur Anwendung des Gelernten

Die Inhalte dieser Lehrveranstaltung sind nicht stabil, sondern werden an die aktuell vorherrschenden Trends angepasst. Exemplarische Inhalte können sein:

- Aktuelle Best-Practice Ansätze und Konzepte in Anwendungsgebieten (z.B. Smart Home, Smart City, Smart Production, Connected Vehicles etc.)
- Aktuelle Best-Practice Ansätze hinsichtlich der Entwicklungsprozesse und - tools
- Aktuelle Forschungs- und Entwicklungsaktivitäten bzw. Forschungs- und Entwicklungsergebnisse

Die Inhalte dieser Lehrveranstaltung sind nicht stabil, sondern werden an die aktuell vorherrschenden Trends angepasst. Exemplarische Inhalte können sein:

- Neue Technologien im Bereich Big Data Processing
- Trends im Bereich der Programmiersprachen in der Datenanalyse
- Neue Verarbeitungskonzepte von Daten (z.B. Data Lake)
- Neue Fragestellungen im Bereich der Data Science Forschung
- Neue Fragestellungen im Bereich der Data Science Praxis

Die Inhalte dieser Lehrveranstaltung sind nicht stabil, sondern werden an die aktuell vorherrschenden Trends angepasst. Exemplarische Inhalte können sein:

- Neue Technologien im Bereich AI Engineering
- Trends im Bereich der Programmiersprachen für AI
- Neue Designkonzepte im Bereich von AI
- Neue Fragestellungen im Bereich der Forschung im Bereich AI
- Neue Fragestellungen im Bereich der AI

- Aktuelle Entwicklungen im Gebiet der betrieblichen Anwendungssystemen mit speziellem Bezug zu ERP-Systemen und Geschäftsprozessmanagement
- Modelle, Beispiele, Best-Practice Cases

Folgende Inhalte werden in der Lehrveranstaltung besprochen:

- Interkulturelle Kompetenz
- Diskussion mit VertreterInnen aus der Praxis

Folgende Inhalte werden in der Lehrveranstaltung besprochen:

- Projektmanagementtechniken (z.B. SCRUM)
- Projektmanagementwerkzeuge im Bereich Data Science (z.B. GitLab)
- Techniken zur Dokumentation von Anforderungen (z.B. Sophist)
- Mechanismen von Geschlechterrollen, Bias und struktureller Benachteiligung sowie praktischen Ansätzen für genderinklusive Gestaltung von Arbeits- und Lernumgebungen
- Modelle und Methoden der Belastungs- und Ressourcenanalyse (Work-Life-Balance)

Folgende Inhalte werden in der Lehrveranstaltung besprochen:

- Erarbeitung eines ganzheitlichen Verständnisses der Themenfelder (Systemisches Management)
- Methoden zur Generierung innovativer Ideen (z. B. Systematic Inventive Thinking, Design Thinking)
- Projektstrukturen und Managementmethoden zur praktischen Umsetzung von Innovationen (z. B. Change Management, Konfliktmanagement)
- IT-gestützte Projektdokumentation

Folgende Inhalte werden in der Lehrveranstaltung besprochen:

- Datenschutz (z.B. DSGVO)
- Privacy (e-Privacy Verordnung)
- Umgang mit Daten aus ethischer/moralischer Sicht
- Compliance

Die Studierenden bearbeiten in dieser LV ein reales, datenzentriertes Projekt entlang der gesamten Datenwertschöpfungskette (von der Erhebung der Daten über deren Integration und Speicherung bis zur Analyse und Nutzbarmachung der Daten. Dadurch können sie die Fähigkeiten, die in den ersten beiden Semestern aufgebaut wurden in einem realen Setting ausprobieren und neue Erkenntnisse gewinnen.

Die Studierenden werden an die Bereich Wissenschaftstheorie und wissenschaftliches Arbeiten herangeführt. Dabei werden die Ziele wissenschaftlichen Arbeitens besprochen und auf eigene Problemstellungen übertragen. Im Rahmen der Lehrveranstaltung erarbeiten die Studierenden so einen ersten Exposé-Entwurf für eine Masterarbeit.

Die Lehrveranstaltung begleitet die Studierenden bei der Konzeption und Erstellung ihrer Masterarbeit. Im Kolloquium werden deshalb Fragestellung/Hypothese und Gliederung der Masterarbeit vorgestellt und diskutiert. Zudem wird die wissenschaftliche Methodik der Masterarbeit erörtert und hinterfragt sowie Hinweise zur formalen Gestaltung der Masterarbeit gegeben.

Die Studierenden entwerfen selbständig eine Projektidee für die eigene Masterarbeit, beschreiben diese in Form eines Exposés und reichen dieses bei der Studiengangsleitung zur Genehmigung ein. Anschließend bearbeiten die Studierenden das Thema und verfassen eine Masterarbeit, die zur Begutachtung abgegeben wird.