Friedrich-Schiller-Universität Jena

Name des Moduls	[100270] Datenbearbeitung und Maschinelles Lernen	Bezeichnung des Moduls	PAFBM003

Studiengang	[177] - Werkstoffwissenschaft	ECTS Punkte	8

Arbeitsaufwand für Selbststudium	135	Häufigkeit des Angebotes (Modulturnus)	jedes 2. Semester (ab Wintersemester)
Arbeitsaufwand in Präsenzstunden	105	Dauer des Moduls	2
Arbeitsaufwand Summe (Workload)	240

Modul-Verantwortliche/r	Prof. Dr. Marek Sierka, Dr. Eva von Domaros
Voraussetzung für die Vergabe von Leistungspunkten (Prüfungsform)	Klausur (100%)
Empfohlene 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
Voraussetzung für die Zulassung zum Modul	Keine. Empfohlen: Informatik (für Materialwissenschaftler)
Empfohlene bzw. erwartete Vorkenntnisse	FMI-IN1106 Informatik
Art des Moduls (Pflicht-, Wahlpflicht- oder Wahlmodul)	177 B.Sc. Werkstoffwissenschaft: Pflichtmodul
Zusammensetzung des Moduls / Lehrformen (V, Ü, S, Praktikum, …)	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	Abgabe von Übungsaufgaben und eines Programmierprojekts. Umfang der Bearbeitung wird zu Beginn der Veranstaltung bekannt gegeben.