Modulkataloge
Name des Moduls |
[100270] Datenbearbeitung und Maschinelles Lernen |
Modulcode |
PAFBM003 |
|
Studiengang |
[177] Werkstoffwissenschaft |
ECTS Punkte |
8 LP |
|
Arbeitsaufwand für Selbststudium |
135 Stunden |
Häufigkeit des Angebotes (Modulturnus) |
jedes 2. Semester (ab Wintersemester) |
Arbeitsaufwand in Präsenzstunden |
105 Stunden |
Dauer des Moduls |
2 Semester |
Arbeitsaufwand Summe (Workload) |
240 Stunden |
|
|
|
Modulverantwortlicher |
Prof. Dr. Marek Sierka, Dr. Eva von Domaros |
Voraussetzungen für die Vergabe von Leistungspunkten |
Klausur (100%) |
Literatur |
- Mohr, R. (2014): Statistik für Ingenieure und Naturwissenschaftler: Grundlagen und Anwendung statistischer Verfahren, 3. Auflage, Expert Verlag (ISBN-13: 978-3816931546)
- McKinney, W. (2019): Datenanalyse mit Python: Auswertung von Daten mit Pandas, NumPy und IPython (O’Reilly), dpunkt.verlag GmbH (ISBN-13: 978-3960090809)
- VanderPlas, J. (2016): Python Data Science Handbook: Essential Tools for working with Data, O'Reilly UK Ltd. (ISBN-13: 978-1491912058)
|
Unterrichtssprache |
Deutsch |
Voraussetzungen für die Zulassung zum Modul |
Keine. Empfohlen: Informatik (für Materialwissenschaftler) |
Vorkenntnisse |
FMI-IN1106 Informatik |
Art des Moduls |
177 B.Sc. Werkstoffwissenschaft: Pflichtmodul |
Zusammensetzung des Moduls / Lehrformen |
Vorlesung: 4 SWS
Übungen: 3 SWS |
Inhalte |
- Grundlagen der deskriptiven Statistik und Stochastik: Merkmaltypen und Stichproben, Mittelwerte, Streuungsmaße, Korrelation und Regression, Wahrscheinlichkeit und Zufallsvariablen, Verteilungen, Stichprobentheorie, Parameterschätzung, Konfidenzintervalle und Signifikanztests.
- Einführung in Python, NumPy, Pandas und Matplotlib.
- Maschinelles Lernen: Scikit-Learn Python-Bibliothek, Hyperparameter und Modellvalidierung, Feature Engineering, Naive Bayes-Klassifikation, Support Vector Machines, Entscheidungsbäume und Random Forests, Hauptkomponentenanalyse, k-Means Clustering, Gaussian Mixture Models.
|
Lern- und Qualifikationsziele |
- Die Studierenden erwerben ein allgemeines Grundverständnis für Mathematik und Statistik, um es auf materialwissenschaftliche Problemstellungen anzuwenden.
- Die Studierenden werden in die Lage versetzt, die in diesem Modul vorgestellten Methoden und Programmierwerkzeuge gezielt für materialwissenschaftliche Problemstellungen, Modellierung und Simulationen sowie für Probleme in Produktion und Logistik, Marketing u.a. mit Bezug zur Materialwissenschaft einzusetzen.
- Die Studierenden sind in der Lage, die mit Hilfe von mathematischen und programmiertechnischen Werkzeugen gewonnenen Problemlösungen vor dem Hintergrund der Materialwissenschaft zu interpretieren.
|
Voraussetzung für die Zulassung zur Modulprüfung (Prüfungsvorleistungen) |
Abgabe von Übungsaufgaben und eines Programmierprojekts. Umfang der Bearbeitung wird zu Beginn der Veranstaltung bekannt gegeben. |
Sie befinden sich hier:
PAFBM003 ... Datenbearbeitung und Maschinelles Lernen
PAFBM003 ... Datenbearbeitung und Maschinelles Lernen