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 Studienschwerpunkte | SE - 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
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
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
Vermittelte Voraussetzungen für Kompetenzen
Vermittelte Kompetenzen
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
Qualitätskontrolle von Produkten und Prozessen, Mess- und Prüftechnologien, Zertifizierungsprozesse.
IT Administration, Projektcontrolling einschließlich Budget. Tätigkeiten in Verwaltung, Behörden und Ministerien.
Learning Outcomes
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 | Vermittelte Voraussetzungen für Kompetenzen |
| Abstrahieren | Vermittelte Kompetenzen |
| Erkennen, Verstehen und analysieren technischer Zusammenhänge | Vermittelte Kompetenzen |
| MINT Modelle nutzen | Vermittelte Kompetenzen |
| Technische Systeme analysieren | Vermittelte Kompetenzen |
| Informationen beschaffen und auswerten | Vermittelte Kompetenzen |
| In unsicheren Situationen entscheiden | Vermittelte Kompetenzen |
| Lernkompetenz demonstrieren | Vermittelte Kompetenzen |
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
Webredaktion der Fakultät IME
© 2022 Technische Hochschule Köln