Data Science for Engineering & Natural Sciences
Niveau
Masterstudium
Lernergebnisse der Lehrveranstaltungen/des Moduls
Die Teilnehmer:innen:
• können grundlegende Einsatzbereiche von Datenerhebung, Datenspeicherung, Datenanalyse und Datennutzung im Kontext von naturwissenschaftlichen und technischen Anwendungen benennen
• können die besonderen Herausforderungen dieses Einsatzbereichs verstehen und können etablierte Best Practice Methoden in diesem Bereich benennen
• können datenbasierte Anwendungen in diesem Bereich, unter Berücksichtigung Domänenspezifischer Anforderungen, selbst gestalten und umsetzen
• können grundlegende Einsatzbereiche von Datenerhebung, Datenspeicherung, Datenanalyse und Datennutzung im Kontext von naturwissenschaftlichen und technischen Anwendungen benennen
• können die besonderen Herausforderungen dieses Einsatzbereichs verstehen und können etablierte Best Practice Methoden in diesem Bereich benennen
• können datenbasierte Anwendungen in diesem Bereich, unter Berücksichtigung Domänenspezifischer Anforderungen, selbst gestalten und umsetzen
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.)
- 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
- 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
Empfohlene Fachliteratur
- VanderPlas, J. (2023): Python Data Science Handbook: Essential Tools for Working with Data (Ed. 2), O'Reilly, (ISBN: 978-1098121228)
- Cady, F. (2017): The Data Science Handbook (Ed. 2), Wiley, Hoboken (ISBN: 978-1119092940)
- Cady, F. (2017): The Data Science Handbook (Ed. 2), Wiley, Hoboken (ISBN: 978-1119092940)
Bewertungsmethoden und -Kriterien
Seminararbeit
Unterrichtssprache
Englisch
Anzahl der zugewiesenen ECTS-Credits
4
Semesterwochenstunden (SWS)
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