Modul

DML - Data Mining

Bachelor Elektrotechnik 2020


PDF Studiengangsverzeichnis Studienverlaufspläne Bachelor Elektrotechnik

Version: 1 | Letzte Änderung: 12.02.2021 13:50 | Entwurf: 0 | Status: vom Modulverantwortlichen freigegeben | Verantwortlich: Rhein

Anerkannte Lehrveran­staltungen DDML_Rhein
Modul ist Bestandteil der StudienschwerpunkteSE - Smart Energy
IOT - Internet of Things
Dauer 1 Semester
ECTS 5
Zeugnistext (de) Data Mining
Zeugnistext (en) Data Mining
Unterrichtssprache deutsch
abschließende Modulprüfung Ja
Inhaltliche Voraussetzungen
MA1 -
Mathematik 1
mathematische Modelle verstehen und aufstellen
Differentialrechnung
MA2 -
Mathematik 2
Funktionen mit mehreren Veränderlichen anwenden
Lineare Algebra: Matrizen aufstellen und mit ihnen rechnen
Handlungsfelder
Forschung: Von Ansätzen der Grundlagenforschung bis hin zur Industrieforschung. Entwicklung: Algorithmen, Software, Verfahren , Geräte, Komponenten und Anlagen.
Qualitätskontrolle von Produkten und Prozessen, Mess- und Prüftechnologien, Zertifizierungsprozesse.
IT Administration, Projektcontrolling einschließlich Budget. Tätigkeiten in Verwaltung, Behörden und Ministerien.
Modulprüfung
Benotet Ja
Frequenz Jedes Semester
Prüfungskonzept

Abhängig von der Anzahl der Teilnehmer:
Bei wenigen Teilnehmern Kombination aus Klausur oder mündlicher Prüfung und Bewertung des Mini-Projektes
Bei vielen Teilnehmern Prüfung über Klausur; Mini-Projekt als Voraussetzung zur Teilnahme an der Klausur

In der Klausur bzw. mündlichen Prüfung werden die Methoden, Vorgehensweisen, Fallstricke und gesetzliche Grundlagen des Data Mining geprüft.
Im Mini-Projekt wird die Fähigkeit zu selbständigem eigenverantwortlichem Handeln und der Umgang mit geeigneter Software abgeprüft.

Learning Outcomes
LO1 - Was:
Methoden des maschinellen Lernens auf typische Datensätze der Elektrotechnik oder technischen Informatik anwenden
gängige Fallstricke des Data Mining in der Vorgehensweise kennen
für eine Aufgabenstellung das geeignete Verfahren bestimmen können
Qualität von Datensätzen beurteilen
Datenschutzgesetze kennen
weit verbreitete Software hierfür anwenden
eigenverantwortliches Arbeiten lernen

Womit:
Die Methoden werden anhand eines Vortrags oder per Lernvideos vermittelt und in Vorlesung und Übung direkt angewendet. Jeder Student wird ein kleines Projekt durchführen (je nach Anzahl der Studierenden in Gruppenarbeit).

Wozu:
Data Mining wird bei den späteren Arbeitgebern immer mehr eingeführt, etwa in der Robotik, aber auch zur Überwachung und Steuerung von Produktionsprozessen oder Energiesystemen und zur Auswertung von Kundendaten, hier ist ein verantwortlicher Einsatz von Daten wichtig.
Kompetenzen
Voraussetzungen für diese Kompetenz (Wissen,...) werden vermittelt
Finden sinnvoller Systemgrenzen

diese Kompetenz wird vermittelt
Abstrahieren
Erkennen, Verstehen und analysieren technischer Zusammenhänge
MINT Modelle nutzen
Technische Systeme analysieren
Informationen beschaffen und auswerten
In unsicheren Situationen entscheiden
Lernkompetenz demonstrieren

Inhaltliche Voraussetzungen
MA1 -
Mathematik 1
mathematische Modelle verstehen und aufstellen
Differentialrechnung
MA2 -
Mathematik 2
Funktionen mit mehreren Veränderlichen anwenden
Lineare Algebra: Matrizen aufstellen und mit ihnen rechnen
Handlungsfelder
Forschung: Von Ansätzen der Grundlagenforschung bis hin zur Industrieforschung. Entwicklung: Algorithmen, Software, Verfahren , Geräte, Komponenten und Anlagen.
Qualitätskontrolle von Produkten und Prozessen, Mess- und Prüftechnologien, Zertifizierungsprozesse.
IT Administration, Projektcontrolling einschließlich Budget. Tätigkeiten in Verwaltung, Behörden und Ministerien.
Learning Outcomes
LO1 - Was:
Methoden des maschinellen Lernens auf typische Datensätze der Elektrotechnik oder technischen Informatik anwenden
gängige Fallstricke des Data Mining in der Vorgehensweise kennen
für eine Aufgabenstellung das geeignete Verfahren bestimmen können
Qualität von Datensätzen beurteilen
Datenschutzgesetze kennen
weit verbreitete Software hierfür anwenden
eigenverantwortliches Arbeiten lernen

Womit:
Die Methoden werden anhand eines Vortrags oder per Lernvideos vermittelt und in Vorlesung und Übung direkt angewendet. Jeder Student wird ein kleines Projekt durchführen (je nach Anzahl der Studierenden in Gruppenarbeit).

Wozu:
Data Mining wird bei den späteren Arbeitgebern immer mehr eingeführt, etwa in der Robotik, aber auch zur Überwachung und Steuerung von Produktionsprozessen oder Energiesystemen und zur Auswertung von Kundendaten, hier ist ein verantwortlicher Einsatz von Daten wichtig.
Kompetenzen
Kompetenz Ausprägung
Finden sinnvoller Systemgrenzen Voraussetzungen für diese Kompetenz (Wissen,...) werden vermittelt
Abstrahieren diese Kompetenz wird vermittelt
Erkennen, Verstehen und analysieren technischer Zusammenhänge diese Kompetenz wird vermittelt
MINT Modelle nutzen diese Kompetenz wird vermittelt
Technische Systeme analysieren diese Kompetenz wird vermittelt
Informationen beschaffen und auswerten diese Kompetenz wird vermittelt
In unsicheren Situationen entscheiden diese Kompetenz wird vermittelt
Lernkompetenz demonstrieren diese Kompetenz wird vermittelt

Exempla­rische inhaltliche Operatio­nalisierung

Einführung in eine geeignete Software, z.B. Python
Einführung in deskriptive Statistik und evtl. auch Wahrscheinlichkeitsrechnung
Überwachtes Lernen:
- Klassifikationsverfahren: Ablauf, Performanzmaße, Anwendung eines Verfahrens des instanzbasierten Lernen, z.B. k-nearest-neighbor und eines Verfahrens des modellbasierten Lernen, z.B. Entscheidungsbäume
- evtl. Regressionsanalyse: über maschinelles Lernen und klassisch

Unüberwachtes Lernen:
- Clusteranalyse: k-means, evtl. auch DBSCAN
Preprocessing der Daten:
- Behandlung von beschädigten / fehlenden Daten
- Ausreißer oder Noise - Problematik
- Skalierung
- Visualisierung der Daten
- evtl. Dimensionsreduzierung
- Beurteilung der Qualität der Daten
- evtl. verschiedene Arten von Datensätzen betrachten, Bezug zu NoSql-Datenbanken herstellen

Ausblick auf aktuelle Forschung, z.B. Bilderkennung, Natural Language Processing, Reinforcement Learning

Separate Prüfung

keine


© 2022 Technische Hochschule Köln